RESEARCH

今天 Anthropic 放出了一項評估數據，對于新的生物信息學評測集 BioMysteryBench：

人類能搞定的，Claude 也能搞定；在人類搞不定的，Mythos 也能搞定

哎...人類一敗涂地

評估生物有三難

科學沒有標準化考試這一說，AI 在科研上的能力也很難像 SWE-bench 評估編程那樣有一套被業界公認的 benchmark。原文給出三個具體的難點

其一，是同一個生物問題往往有很多種合理解法

原文用二甲雙胍舉例：要研究為什么有的二型糖尿病人吃二甲雙胍有效、有的沒效，可以做全基因組關聯（GWAS）找遺傳變異，也可以做腸道菌群測序找代謝通路。兩條路都對，選哪條往往只取決于實驗室手頭的資源和研究者的口味

其二，單個研究決定本身就是主觀的

對于生物數據來說，它的噪聲又足夠大，決定上的微小差異會得出截然相反的結論。還是二甲雙胍，2011 年一篇論文報告了一個能預測藥效的遺傳變異，2012 年糖尿病預防項目重做了一遍，結論變成「沒有」，同年另一項 meta 分析把五個隊列匯總，結論又改成「有但比 2011 年那篇報得弱」

其三，...很多生物問題人類自己也回答不出

這又有什么辦法呢？攤手

二甲雙胍這個藥 1957 年就上市了，主要作用機制至今沒定論

而恰恰是這類「人類還沒解開」的問題，最值得測 AI 能不能解

測試題怎么出

為了保證測試的「非主觀」，測試數據本身是要有的客觀結論的

舉個例子，領域專家提交的一個評估題，其答案必須能從數據的可控屬性反推出來，而不是依賴經驗判斷。比如「這個晶體結構屬于哪個物種」就有客觀答案；「這個 RNA-seq 樣本的人類患者感染了什么病毒」也能用一套獨立的 PCR 實驗做交叉驗證

每道題在收錄前還要附一個 validation notebook，作者必須能從原始數據復現答案，證明信號在數據里確實存在。原文用了一個高中代數的類比：驗證一個答案比從零推導一個答案容易得多

測試時，Claude 被放在一個容器里，能用 pip 和 conda 裝額外工具，能訪問 NCBI、Ensembl 這類生信數據庫下載參考基因組，但解題路徑完全自由。評分只看最終答案對不對，不看走的是哪條路

題目主要來自 DNA/RNA 測序的原始數據，覆蓋 WGS（全基因組測序）、scRNA-seq（單細胞 RNA 測序）、甲基化、ChIP-seq、宏基因組、Hi-C，外加一部分蛋白組學和代謝組學

例題里藏什么

原文給出五道樣題，靠猜走不通（我甚至完全看不懂hhhh）

→ 這套單細胞 RNA-seq 數據采自人體的哪個器官

→ 實驗組相對對照組，敲掉的是哪個基因，從 RNA-seq 數據反推

→ 給一組全基因組測序樣本，找出樣本 X 的母親樣本和父親樣本

→ 幾個 bigWig 文件里，哪些是 ChIP 實驗、哪些是 input 對照

→ 給一組 H3K27ac ChIP-seq 峰，反推這是什么細胞類型

每道題人類專家組（最多 5 人）獨立答一遍。只要至少有一個專家答對，這道題就歸入「人類可解」類別。最后 99 道里有 76 道是人類可解，剩下 23 道全員翻車（另有 4 道因為題目本身有問題被剔除）

能解的題已經追平

人類可解的 76 道，每個 Claude 模型獨立做 5 次，取平均。結果是從 Haiku 4.5 的 36.8%，到 Sonnet 4.6 的 71.8%，再到 Opus 4.6 的 77.4%、Opus 4.7 的 78.9%，Mythos 拿到 82.6%

BioMysteryBench 人類可解題（76 道），五代 Claude 模型平均準確率，Mythos 82.6% 最高

在解題的過程中，還發現了一些有趣的策略，原文給了兩個對照組

第一組里，Claude 的解法和人類專家幾乎一模一樣

原文的解釋是，要么人類專家本身就找到了接近最優的方法，要么這種方法在預訓練數據里被反復見過

Claude 跟人類專家走同一條路徑的兩個案例之一

同一組的第二個案例

第二組里，Claude 走了完全不同的路

人類專家用算法或數據庫去注釋樣本屬性，Claude 直接看一眼數據，靠模式識別認出來這是什么序列

Claude 走完全不同路徑的兩個案例之一，靠模式識別直接讀出序列特征

同一組的第二個案例

原文用了一個歷史類比：第一個真核生物啟動子被發現，是因為某位科學家注意到「TATA」這個序列在基因上游反復出現。這種憑直覺抓特征的能力，在傳統機器學習模型上很難訓練出來。語言模型有可能在更大尺度上做這件事

解不出的題被破了

剩下 23 道題，是 5 位專家全部答錯或放棄的

人類難題（23 道）的模型準確率，Mythos 29.6%，Opus 4.7 27.0%，Sonnet 4.6 19.1%

Claude Sonnet 4.6 之后的模型，能解出這一組里相當一部分。Sonnet 4.6 拿 19.1%、Opus 4.6 拿 23.5%、Opus 4.7 拿 27.0%，Claude Mythos 解題率最高，達到 29.6%

Claude 靠什么破題

Brianna 團隊從 Opus 4.6 的 transcript 里識別出兩套主要解法

第一套是直接調內部知識庫。一道題如果讓人類專家做，可能要去做一次 meta 分析，把幾篇論文、幾個數據庫手動拼起來。Opus 直接從內部知識里調出機制和本體（ontology），再結合實時分析，一步到位。原文給了三個具體例子，都屬于這一類

Claude 直接調內部知識解人類專家解不出的題，第一例

第二例

第三例

但內部知識也有反噬的時候。原文專門給了一道反例：在「人類可解」組里有一道題，Opus 因為先驗知識太強，反而做錯了答案

唯一一道反例：Claude 因先驗知識過強反而做錯

第二套是不確定時多方法收斂。Opus 4.6 在不確定的題上會同時跑多種解法，最后選多種方法都指向同一個答案的那個。原文給了三個例子。這種打法不算 AI 獨有，人類科研里也用，但 Opus 在題目難度上去之后會更頻繁地切到這種模式

不確定時多方法收斂，第一例

第二例

第三例

準做對還是蒙對

Brianna 團隊讓 Mythos 自己分析了一遍數據。Mythos 提出的問題是：每道題做 5 次，5 次全對和 5 次只對 1 次，意義完全不同。前者是穩定能力，后者多半是僥幸路徑碰巧走通

Fig 3：每道題做 5 次，按解對次數分布。左：人類可解題；右：人類難題

Mythos 給出的具體分布是這樣：

→ 在人類可解題上，Opus 4.6 解出來的題，86% 是 5 次中至少 4 次都對（穩定）

→ 同樣是 Opus 4.6，在人類難題上這個比例掉到 44%；只 1 到 2 次對的脆弱路徑占比從 9% 漲到 44%

→ Sonnet 4.6 的退化更明顯：穩定 75% 掉到 22%，脆弱 9% 漲到 56%

→ Opus 4.7 和 Mythos 把前沿往前推了一點，Mythos 在人類可解題上 94% 的勝場是穩定的

原文坦承，所謂 23 道人類難題里 Mythos 拿下的近 30%，相當一部分屬于這種脆弱路徑。準確率數字往下走的那一截真實存在，但下面那一層「可靠性差距」是更值得看的故事

Brianna 評價 Mythos 這次自我分析「站得住腳，但稍顯平淡」，補了細節，沒提出真正新的科學問題。她認為模型已經在長出研究品味（research taste）的種子，但離自己提出深刻洞見還有距離

另一家測，結論一致

在 Report 定稿前幾天，Genentech 和 Roche 聯合發布了 CompBioBench，100 道計算生物學題，設計原則和 BioMysteryBench 高度類似：合成數據加元數據擾動構造客觀答案、需要多步推理、需要工具調用、需要寫代碼

CompBioBench 上 Claude Opus 4.6 的整體準確率 81%，最難子集 69%。兩個獨立 benchmark，結論指向同一件事：前沿模型在生信任務上已經從「能用」過渡到「真的有用」

BioMysteryBench 的預覽版數據集已經放在 Hugging Face 上，感興趣的可以自己看看

參考材料：

→ 原文：anthropic.com/research/Evaluating-Claude-For-Bioinformatics-With-BioMysteryBench

→ 數據集：huggingface.co/datasets/Anthropic/BioMysteryBench-preview

→ CompBioBench 論文：biorxiv.org/content/10.64898/2026.04.06.716850v1

→ 生命科學落地：claude.com/lifesciences

→ 投稿郵箱：scienceblog@anthropic.com