2026-08-24
斯坦福通用生物医学 Agent Biomni 从 25 个领域文献挖出 150 个工具和 59 个数据库，10 类共 443 题平均准确率 57%，并写出经湿实验验证的克隆方案。
生物医学研究被拆碎了。GWAS 要换数据库，单细胞要换 scanpy，克隆要翻协议。每个子领域都冒出过 specialist agent，换一道题往往就要换一套系统。
斯坦福计算机系 Kexin Huang、Jure Leskovec 等人要做的是一个通用生物医学 Agent：用自然语言丢进问题，系统自己选工具、写代码、跑分析、给出可执行方案。Science 2026 年 8 月 20 日发表，题目是 Autonomous biomedical research with an artificial intelligence agent。同一工作 2025 年 6 月先以 bioRxiv 预印本放出，Science 版本补了蛋白热稳定性、液体处理机器人和强化学习训练。Science 正刊 PDF 被站点防火墙拦住，方法与早期实验数字来自预印本全文，正刊主数字来自期刊自己的 RESULTS 栏。
两块：环境 Biomni-E1，智能体 Biomni-A1。
环境怎么来的。bioRxiv 25 个学科各取 100 篇近年论文，共 2500 篇。一个 action-discovery agent 读论文，抽出复现这项研究需要的任务、工具、数据库和软件。人类专家再筛：几行代码就能写出来的，不做成专用工具；留下来的必须带着能跑通的测试用例。最终装进环境的是 150 个专用生物医学工具、105 个软件包、59 个数据库。数据库分两类。有 Web API 的，比如 PDB、Open Targets、ClinVar，做成「自然语言进、LLM 写查询」的统一接口；没有 API 的下载进 data lake，预处理成 pandas DataFrame。运行时支持 Python、R 和 Bash。
智能体怎么跑。先用另一个 LLM 做检索，从庞大工具库里只捞出当前问题相关的一小撮，避免把整个环境塞进上下文。然后生成分步计划。执行层用 CodeAct：每一步写成可运行代码，跑完看观察，再改计划。循环、条件判断、跨工具拼装都靠代码，不靠预先写死的函数调用模板。Science 版本还加了 Biomni-R0：让开源模型在 E1 里与工具和任务交互，用专家标注的奖励做强化学习，专门抬任务规划和工具使用。
Science 结构化摘要给出的主数字：10 类生物医学任务、443 道题，平均准确率 57%，高于同基准上其他 agent 系统；三项专家级任务准确率与专科研究者持平，耗时只是对方的一小部分。对正刊的详细报道把对照补全：底座 LLM 约 30%，装了同一套工具的生物信息 agent 约 44%。罕见病诊断大约 3 分钟对专家 110 分钟以上，GWAS 因果基因大约 4 分钟对 90 分钟。
预印本把基准拆得更细。LAB-Bench 数据库问答（DbQA）Biomni 74.4%，人类专家 74.7%，只会写代码的 ReAct+Code 是 40.8%。序列问答（SeqQA）Biomni 81.9%，人类 78.8%。Humanity's Last Exam 生物医学子集 52 题，Biomni 17.3%，底座 LLM 6.0%，编码 agent 12.8%，文献 agent 12.2%。八项开发阶段没见过的真实任务上，相对底座 LLM 平均相对提升 402.3%，相对编码 agent 43.0%，相对把代码规划换成 ReAct 的消融版 20.4%。这八项覆盖变异优先级、GWAS 因果基因、CRISPR 筛选设计、罕见病诊断、药物重定位、单细胞注释、微生物组关联和患者基因优先级。轨迹上看，每道题大约走 6 到 24 步。
| 设置 | 指标 | Biomni | 对照 |
| Biomni-Eval1（Science，10 类 443 题） | 平均准确率 | 57% | 底座 LLM 约 30%；同工具编码 agent 约 44% |
| LAB-Bench DbQA（预印本 315 题子集） | 准确率 | 74.4% | 人类 74.7%；ReAct+Code 40.8% |
| LAB-Bench SeqQA | 准确率 | 81.9% | 人类 78.8% |
| HLE-Bio 52 题 | 准确率 | 17.3% | 底座 LLM 6.0% |
| Biomni-R0-8B（强化学习后） | 平均任务分 | 0.59 | 训练前 0.32；Claude 4 Sonnet 0.56 |
| Biomni-R0-32B | 平均任务分 | 0.67 | 8B 为 0.59 |
案例更接近实验室。458 份可穿戴文件、30 人的持续血糖和体温，Agent 自己拼出 10 步流水线，报告餐后体温平均升 2.19°C，中位 1.10°C。约 33.6 万个胚胎骨骼细胞核的 snRNA 加 snATAC，跑完基因调控网络大约五小时，既复现 RUNX2 等已知成骨轴，也标出 AUTS2、ZFHX3、PBX1 这几个在骨骼谱系里活性偏高的转录因子。克隆开放题盲评接近斯坦福遗传学博士后、高于硕士trainee；按它给出的 B2M sgRNA 插入 lentiCRISPR v2 Blast 方案做湿实验，第二天长出菌落，两株测序都对。Science 版本另有两条。只给蛋白序列和「提高热稳定性」目标，系统拼 AlphaFold-2 和 ThermoMPNN 出候选突变；自然语言实验需求转成 Hamilton STAR 液体处理机器人可执行代码。强化学习侧，8B 开源模型平均任务分从 0.32 升到 0.59，超过 Claude 4 Sonnet 的 0.56；32B 到 0.67。
给从业者的信号很具体：值钱的是动作空间，不是某个底座模型。同一套 E1 加 A1 换不同前沿 LLM，准确率还能再抬 6 到 12 个百分点。代码开源，网站可试用。适合已经有数据、缺的是「谁来把工具串起来」的实验室。不适合把输出直接当成诊断结论。
57% 不是自主做完科研。它更接近一个极快的第一轮分析员，轨迹可追溯，结果必须人看。
作者自己写了几条。评测只覆盖生物医学的一部分；action discovery 偏近年文献，可能漏掉已经不时髦但还好用的老方法；数据库查询、序列分析、分子克隆接近人类，临床判断、新实验推理、深层生物学综合还不行；复杂多组学流程仍要较结构化的提示。生命科学 Agent 能写实验方案，生物安全边界也要单独设。
读下来还有几处站不稳。LAB-Bench 只用了全集的 12.5%，理由是 API 成本。预印本克隆题目前文写 10 题、方法写 20 题，数字对不上。可穿戴结果写 458 个文件，方法写 485。Science 正刊有付费墙，蛋白稳定性、机器人和 R0 的细节以摘要与同期报道为准，图表里的逐任务分数没有从正刊 PDF 逐格核对。HLE 17.3% 仍然很低，开放式生物医学推理远没打穿。