BioStudyBench：评估 AI 智能体复现生物医学研究的能力

BioStudyBench 是一个包含 25 项长周期分析任务的基准，任务取自 2026 年 7 月至 9 月首次发表的生物医学研究，这些研究晚于所评估模型的开发者报告知识截止时间，从 404,019 条 PubMed 记录中半自动筛选而来。每项任务只给智能体一个中立的研究问题、不提供数据文件，要求其用公开数据复现已发表研究的结论。