LABBench2

档案区分来源方法阅读与既有目录信息；已经公开不代表完成独立证据复核或双语编辑复核。

测量构念

科研能力测试能否比知识选择题更接近有用研究工作？

任务与样本

LABBench2含逾1,900项研究支持任务，在更真实语境比较有工具与无工具模型。

判分与失效情形

研究支持任务正确率，分无工具及工具增强条件。

系统条件

逾1,900任务，实际研究仍被简化。

统计含义

来源报告的结果表述；这不等同于已确定运行次数、分母或估计方法： 作者报告相较旧基准，模型各子任务正确率差异为−26%至−46%。 工具增强效果不一致（§3）。

效度与解释

湿实验执行、模糊目标和跨日迭代仍被简化，验证器及领域广度有限（§4.3）。

适用研究问题

模型建议：使用具体版本与工具条件，不据此推断操作性生物能力增益。

• LABBench2 An Improved Benchmark for AI Systems Performing Biology Research · AbstractSelected original resource https://arxiv.org/html/2604.09554; sha256:333fb7f67888029041cb7ff7df47ada35844806b30ea09197b5258442e65aa72; archived source capture; exact capture time not independently established
• LABBench2 An Improved Benchmark for AI Systems Performing Biology Research · §3 ResultsSelected original resource https://arxiv.org/html/2604.09554; sha256:333fb7f67888029041cb7ff7df47ada35844806b30ea09197b5258442e65aa72; archived source capture; exact capture time not independently established
• LABBench2 An Improved Benchmark for AI Systems Performing Biology Research · §4.3 Limitations and future workSelected original resource https://arxiv.org/html/2604.09554; sha256:333fb7f67888029041cb7ff7df47ada35844806b30ea09197b5258442e65aa72; archived source capture; exact capture time not independently established