模型与 Benchmark板块首页
怎么读
怎么给 benchmark 分类一个分数能信到哪一步:真值噪声、简单基线、泄漏与饱和协议索引:113 条协议按谁判对错分组方法与数据:分类口径、收录与停更标准、已知局限
模型与数据
模型索引:112 个模型按领域分组模型 × benchmark 配对矩阵训练数据从哪来:公开库、私有授权、自产 wet lab 与…benchmark 的规模、更新与 wet lab 数据
Benchmark:理解状态(表征与排序)
02 ProteinGym09 scIB11 ClinVar hold-out protocol13 CAGI16 GUE + Nucleotide Transform…17 CAFA21 DREAM5 / BEELINE / CausalB…26 FLIP / FLIP234 AbBiBench37 TraitGym38 BEND39 RNAGym45 DART-Eval49 NTv3 Benchmark67 VenusX
Benchmark:预测给定对象的结果
01 CASP03 MoleculeNet04 TDC05 PoseBusters06 CASF-201615 CAMEO22 CAPRI24 虚拟细胞挑战赛与扰动预测评测25 RNA-Puzzles27 Polaris / ASAP / OpenADMET30 PLINDER / PINDER / Runs N'…31 FoldBench33 PoseX35 FLAb / FLAb243 Ginkgo GDPa146 FEP 相对结合自由能基准47 PoseBench / DockGen51 OpenADMET 盲测系列52 Biogen ADME53 UNICORNE-BENCH54 OMol25 + FAIR Chemistry 榜单55 PDBbind-CleanSplit / LP-PD…57 CatPred-DB66 MassSpecGym
Benchmark:提出候选(生成与设计)
19 PMO20 CACHE28 Adaptyv competitions / Ben…36 AIntibody40 MotifBench50 蛋白 motif scaffolding 基准56 Protein Engineering Tourna…
Benchmark:多步分析与问答(agent)
14 PubMedQA18 LAB-Bench / LABBench223 BioASQ29 BixBench42 BioMysteryBench58 ChemBench59 LifeSciBench60 Terminal-Bench-Science61 BiomniBench / Biomni-Eval162 HeurekaBench63 scBench64 ScienceAgentBench65 SciReasoner / Biology-Inst…68 BioDesignBench
Benchmark:已停更
07 USPTO family08 Basenji/Enformer test set10 GuacaMol12 DUD-E / LIT-PCBA32 CrossDocked202041 BioML-bench44 FS-Mol
相邻领域
相邻领域:不在主分类内的评测
模型:结构/共折叠
AF2-Multimer:Google DeepMindAlphaFold 3BioEmu-2Boltz-1 / Boltz-1xBoltz-2:MIT、Recursion、Boltz P…Chai-1:Chai DiscoveryChai-2:Chai DiscoveryDiffDock:MIT CSAILESMFold2HelixFold-S1:BaiduIntelliFold-2:IntelliGen AIIsoDDE:Isomorphic LabsMassiveFoldNeuralPLexer3OpenComplex2OpenDDE:Aureka AI Research、Au…OpenFold3Pearl:Genesis Molecular AIProtenixRF3:University of Washington …RhoFold+ / DRfold2 / trRosett…RNAPro:NVIDIA、Stanford Univer…SeedFold:ByteDance SeedVina:Scripps Research
模型:小分子
ADMET-AIAQAffinity:SandboxAQBeacon:Inductive BioChemformer:AstraZenecaChemprop v2:MITEnchant v1 / v2ether0:FutureHouseKERMT:Merck & Co.、NVIDIAMiniMol:Valence LabsMolE:RecursionMoLFormer-XL:IBM ResearchNesso-1:Valence Labs、Recursio…ReaSyn v2:NVIDIA、KAISTREINVENT 4RetroDFM-RSaturn:EPFLTamGen:Microsoft Research AI …TerraBind:Terray TherapeuticsTxGemma:Google DeepMind、Googl…Uni-Mol2Uni-Mol3
模型:蛋白
AlphaProteoAMPLIFY:Mila、Polytechnique Mo…BindCraftBoltzGenChai-3:Chai DiscoveryClaude 蛋白设计研究DPLM-2:ByteDance Research、Nan…Dyno Psi-1 / Psi-PhiESM C:Evolutionary Scale、Chan…ESM3:Evolutionary Scale、Chan …EVOLVEproLa-Proteina:NVIDIALatent-X / X2:Latent LabsLucaOne:Alibaba Cloud、Sun Yat…Mosaic:Escalante BioPinal:Westlake UniversityPoET-2:OpenProtein.AIProfluent-E1:ProfluentProGen3:ProfluentProSST:Shanghai Jiao Tong Uni…Proteina-Complexa:NVIDIARFdiffusion2 / 3SaProt:Westlake University、We…SeedProteo:ByteDance SeedVenusREMxTrimoPGLM
模型:抗体
GerminalHCAbLM:Nona Biosciences、HBM H…IgGM / IgGM-FMJAM / JAM-2:Nabla BioOrigin-1:AbsciRFantibodytFold:Tencent AI for Life Sci…
模型:基因组/RNA
AlphaGenome:Google DeepMindAlphaMissense:Google DeepMindBioReasonBorzoi:Calico Life SciencesBulkFormerEvo 2:Arc Institute、NVIDIA、St…NTv3:InstaDeeppopEVE:Harvard Medical School…RIBOSPAN
模型:单细胞
AIDO Cell:GenBio AIC2S-ScaleCellFM:Sun Yat-sen University…Lingshu-CellscGPT / GeneformerscPRINT-2Stack:Arc InstituteSTATE:Arc InstituteTahoe-x1:Tahoe TherapeuticsTranscriptFormerX-Cell:Xaira TherapeuticsxTrimoSCPerturb / scFoundation
模型:分子生成
GenMol:NVIDIA
模型:文本与 agent
Biomni:Stanford University、Ph…Co-ScientistGPT-Rosalind:OpenAIIntern-SKosmos / Edison AnalysisMedGemma / Med-GeminiQuine:Microsoft ResearchRobin:FutureHouseSciReasonerTxAgent:Harvard Medical SchoolVERID:Google Research前沿通用大模型:Anthropic、OpenAI、Goog…

62 HeurekaBench

整理 2026-11-18 · 来源与可靠度标注见正文
本文目录
  1. 概况
  2. 协议拆分与读法
  3. 测什么、怎么测
  4. 当前排名
  5. 报告过的模型
  6. 局限与注意
  7. 新模型怎么用
  8. 来源
  9. 更正记录

单细胞科研 agent 评测:从已发表研究复现洞见,开放题与选择题各 50 道。智能体比较只在 Lite 子集(开放题 22、选择题 18),头部差距在误差内,不能排名。

bench-62 · 模型在做什么:多步分析与问答(agent) · 谁判对错:已有参考答案 · 文本与 agent · 2026-11 新收录 · 截至 2026-11-18

概况

字段 内容
名称 / 别名 HeurekaBench;别名:sc-HeurekaBench、sc-HeurekaBench-Lite
家族 否(Lite 是同一题集的子集,不构成家族。)
模型在做什么 多步分析与问答(agent)
谁判对错 已有参考答案(1 条协议,逐条见下)
领域 文本与 agent(次领域:单细胞)
发布方 EPFL(学术实验室)
首次发布 (依据:arXiv 2601.01678 v1)
其他里程碑 预印本 v1 (arXiv 2601.01678 v1)
最近更新 ,仅维护:仓库仅改 README 链接;论文 v2 为 2026-02-22,之后未见新报分或榜单。此为最近一次有出处的事件,不代表此后没有更新
下一次预期 无公告(维护方未公告新版本或新一轮评测的日期。)
规模 50 道开放题与 50 道选择题,来自 13 篇论文的 41 条洞见;Lite 子集 22/18 题。 明细:开放题数(sc-HeurekaBench) 50;选择题数(sc-HeurekaBench) 50;已验证洞见数(sc-HeurekaBench) 41;来源论文数(sc-HeurekaBench) 13;Lite 开放题 / 选择题(sc-HeurekaBench-Lite) 22 / 18
状态 ◐ 低频:论文发布后只有维护性提交
wet lab 更新 静态:不做新实验;真值是重新运行代码复现过的已发表结论。
需自补 wet lab 不需要
报告模型数 3 个计入(第三方 3)
当前排名 ≠ 不可比(见当前排名)
全站实体页 无(全站 /entities/ 体系中没有该 benchmark 的页面。)
截至 2026-11-18

协议拆分与读法

同一个 benchmark 名下常有多场规则不同的考试。下表把它拆成 1 条协议,逐条写明谁判对错、在用的模型和这个分数能回答什么。分类口径见怎么给 benchmark 分类。

协议 谁判对错 隔离 在用模型(已核实) 五维要点 能回答 不能回答
62a HeurekaBench 已有参考答案 — Biomni(三)、CellVoyager(三)、BixBench-Agent(三)、MedGemma/Med-Gemini(三)、前沿 LLM(三) 真值是人工复现过的论文洞见;题目经对抗过滤偏向两款模型,系统间比较只在十几到二十几题的小子集上。 能回答:在已复现的单细胞研究洞见上,智能体能否通过分析数据重新得出论文结论。 不能回答:几种智能体谁更好(子集太小,头部差距在误差内),也不代表做出新发现的能力。

在用模型括号内:榜 = 主办方榜单,自 = 开发方自报,三 = 第三方评测;只列已核实的配对。五维 = 真值可靠性、基线状况、指标效度、饱和度、泄漏风险;"未评估"表示该协议尚未完成五维评审。

测什么、怎么测

  • 任务:智能体分析单细胞 RNA-seq 数据,回答开放题或选择题,重新得出论文中的结论。
  • 真值:经代码复现验证的论文洞见(9 篇 Nature、4 篇 Cell)。
  • 主指标:开放题 1–5 分(LLM 评分)
  • 次指标:选择题准确率
  • 版本陷阱:智能体之间只在 Lite 子集比较,全集只用于规划器对比;两者分数不可混用。

当前排名

状态:≠ 不可比

  • 指标:开放题 1–5 分(GPT-4o 评分)
  • 评测集 / 口径:sc-HeurekaBench-Lite (22 OEQ / 18 MCQ) vs full set (50 / 50)
  • 快照日期:

排名行不显示分数:3 个口径,无统一排名

说明:无官方榜单;三个智能体只在小子集上比较,开放题与选择题第一名不同,差距在误差内。

不可比:下表按条目列出,不排名次。

模型 名次 数值 指标 评测集 / 口径 来源类型 日期 出处 说明
BixBench-Agent(非本站模型) — 不显示:头部差距落在误差内,且子集与指标不同,排名行不显示分数。 开放题 1–5 分(GPT-4o 评分) sc-HeurekaBench-Lite 第三方 出处 出题方运行;大数据集上崩溃,只比 Lite
Biomni (Claude-4-Sonnet planner) — 不显示:头部差距落在误差内,且子集与指标不同,排名行不显示分数。 开放题 1–5 分(GPT-4o 评分) sc-HeurekaBench-Lite 第三方 出处 出题方运行;全集上为 2.58
CellVoyager(非本站模型) — 不显示:头部差距落在误差内,且子集与指标不同,排名行不显示分数。 开放题 1–5 分(GPT-4o 评分) sc-HeurekaBench-Lite 第三方 出处 出题方运行;非本站模型

排名数据读取于 2026-11-18。分数原样照录,不换算、不跨 benchmark 比较。

报告过的模型

按关系类型分组;计数口径见配对矩阵。3 个计入(第三方 3)。

第三方评测(3)

  • Biomni:出题方 EPFL 运行,Lite 与全集都有(第三方,置信度高;出处)
  • MedGemma / Med-Gemini:MedGemma-27B 仅作 Biomni 内的规划器,非独立作答(第三方,置信度中;出处)
  • 前沿通用大模型:作为 Biomni 规划器及裸模型对照(Claude-4-Sonnet、GPT-4o)(第三方,置信度高;出处)

局限与注意

  1. 智能体比较只在 Lite 子集(开放题 22、选择题 18),头部差距在误差内,不能排名。
  2. 开放题由 GPT-4o 按 1–5 分评分,与专家相关性高但样本只有 25 个回答。
  3. 题目经对抗过滤删去了 Claude-4-Sonnet 能直接答对的选择题,而它正是被测规划器,难度分布有偏。
  4. 真值都是已发表结论,论文与数据公开,测的是复现而非新发现,后续模型可能见过结论。

新模型怎么用

从官方仓库获取题目与数据,智能体分析数据后作答;开放题用论文的 G-Eval 流程与 GPT-4o 评分。报告须写明全集还是 Lite、智能体框架、规划器模型、步数上限与评分器。可搭配 scIB 与 BixBench。

搭配:BixBench · scIB (+Open Problems) · BiomniBench / Biomni-Eval1

来源

  1. 原论文预印本(预印本)
  2. 论文 v2 全文(预印本)
  3. 官方仓库(仓库)

更正记录

无。

本文为个人研究笔记,结论基于成文时可获得的公开信息;带〔估算〕〔推断〕或⚠️的数字未经独立核实。