发现新病原体只要几天，理解它还要多久？AI 只答对了一半

但发现之后呢？一种新病原体能不能人传人、会不会逃逸现有疫苗、毒力多强，这些功能表征才是真正的瓶颈。[16] 科学家要选对实验、读对数据，对策才能跟上。[16]

8 月 27 日，LatchBio 发布 BioSecBench-Function，一个专门考这件事的基准：AI agent 能不能从数据推断病毒、细菌和毒素的功能性质？[16] 答案不太乐观：22 个模型配置里，最强的也只答对了一半。[16]

BioSecBench-Function 包含 111 项评测，覆盖五个生物威胁轴：传播力、免疫逃逸、毒力/毒性、耐药性、适应性。[16] agent 拿到序列、结构或实验数据和任务描述，要解读证据、执行正确的分析，再给出结论。[16] 结论由确定性规则对照标准答案打分，不靠模型互评。[16]

发布方 LatchBio 是一家旧金山公司，2021 年由 Alfredo Andere、Kyle Giffin 和 Kenny Workman 三位伯克利辍学生创立 [18, 20]。他们做面向生物学家的无代码生物计算平台，2022 年 6 月拿到 Coatue 和 Lux Capital 领投的 2800 万美元 A 轮 [20, 21]。

22 个模型与框架组合里，端点通过率最高的是 Opus 5 配 Claude Code，50.3%。[16] 端点通过率排除了生物安全拒答。[16] 如果把拒答算作失败，总通过率第一是 Grok 4.6 配 Grok Build，44.1%，Opus 5 掉到 42.3%。[16]

准确率随功能类型拉开差距：传播力最高，64.9%；适应性和耐药性居中，46.2% 和 42.8%。[16] 免疫逃逸 30.7%，毒力/毒性垫底，27.9%。[16] 按生物体分，病毒 44.4%，毒素 36.4%，细菌 28.6%。[16]

一个反直觉的发现是：agent 处理实验数据的表现，反而好于只看序列或结构。[16] 基于实验数据的评测得分 42.9%，结构 24.1%，序列 23.6%。[16]

轨迹复盘找到了反复出现的失败模式，核心不是知识，是判断。[16]

一个例子是强行下结论：在一项 SARS-CoV-2 JN.1 抗体逃逸任务里，单价和多价实验结果互相矛盾。[16] 两种形式探测的是不同的相互作用区间。[16] 正确做法是暂缓结论、补做确认实验，但几乎没有 agent 这样做。[16]

另一个例子是跳过质控：在一项碳青霉烯酶扫描里，不同变体的测量不确定度相差超过 100 倍。[16] 用每个变体各自误差线的 agent 表现良好，套固定阈值的全部失败。[16]

各家的生物安全防线松紧不一：OpenAI 配置拒答了 31.4% 的尝试，Anthropic 24.6%，Google 3.9%，xAI 只有 0.68%。[16] 前三家的拒答几乎全部发生在 API 层面，xAI 的 9 次拒答则由模型自己发起。[16] 所以多数拒答来自供应商的安全策略，而非模型对具体任务的推理。[16]

成本与性能的关系也值得一看：最贵的 Opus 5 配 Claude Code 平均每次运行 1.34 美元，性能最好。[16] Grok 4.6 每次 0.57 美元，约为一半，端点通过率 44.1%。[16] 但高通过率并不需要烧最多 token：Opus 5 配 PI 框架的 token 用量排在末位四分位（约 32 万/次），通过率却在头部四分位。[16]

LatchBio 设想的未来是：检测数据一到，agent 立刻开始表征新病原体，快到能影响对策制定。[16] 今天的 agent 还不够可靠，失败多在科学判断而非知识储备。[16] 所以基准的意义正在于此：先量出差距，再谈缩小差距。[16]