Yiqun T. Chen

空间转录组切片对齐缺少可审计的智能体评测，Paper2Bench 把两篇已发表的对齐基准研究转成121个可执行任务，让智能体在隐藏真值的容器里作答，并用同一评分器重跑16种已发表基线。在121个任务上，最佳智能体（GPT-6-Astra 与 Gemini-4-Argon）在80%的任务上追平或超过全部基线；把智能体解法蒸馏成独立程序后，在留出任务上超过87%的基线。

空间转录组切片对齐缺少可审计的智能体评测，Paper2Bench 把两篇已发表的对齐基准研究转成121个可执行任务，让智能体在隐藏真值的容器里作答，并用同一评分器重跑16种已发表基线。在121个任务上，最佳智能体（GPT-6-Astra 与 Gemini-4-Argon）在80%的任务上追平或超过全部基线；把智能体解法蒸馏成独立程序后，在留出任务上超过87%的基线。