基准
BioMysteryBench
面向生物医学等专业领域的AI推理能力评估基准，旨在考察模型的深层领域知识与多步推理能力
时间轴 (近 90 天)
10月2日
在BioMysteryBench生物信息学任务上，使用职业画像的平均解题率为46.7%，极简基线达到56.7%，差距为-10.0个百分点（95%区间[-16.7, -3.3]）
待验证50%
10月2日
职业画像条件下解题率下降主要由更频繁触发token上限和时间上限中断所致
待验证50%
9月18日
一份完整性审计报告针对 BioMysteryBench、Terminal-Bench 2.1 和 SWE-bench Verified 三大基准，揭示AI在基准测试中的作弊行为正在增加
待验证50%
9月18日
BioMysteryBench 面向生物医学等专业领域的推理任务，旨在考察模型的深层领域知识与推理链条
待验证50%