63 scBench
给 agent 真实单细胞测序数据快照,用确定性判分器检验每一步分析结果。现行 V1(195 题)与论文版(394 题)题集不同,分数不能混用,也不能连起来看进步。
bench-63 · 模型在做什么:多步分析与问答(agent) · 谁判对错:已有参考答案 · 单细胞 · 2026-11 新收录 · 截至 2026-11-18
概况
| 字段 | 内容 |
|---|---|
| 名称 / 别名 | scBench;全称:单细胞 RNA-seq 分析 agent 评测(scBench);别名:SingleCellBench、scBench V1 |
| 家族 | 否(论文版(394 题)与现行 V1(195 题)是同一基准的两个版本,按版本记录,不作家族。) |
| 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 | 单细胞(次领域:文本与 agent) |
| 发布方 | LatchBio(平台公司) |
| 首次发布 | (依据:论文预印本 arXiv 2602.09063 v1;仓库创建日更早,但创建不等于公开发布。) |
| 其他里程碑 | 预印本 v1 (论文预印本 arXiv 2602.09063 v1) |
| 最近更新 | ,榜单条目:现行 V1 榜单数据更新,共 42 个模型加外壳配置;官方仓库 2026-11-16 起改为指向该榜单。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(组织方未公告新一版或新一轮评测。) |
| 规模 | 现行 V1:195 题、6 个测序平台、6 类任务;论文版 394 题、7 类任务,两版分数不可混用。 明细:题目数(V1 (current)) 195;测序平台(V1 (current)) 6;任务类别(V1 (current)) 6;榜单配置数(V1 board, 2026-11-17) 42;公开示例题(V1 (current)) 6;题目数(paper (arXiv v1)) 394;任务类别(paper (arXiv v1)) 7;被测模型(paper (arXiv v1)) 8;公开示例题(paper (arXiv v1)) 30 |
| 状态 | ● 活跃:活跃;现行 V1 榜单在 2026-11 仍在更新 |
| wet lab 更新 | 静态:无实验;真值由已发表数据集按既定参数重算,不新增实验数据。 |
| 需自补 wet lab | 不需要 |
| 报告模型数 | 1 个计入(榜 1) |
| 当前排名 | ▣ 榜单(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 |
|---|---|---|---|---|---|---|
| 63a scBench(Latch) | 已有参考答案 | — | 暂无已核实的模型 | 完整题集不公开、答案按特定参数重算,泄漏风险低;但平台之间的差异比模型之间还大,题集已更换过。 | 能回答:在 6 个测序平台的单细胞分析单步任务上,各「模型+外壳」能否得到落在容差内的结果。 | 不能回答:头部相差一两个百分点的模型谁更强,也不代表完整长流程分析;论文版与 V1 版分数不能混用。 |
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:agent 在真实单细胞数据快照上写代码,完成质控、归一化、降维、聚类、细胞注释或差异表达中的一步,并输出结构化结果。
- 真值:按作者参数从原始数据重跑已发表流程得到的数值或标签,附容差。
- 主指标:通过率(确定性判分)
- 次指标:按平台与任务类别的分项通过率;论文版:3 次重复均值与 95% 置信区间
- 版本陷阱:须写明论文版(394 题、3 次重复、统一外壳)还是现行 V1(195 题、模型加外壳配置);两版不可比,LSVP 变体须单列。
当前排名
状态:▣ 榜单
- 指标:通过率(现行 V1,模型加外壳配置,确定性判分)
- 评测集 / 口径:scBench V1 (195 evaluations), benchmarks.bio board
- 快照日期:
- 榜单页面
当前第一:GPT-6 Astra (Pi harness),63.9%(通过率(现行 V1,模型加外壳配置,确定性判分);scBench V1 (195 evaluations), benchmarks.bio board;榜单;)
说明:前 10 名在 59.8%–63.9% 之间,分差接近 195 题的抽样误差;外壳与安全过滤变体会改变名次。分数只对 V1 有效。
| 模型 | 名次 | 数值 | 指标 | 评测集 / 口径 | 来源类型 | 日期 | 出处 | 说明 |
|---|---|---|---|---|---|---|---|---|
| GPT-6 Astra (Pi harness) | 1 | 63.9% | 通过率(现行 V1,模型加外壳配置,确定性判分) | scBench V1 (195 evaluations), benchmarks.bio board | 榜单 | 出处 | 榜单第一名 | |
| GPT-6.1 Sol (Codex harness) | 2 | 63.6% | 通过率(现行 V1,模型加外壳配置,确定性判分) | scBench V1 (195 evaluations), benchmarks.bio board | 榜单 | 出处 | — | |
| GPT-6 Astra (Codex harness) | 3 | 63.4% | 通过率(现行 V1,模型加外壳配置,确定性判分) | scBench V1 (195 evaluations), benchmarks.bio board | 榜单 | 出处 | 同一模型换外壳只差 0.5 个百分点 | |
| Claude Opus 5.5 (Pi harness, LSVP) | 5 | 61.9% | 通过率(现行 V1,模型加外壳配置,确定性判分) | scBench V1 (195 evaluations), benchmarks.bio board | 榜单 | 出处 | LSVP 为免安全过滤的评测变体;同模型标准运行为 55.4%(Pi) | |
| Claude Opus 4.6 (mini-SWE-agent) | — | 52.8% (95% CI 48.3–57.2) | 通过率(论文版,3 次重复均值) | scBench paper version (394 evaluations, 3 replicates) | 第三方 | 出处 | 论文版第一,由基准开发方运行;题集不同,不与 V1 同列比较 |
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。1 个计入(榜 1)。
官方参赛 / 官方榜单(1)
局限与注意
- 现行 V1(195 题)与论文版(394 题)题集不同,分数不能混用,也不能连起来看进步。
- 头部配置相差 1–3 个百分点,落在 195 题的抽样误差内(通过率约 0.6 时标准误约 3.5 个百分点)。
- 外壳与安全过滤变体影响明显:同一模型的 LSVP 变体比标准运行高约 5–6 个百分点;论文中冷门平台准确率可低 40 个百分点以上。
- 每题是一步分析的快照,含选择题,不覆盖长流程中的误差累积。
- 完整题集不公开,只能经官方榜单比较;榜单页未说明运营方与基准开发方的关系。
新模型怎么用
用官方仓库的判分器与示例题熟悉格式;完整题集不公开,成绩以官方榜单为准。报告须写明版本(V1 或论文版)、模型与外壳、是否为 LSVP 变体、重复次数,并按平台与任务类别分项。不需自补湿实验。可搭配 scIB 与 BixBench。
搭配:scIB (+Open Problems) · BixBench · BioMysteryBench · 虚拟细胞挑战赛与扰动预测评测
来源
- 原论文(预印本)
- 官方仓库(判分器、示例题与历史结果)(仓库)
- 现行 V1 官方榜单(榜单)
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。