该基准包含 116 个任务、4207 个湿实验,覆盖化学、材料科学、生物和医学,基准顾问与湿实验合作成员来自斯坦福、康奈尔、哈佛等高校以及业内前沿科研机构和生物技术公司。现有基准无法完全覆盖,比如 BrainBench 让模型直接判断实验结果,ScienceAgentBench 侧重在已有数据上完成分析,Terminal-Bench 4.0 和 Long-Horizon-TB 这类长程任务基准则主要用预设测试检查任务产物。新基准更强调把 AI 自主研究过程与湿实验结果预测放在一起考,既涉及预测效果,也考验科学工具使用和长程任务执行的能力。

