长程空间生物学的可验证基准测试

针对现有基准多测试广泛知识或局部步骤的局限，本文提出 SpatialBench-Long，旨在评估智能体在长程空间生物学中的端到端科学推理能力。该基准要求智能体在无预设方法下，从原始数据及实验背景中恢复生物学主张，涵盖多种癌症模型及前沿空间转录组技术。通过严格的复现与评审机制硬化候选主张，并采用确定性评分标准。实验显示当前顶尖模型表现有限，表明智能体需从程序性执行迈向复杂的科学结论推导。