BioXArena-Pro 发布：评测自主生物医学机器学习智能体的研究级基准
做科研自动化或 Agent 评测的可以看看这个新基准，64 个真实生物医学建模任务，防泄漏设计做得比较扎实。结论挺有意思：Agent 强在灵活改方法，但基础模型被禁用就掉 9 分。想测自家 Agent 在科研场景上限的团队直接能用。
做科研自动化或 Agent 评测的可以看看这个新基准，64 个真实生物医学建模任务，防泄漏设计做得比较扎实。结论挺有意思：Agent 强在灵活改方法，但基础模型被禁用就掉 9 分。想测自家 Agent 在科研场景上限的团队直接能用。