刚刚！Anthropic给所有
AI生物智能体判了死刑！！

2026 年 6 月 8 日，Anthropic 在官方 Research 栏目发了一篇由 gget 工具作者 Laura Luebbert 领衔的新文章。

配套抛出一个叫 VirBench 的 benchmark，把市面上叫得上名号的 AI 以及生物 Agent 全部拉到擂台上鞭了一遍——Claude Sonnet 4、Claude Opus 4.7、Biomni、Edison Analysis、GPT-5.2-pro、GPT-5.5，一个不落。

测试任务听起来很简单：从 NCBI Virus 数据库里检索符合条件的病毒序列，120 道真实题目，覆盖 40 种病原体，每一题都有人工核对过的标准答案。

结果是六个顶级 AI 及智能体平均准确率从 16.9% 到 91.3% 不等。看起来好像没那么糟？但在病毒序列检索这件事上，可接受的准确率门槛实际上是 100%——少一条记录、多一条记录，下游的系统发育分析、诊断试剂设计、抗体覆盖率评估，全都可能跟着崩。

文章里给了一个具体例子。研究者用同一个 prompt 让 Sonnet 4 检索 2014 年西非埃博拉疫情的相关序列，跑了三次。第一次返回 106 条，第二次 15 条，第三次 5 条——标准答案是 266 条。然后用这三批数据各自重建系统发育树，估算疫情的最近共同祖先时间 TMRCA。手工 curated 的数据集得出的 TMRCA 是 2014 年 1 月，符合学术文献的既有结论。而 Sonnet 4 三次产出的三棵树里，有一棵直接把疫情起源推到了 1922 年。

同样的崩坏也发生在抗体表位分析上。同一种病毒、同一个问题、同一个模型、同一个 prompt，对 maftivimab 和 MBP134 这两个 WHO 优先治疗候选药物的耐药位点分布，Sonnet 4 跑了三次给出三个完全不同的医学判断。

在 2026 年 5 月 DRC Bundibugyo 病毒疫情已经超过 1000 例、200 多死亡的当下，这种程度的不可复现性，放在公共卫生应急的关键决策窗口里，是要出人命的。

Luebbert 团队随后给所有 Agent 接入了一个叫 gget virus 的确定性检索层——这是她和 NCBI 官方合作开发的工具，专门把 NCBI Virus 网页端那些"只有老练病毒学家才懂"的过滤逻辑翻译成机器可调用的接口。

接上之后，所有 Agent 准确率全部冲过 90%，GPT-5.5 达到 99.7%，run-to-run 的方差几乎消失，模型之间的差距也被压平。这一点对整个 AI4Bio 行业的暗示非常残酷：你花大价钱买最贵的模型，不如给便宜模型配一个对的工具。

Luebbert 借 Andrej Karpathy 几个月前的话点题。Karpathy 抱怨过，自己 vibe-code 一个网页应用，写代码只用了一天，剩下一整周都在浏览器里点来点去配认证、配支付、配部署。他的结论是"没人应该忍受这种事，我们必须为 Agent 重新构建一切"。

生物学家比软件工程师早被这件事折磨了至少十年。NCBI Virus、GenBank、RefSeq、INSDC——这些数据库设计的时候根本没想过有一天用户会是一个 AI。它们是给有经验的人类研究员设计的，过滤逻辑藏在网页交互里，元数据字段含义靠"领域常识"补完，API 只暴露一部分功能。

所以 Anthropic 这篇文章真正判死刑的是"只要模型够强，生物数据就能自己长出腿跑过来"这个集体幻想。它给整个赛道立了一个新的评价标准：判断一个 AI4Bio 产品的能力，不能只看模型 benchmark，必须看它和底层数据基础设施的耦合质量。

顺便两个值得品味的细节。第一，Anthropic 自家的 Sonnet 4 被反复拿出来做反面教材，脚注 4 里解释了原因：Sonnet 4 是本次评估中可用的最新 Anthropic 公开模型，因为后续模型有生物安全相关的访问限制。Opus 4.7+ 在病毒学评测场景里被 Anthropic 自己关了门。

第二，Biomni 作为开源生物 Agent 的代表被列在 benchmark 对象里，最终落点也在 22.5%——这不是 Biomni 不行，是整个赛道当下的真实状况：没有任何一个 Agent 单靠模型能力能跨过那道准确率门槛。Luebbert 的论点恰恰是替所有 Agent 团队解套：方向不在堆模型，在堆工具。