TxBench 前临床药理榜:Opus 5 摘冠,Gemini 4 Argon 抗体评测第四
kenbwork · x · 2026-10-23
benchmarks.bio 发布 TxBench 系列生物医学 agent 评测结果:
- TxBench-Preclinical-Pharmacology(100 项基于真实实验数据的任务,以能否复现原始分析结论为通过标准):Claude Opus 5(Claude Code harness)以 68.7% 排第一,Gemini 3.8 Flash(Pi)66.0% 第二,Grok 4.6 64.7% 第三。
- 发帖人补充:Gemini 4 Argon 在抗体评测中排第 4(63.0%),前临床药理排第 3(64.7%)。
- 该基准强调分数按「模型+harness」组合报告,因为 harness 对分数影响很大;各基准之间分数不可横向比较。
这是把模型当作药物研发分析 agent 来考的确定性评测,可看作 AI for Science 方向的能力参考。
所属事件:Gemini 4 Argon 在 TxBench 生物医药评测中表现强劲(2 条相关)→
「模型」频道最新
- Gemini 4 Argon 曝光：Agent 模式自动测试 App,还「统治幽默基准」 — andrew_n_carr · 2026-10-23
- Gemini 4 拒答明显更宽松，敏感度低于多数模型 — haider1 · 2026-10-23
- SemiAnalysis 算账：OpenAI 200 美元订阅每美元 token 腰斩，Anthropic 值 5 倍以上 — RexDouglass · 2026-10-23
- 谷歌云发布 PLE 基准:物理工程考题全部前沿模型得分不足 50% — Afinetheorem · 2026-10-23
- LLM 版权护栏现漏洞：拒绝抓取网页全书，却肯打包 ZIP 下载 — burkov · 2026-10-23
- 港科大溯源发现:「Wait」标记继承自训练数据而非 RL 发明 — huawei-noah · 2026-10-23