BioPhys-Bridge
面向生物物理文献的跨学科科学推理评测基准，以证据为基础，评估模型在多步骤推理中的归因能力、忠实性和幻觉抑制，支持问答（QA）与检索增强生成（RAG）两类任务
时间轴 (近 90 天)
BioPhys-Bridge 是一个面向生物物理文献、以证据为基础的科学推理评测基准
BioPhys-Bridge 将每个案例拆解成一系列结构化的接地目标，包括证据块、证据ID、定量数值、单位、公式、前提假设、生物学机制和下一步决策方向
BioPhys-Bridge 能够同时支撑问答（QA）与检索增强生成（RAG）两类任务
BioPhys-Bridge 首个发布版本包含 500 个案例、1517 个面向智能体的任务，覆盖六大生物学领域和九个物理模型家族
九个物理模型家族中有三个属于稀疏类别，被保留用于未来扩展
BioPhys-Bridge 的 RAG 任务要求模型从证据块库中精确定位支撑答案的具体段落或数值，错误的证据ID即使答案正确也判定为失败
BioPhys-Bridge 设置了多道质量门槛，包括Schema规范、证据完整性、定量接地、来源许可、去重和单位归一化
研究团队邀请领域专家对 BioPhys-Bridge 其中 81 个案例进行了人工审查与标注
在 BioPhys-Bridge 评测中，DeepSeek-V4-Flash 以证据ID的F1分数 0.360 取得最高分
在 BioPhys-Bridge 评测中，Qwen3.7-Max 的证据ID F1分数为 0.316
还有 3 条时间轴事件
全部知识事实 (13)
即便是表现最好的模型，其证据ID的F1也仅有0.36左右，反映现有大模型在精确定位证据的跨学科推理任务上仍有较大提升空间
70%待验证BioPhys-Bridge 将每个案例拆解成一系列结构化的接地目标，包括证据块、证据ID、定量数值、单位、公式、前提假设、生物学机制和下一步决策方向
50%待验证BioPhys-Bridge 能够同时支撑问答（QA）与检索增强生成（RAG）两类任务
50%待验证九个物理模型家族中有三个属于稀疏类别，被保留用于未来扩展
50%待验证BioPhys-Bridge 的 RAG 任务要求模型从证据块库中精确定位支撑答案的具体段落或数值，错误的证据ID即使答案正确也判定为失败
50%待验证BioPhys-Bridge 设置了多道质量门槛，包括Schema规范、证据完整性、定量接地、来源许可、去重和单位归一化
50%待验证研究团队邀请领域专家对 BioPhys-Bridge 其中 81 个案例进行了人工审查与标注
50%待验证在 BioPhys-Bridge 评测中，DeepSeek-V4-Flash 以证据ID的F1分数 0.360 取得最高分
50%待验证在 BioPhys-Bridge 评测中，Qwen3.7-Max 的证据ID F1分数为 0.316
50%待验证BioPhys-Bridge 是一个面向生物物理文献、以证据为基础的科学推理评测基准
50%待验证BioPhys-Bridge 强调归因、忠实性、幻觉抑制以及生物实验设计等能力的评估
50%待验证BioPhys-Bridge 的相关代码与数据已在 GitHub 仓库和 Hugging Face 上公开
50%待验证BioPhys-Bridge 首个发布版本包含 500 个案例、1517 个面向智能体的任务，覆盖六大生物学领域和九个物理模型家族
50%