EDB-Bio 基准测试语言模型科学证据权衡能力
原文标题：Do Language Models Know What Compelling Scientific Evidence Looks Like?
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文发布 EDB-Bio 科学推理基准，含 9.6 万条来自药物转录组、CRISPR 与 GWAS 的真实实验序列。前沿模型普遍过度保守，按严格适当评分规则后训练可显著改善校准，Ibis0 模型实验选择效率达最佳前沿模型 2.5 倍。
- 问题
- 语言模型在权衡多来源科学证据时系统性过度保守，校准差。
- 方法
- 构建 9.6 万条真实实验序列基准，并按严格适当评分规则做后训练以改善校准。
- 结果
- 前沿模型 Brier 分数仅相当于基率预测器；Ibis0 在序列实验选择任务上效率为最佳前沿模型 2.5 倍。
- 影响
- 校准训练能直接转化为自主科研智能体的实验效率，对 AI for Science 产品有明确价值。
深读 · 结论先行AI 生成展开看要点与影响 ↓
EDB-Bio 基准含 9.6 万条真实生物实验序列，前沿模型普遍过度保守，Ibis0 实验选择效率达最佳前沿模型 2.5 倍。
- •基准覆盖药物转录组、CRISPR 筛选、GWAS 三个生物领域，共 9.6 万条实验序列。
- •开箱即用的开源与前沿模型均系统性欠自信，Brier 分数仅与简单基率预测器相当。
- •按严格适当评分规则做后训练，可同时改善校准与区分能力。
- •下游序贯实验选择任务中，Ibis0 效率是最佳前沿模型的 2.5 倍。
- •用贝叶斯因子量化证据权重，可追踪模型信念更新及与专家判断的偏差。
为什么重要：若语言模型要驱动自主科学发现，证据权衡与校准是硬门槛；该基准给出了可量化的评测与训练路径。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。