AI 应用人工智能AI Agent科研本地部署后端前端【免费下载链接】sciencediscoveryScienceDiscovery是专为科学研究打造的一站式AI科研工作台。依托该平台科研人员能够一站式高效完成“文献阅读、假设提出、代码编写、实验试错、参数调优”这一极为繁琐的科研探索流程。项目地址https://gitcode.com/openJiuwen/sciencediscovery点击查看免费下载ScienceDiscovery 是一款一站式 AI 科研工作台覆盖文献阅读、假设提出、代码编写、实验试错、参数调优的完整科研流程。在 2026 年 8 月的公开报道中ScienceDiscovery 搭配 GLM-5.2 模型在生物医学数据分析基准 BiomniBench-DA 上取得77.4 分超过被报道标注为此前业界 SOTA的 Claude Code Opus 4.773.3 分。本文带你完整拆解这个基准测什么、评测怎么做、以及 77.4 与 73.3 的差距到底说明了什么。先认识一下 BiomniBench-DAAI 科研能力考什么BiomniBench-DABiomedical Data Analysis是一套面向生物医学数据分析的 Agent 基准由 Phylo 团队发布。ScienceDiscovery 的 CI 评测锁定的是其中公开发布的 50 个任务共 100 个另 50 个不公开每个任务包含一份instruction.md研究问题、一个真实的数据环境以及一份专家评审写的评分标准rubric。这些任务不是写个脚本级别的练习而是完整的研究分析流程。以其中的da-14-1任务为例给定约 3,948 名患者的 38 项免疫特征评分表要求找出哪些评分在患者之间共同变化——先做相关性分析再对特征做层次聚类最后交付报告、过程记录与图表。基准任务da-14-1类案例的分析产物形态相关性热图 层次聚类树状图完整分析教程见 analyze-sepsis-endotypes.md多 Agent 协作版演示见 agent-team-data-analysis.md。评测方法解读rubric 评分、交付校验与资源计量分数不是人工拍脑袋ScienceDiscovery 仓库中的评测套件test/benchmarks/biomnibench-da/把流程做得相当严格核心可以归纳为四件事输入全程锁定数据集修订号、每个任务文件的字节大小与 Git 对象校验值都固定记录在 manifest.json 中公开 50 个任务共 463 个数据文件、约 83 GB。执行前先流式校验哈希任何文件缺失或不一致都会直接阻断从根上保证可比。交付校验是硬门槛每个任务必须交付非空的trace.md过程记录与answer.txt结论且必须登记在主运行链的产物交接中只靠聊天回复里的总结不算完成。rubric 逐项打分Judge 模型按上游原版评分标准逐条打分、求和后限定在 0–100 分这是唯一用于门槛与发布数据的得分通道本地澄清过的 rubric 变体只作回归参考绝不混入官方均分。资源与成本全量计量token 总量生成 Judge、工具调用轮数、峰值内存RSS 每秒采样、端到端耗时都会记录低分和超阈值单独可查。失败恢复策略也很克制任务失败最多追加 3 次重试首个有效结果获胜、不做刷最高分低分本身不触发重试。项目 CI 内部还设了一条临时质量线biomni-gate.json基线 67.7、警告 ≤64.7、阻断 ≤62.7作为版本间的防回退护栏而非能力认证。⚠️ 细节提示BiomniBench-DA 最大的单个文件约 19 GB因此基准为任务会话单独配置了 40 GiB 工作区配额普通用户跑小数据量任务不受影响。77.4 vs 73.3 vs 69三组配置对比解读图表与分数来自公开媒体报道机器之心2026-08-16完整评测数据见项目 README 的评测结果章节。配置BiomniBench-DA 得分备注ScienceDiscovery GLM-5.277.4本项目配置Claude Code Opus 4.773.3报道标注为此前业界 SOTAClaude Code GLM-5.269同模型、不同平台这组数字最有价值的地方在于控制变量固定模型换平台Claude Code 换用 GLM-5.2 后从 73.3 掉到 69而把 GLM-5.2 放进 ScienceDiscovery直接拿到 77.4——同一模型下反超 8.4 分。固定平台换模型Claude Code 从 GLM-5.2 换到 Opus 4.7 提升 4.3 分。两相对比结论很直白在长流程、多步骤的生物医学分析任务上平台的科研工作流编排能力比模型本身更影响最终得分。ScienceDiscovery 提供的固定科研环境版本统一的 Python/R 依赖、多 Agent 分工code-engineer分析、result-evaluator复核、report-writer出报告、权限审批与产物溯源恰好对应这类任务最吃重的实验试错 参数调优环节。与基准评测同源的工程能力ScienceDiscovery 的 Evolve 功能可对产物批量生成变体、逐个打分并交付最优版本每个变体的代码、分数与运行记录全部保留可回退详见 README。如何正确看待 77.4 分✅可比的三组数字来自同一篇报道、同一基准、同一口径横向对比结论平台编排占大头是可靠的。⚠️边界该分数源于媒体报道ScienceDiscovery 本地 CI 的打分使用的是 OpenAI 兼容接口的 rubric 适配器而非上游的 Gemini 验证器实现因此它不是官方排行榜意义上的名次也不应跨基准直接比较。对使用者的意义如果你想复跑某个基准任务试试效果无需接触付费评测——analyze-sepsis-endotypes.md 用da-14-1给出了从上传 CSV 到交付的完整公开教程。新手快速上手从一道基准题跑起想亲手感受这套工作流以最轻量的公开任务为例安装 ScienceDiscoveryWindows / Linux 均可系统要求见 README在系统配置中连接你自己的模型 API。新建项目与会话把数据 CSV 拖入工作区粘贴instruction.md的完整任务说明后发送。使用内置的science-research-team技能skills/science-research-team/SKILL.md发起分析它会自动拆解任务、调度code-engineer与result-evaluator迭代复核默认最多 3 轮最后由report-writer生成报告。在时间线里跟踪每次工具调用在产物区核对trace.md与answer.txt——这两个文件正是基准评测的判分依据。写在最后77.4 分的背后不是一句模型更强的宣传而是一套可复核的工程事实锁定输入、逐项 rubric 评分、交付校验、资源计量再加上一个把读文献—写代码—试错调参—复核交付固化为工作流的科研平台。对研究者你可以直接用它跑自己手里的分析任务交付物自带过程记录与溯源。对评测关注者仓库里的 test/benchmarks/biomnibench-da/ 目录README、metrics.mjs记录了全部指标定义与门槛策略欢迎按图索骥核对。赞分享AI 应用人工智能AI Agent科研本地部署后端前端【免费下载链接】sciencediscoveryScienceDiscovery是专为科学研究打造的一站式AI科研工作台。依托该平台科研人员能够一站式高效完成“文献阅读、假设提出、代码编写、实验试错、参数调优”这一极为繁琐的科研探索流程。项目地址https://gitcode.com/openJiuwen/sciencediscovery点击查看免费下载相关推荐Claude Code Artifact 评论线程处理指南读取、回复与解决激活线程的完整实践Claude Code Artifact 评论线程处理指南读取、回复与解决激活线程的完整实践 Claude Code 允许用户在已发布的 Artifact 上文档提示工程OpenHuman Agent Harness 资源占用评测与 Codex CLI、Claude Code、ZeroClaw、Hermes 的可信度分级对比OpenHuman Agent Harness 资源占用评测与 Codex CLI、Claude Code、ZeroClaw、Hermes 的可信度分级对比人工智能AI Agent多智能体Agent 编排工具调用桌面应用Serena 语义工具实测Claude Code 在 Tianshou 代码库上的 20 项双工具集对比评估Serena 语义工具实测Claude Code 在 Tianshou 代码库上的 20 项双工具集对比评估 本篇文章完整解读 Serena 官方评估报告 0人工智能AI 应用MCP 服务代码智能体开发工具工具调用上一篇VVAH报告解读指南findings.json、Markdown与SARIF输出逐项精讲下一篇如何用 Nothing Design Skill 生成界面/nothing-design 触发指令与 7 步设计工作流详解创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考