AI设计分子克隆实验：最强模型单次仅解30.6%，十次尝试升到72%
核心概要
分子克隆需要从选材、设计序列到规划多步反应的整体推理，而现有模型只在单步任务上表现可靠。BenchBench-Cloning 用65个取自真实实验的克隆任务检验端到端设计能力，分为完整方案设计与构建体设计两类。GPT-6 Astra 单次尝试解出30.6%的任务，领先 GPT-6.1 Sol 的22.2%和 Claude Opus 5.5 的20.5%；同一模型在十次尝试内可解出72%的方案设计任务，而单次为27%。
深度剖析
一个专门检验AI能否设计完整分子克隆实验的基准被公开，把评估对象从单步操作推到端到端的实验规划。 此前的模型已能完成分析DNA序列这类单独步骤，但设计整个实验需要贯穿始终的生物学推理。 基准包含与领域专家共同构建的65个克隆任务，全部取自真实实验，分为方案设计与构建体设计两类。
成绩按模型分层：GPT-6 Astra 以30.6%居首，其后是 GPT-6.1 Sol 的22.2%与 Claude Opus 5.5 的20.5%，Kimi K3 为8.8%。 这组分数把前沿模型与开放权重模型在同一任务上的差距摆了出来。 分数来自上述65个任务的评测，最高分仍不到全部任务的三分之一。
失败集中在把正确的单步决策串起来：构建体选对却漏掉关键实验对照，引物序列对却无法在同一反应中配合，反应规划对却分离不出目标产物。 单步正确并不等于整条实验链路可行。 这些失败模式在评测中被反复观察到，指向长链条多步推理的薄弱环节。
重复尝试能明显抬高上限：最强模型在十次尝试内解出72%的方案设计任务，单次尝试为27%。 能力在出现，但单次可靠性尚未跟上。 对照是同一模型同一类任务在单次与十次尝试下的解题比例。
启示与展望
评测覆盖65个取自真实实验的分子克隆任务，分为方案设计与构建体设计两类，结论限于这一任务集与所测模型。发布方表示 BenchBench 系列将继续扩展到整理杂乱科学数据、撰写科学报告和评估生物安全风险。
发布方明确指出能力正在出现但可靠性尚不足，十次尝试的提升也说明单次结果不能代表稳定可用；65个任务的规模意味着排名反映的是这一任务集上的表现。