Auto Research时代，AI Scientist的第一场药企实习考验
过去一年，AI Scientist从只会乖巧答题的大模型做题家，快速进化为自动化科研助手（Auto research）：它可以自己提假设、查文献、写代码、跑实验、分析结果，甚至连论文都帮你写好。但从demo到应用，AI scientist领域正面临一个亟待解答的问题：AI做科研的时代已来，但谁会为它的研究买单？
这一次，我们把这个问题放进最难的行业场景之一：生物医药。
xbench联合Phylo、Humanlaya Data Lab团队，汇聚斯坦福、哈佛、北大和头部药企的100位资深专家，耗时1000余小时，共同构建了全球首个面向真实生物医药研究场景的过程级评估框架——BiomniBench，并让AI从头到尾做一遍药企的真实数据分析（BiomniBench-DA）。
经过评估，这些“AI scientist实习生”的表现如下：
- 最强AI scientist实习生拿到73.34分（满分100），显著高于人类实习生40-50分的平均线。
- 除基础模型外，智能体框架（Agent Harness）对结果的影响也很大。同一个GPT-5.4，放在Codex CLI里68.69分，放在Terminus-2里只有55.19分。差了13.5分。
- AI scientist更快更省，单个任务平均用时4.9-25分钟、花0.92-4.58美元，而人类完成同样的任务通常需要数小时甚至数十小时。
- AI scientist也偏科，不同任务类型之间的表现差距显著。
AI scientist实习生到底被派去做什么？
在药企，搞研究可不是那么简单——
比如：给你一组免疫治疗患者的单细胞测序数据和临床信息，你要判断某个 biomarker（生物标志物）是否值得进入下一轮实验验证。这听起来并不复杂，但实际要面对的是：数据清洗、样本筛选、统计方法、多重检验校正、生物学解释…
每一步都可能出错。
而“在生物学里，一个看似正确的结论可能建立在完全错误的分析过程之上——而等你发现的时候，药已经做失败了。”这句来自药企一线科学家的提示，为我们指向了一个关键问题：评价一个AI Scientist是否能胜任药企的工作，不能只看结果，还需要关注整个过程。
真实情况：跑通了不等于做对了
过去一段时间，AI Scientist领域出现了大量Benchmark，他们试图帮助我们衡量模型是否知道某篇论文、某种方法、某个基因，以及能否在知识问答中给出正确答案。
但这些benchmark几乎都只在评答案对不对。
xbench本次推出BiomniBench，旨在从根本上扭转当下benchmark的不足，不仅关注任务的结果，更关注测试是「模型会不会真的做研究」，从数据清洗、到方法选择、到统计检验、到生物学解释，每一步都测。达到了Agent测试的更深一步：process-level evaluation，过程级评测。
首个考核任务-生物医药数据分析
我们聚焦AI scientist在生物医学研究中最常见、也最贴近真实研发流程的使用场景——数据分析任务，推出首个落地评测模块：BiomniBench-DA。
这套Benchmark共100道题目，结合Nature、Cell、Science等高影响力论文的公开数据，由原论文作者或拥有5年以上行业经验的专家联合出题，把真实工作中常见的干扰因素和决策逻辑融入每一道题中，全面覆盖生物医药研究的5大疾病领域，和17类核心分析任务。
在测试的过程中，AI答题需要给出完整分析轨迹，包括：读了什么数据，做了哪些清洗，为什么选某个方法，统计结果怎么样，怎么解释。然后LLM裁判按专家写好的评分标准（Rubric），从六个维度打分：数据处理、方法选择、统计严谨性、生物学解释、科学推理、来源可靠性。
当然，评分标准允许多条合理路径。很多生物学问题没有唯一答案，关键在于论证清晰、有据可循。Agent不会因选择了与示例分析路径不同，但同样正确的方法而被扣分。
5大疾病领域×17类任务、例题
AI Scientist的药企实习结果
Insight 1 谁是最强AI scientist实习生
最强配置是Claude Code + Opus 4.7，73.34分。排在后面的是Claude Code+Opus 4.6，69.83分。第三名Codex CLI+GPT-5.4，68.69分。前三名里两个是Claude Code的配置。
作为参照，我们邀请了几位人类实习生在限定时间内作答部分题目，其平均得分在40-50分之间。这意味着最强的AI scientist实习生表现已经超越了人类实习生平均水平。
Insight 2 Agent Harness对结果的影响与基础模型一样重要
在药企数据分析这个场景下，Agent Harness与模型能力对结果提升同等重要。在固定基础模型的情况下，更换Agent Harness会显著改变得分。最明显的案例是GPT-5.4：
- 在Codex CLI 下得分为 68.69；
- 而在Terminus-2下仅为55.19。
这13.5分的差距完全归因于Agent Harness。
Terminus-2 Agent Harness下9个基础模型的表现
Insight 3 AI Scientist更快更省
AI scientist单个任务平均用时4.9-25分钟，花0.92到4.58美元；而人类完成同样的任务通常需要数小时甚至数十小时。在速度和成本上，AI展现出一贯的优势。
对药企来说，这个进步还是很有价值的：大量探索性分析可以前置、并行化，然后丢给AI，早期试错成本大幅降低。
贵的不一定好，但好的确实贵
Insight 4 AI Scientist也“偏科”
AI scientist在不同任务类型之间的表现差距显著。细胞组成分析最高分拿到 91分，突变分析88分。边界清晰的任务是AI的专长。而GWAS-eQTL分析只有 45分，通路富集64分。需要判断统计方法、理解生物学上下文、和重科学推理的任务，AI就稍显乏力了。
可见AI擅长计算，但对结果的生物学意义和科学深度理解还比较有限。短期内「AI算+人类解释」可能是最安全的协作模式。
写在最后
过去的benchmark像一场考试，给题、给答案、判对错。而Auto Research 需要的是上岗评测，给数据、给目标、看过程、看结果、看风险。问题的关键不再是“这个模型准不准”，而是“这条分析链条，科学家敢不敢信”。
所以，xbench推出BiomniBench的真正意义，不在于给生物医药AI Scientist 排一个名次，而希望回答一个更大的问题：当AI Scientist试图端到端地自动化科研流程时，我们该如何判断它是否在真的做研究？
AI Scientist的进步，来自基础模型、Agent Harness、行业知识，以及AI研究者与领域专家共同构建的Verification Loop。对AI研究者而言，我们希望为大家打开真实的药企场景视野，了解真实任务中的难点。对生物医药从业者来说，我们也希望提供一个更贴近真实部署、并能客观了解AI现阶段能力的视角。我们相信，当过程被看见、当推理被验证、当每一环都可追溯，AI与科学家之间的信任，才真正开始建立。
所以，实习结束。
如果是这样一位AI Scientist实习生，你会让它转正吗？
本次测评主要聚焦数据分析任务（Data Analysis），生物医药行业拥有极其多元的角色与职能，本次测评结果不代表所有岗位的情况。未来我们将延续这套过程级评测框架，推出覆盖更多行业场景的benchmark。欢迎行业专家、AI researcher联系合作。
本次BiomniBench-DA仅评估了部分模型与Harness组合。未来我们将覆盖更多模型及AI Scientist专业产品。同时，我们将开源部分题目供内部测试使用。如您对产品在全部100道题上的评测结果感兴趣，欢迎联系我们。
我们的联系方式：team@xbench.org
Paper
https://www.biorxiv.org/content/10.64898/2026.05.12.724604v1
Huggingface
https://huggingface.co/datasets/phylobio/BiomniBench-DA
【作者介绍】
xbench是红杉中国推出的一款全新的AI基准测试工具。xbench采用双轨评估体系，构建多维度测评数据集，旨在同时追踪模型的理论能力上限与Agent的实际落地价值。并采用长青评估的机制，通过持续维护并动态更新测试内容，以确保时效性和相关性。
Phylo源自开源项目Biomni，由斯坦福科学家团队于2025年创立，是一家专注于生物医学智能体的应用研究实验室。2026年2月，Phylo 正式推出Biomni Lab——新一代集成生物学环境，致力于让每一位生物医学科学家都能借助AI Agent加速科学发现。
Humanlaya AI是一家成立于2025年的AI数据实验室，通过定义真实、高经济价值的可验证任务，推动大模型能力边界的拓展与经济价值的落地。