研究者发布BenchBench-Cloning分子克隆评测基准

研究者在arXiv发布BenchBench-Cloning基准，用于评估大语言模型的分子克隆设计与实验方案开发能力，共65项任务：50项方案开发任务和15项构建体设计任务，任务基于序列记录、实验记录本和已发表的实验研究构建。 两类任务的评估方式不同：方案开发任务通过在克隆模拟器中执行来评估；构建体设计任务用任务专属的确定性检查评估，必要时辅以基于量规的LLM-as-a-judge评估。 作者对八个系统进行多次尝试的测试结果显示，GPT-6 Astra得分最高，为30.6%；据作者称，即使采用十次取最佳（best-of-ten）采样，该基准仍未饱和。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。