ScreenBench:湿实验室数据藏错,AI agent 最高仅得 0.49 分
danielmckinn0n · x · 2026-10-30
Gamow Labs 发布 ScreenBench，测试 AI agent 能否发现湿实验室筛选数据中的隐藏错误。计算出身的人常忽视湿实验中会累积的真实错误：板子装反了没？液体工作站真的加样了吗？这类 QC 对高质量生物数据至关重要，但对人类来说极其枯燥。
基准设计
- 基于 182 个真实细胞活性筛选板与加样记录构建，每条数据人为埋入 1-3 处未告知的错误
- 任务是给出常规的化合物活性/身份/位置答案，但答对必须先发现并纠正错误
- 共 7 类错误：读板旋转 180°、行/列交换、孔位顺序错乱等；「边缘效应」作为不影响答案的干扰项
结果
- Gemini 4 Argon 得分 0.49，Opus 5.5 紧随 0.47，GPT 6.1 Sol 仅 0.12
- 若任务说明列出可能的错误类型，三个 agent 全部升到 0.94-0.96
- 各模型盲区不同：source-exchange 错误 Gemini 对 94%、Opus 仅 40%；旋转板则相反（Opus 97%、Gemini 77%）；行交换与孔位顺序错误三家全部漏过
团队希望实验室能针对这类任务做优化，并欢迎合作以减少高通量生物实验中的错误。
「漫话AGI」频道最新
- 预测：实验室靠 RSI 持续降价，小模型提供商将被成本碾压 — rickasaurus · 2026-10-30
- AI 包办写作时代，简洁清晰的文字反成稀缺护城河 — Saboo_Shubham_ · 2026-10-30
- Dan Wang:伦敦已是后AGI城市，不功能但会好玩 — herbiebradley · 2026-10-30
- AI 冲击数学界:哲学家提「清单模型 vs 生成式相遇」,数学进步将迎黄金时代还是终结 — Dr_Atoosa · 2026-10-30
- 4 人团队借 AI Agent 月发 7.7 万次变更,工程师差异化生存指南 — yoobinray · 2026-10-30
- Ben Horowitz 撰文：持续学习是下一场技术革命 — brianryhuang · 2026-10-30