YC W26 公司 CellType 11 月 4 日发布 BioSimBench 1.0，用真实实验室数据测试大模型能否预测细胞在药物、基因敲低和免疫信号作用后哪些基因上调或下调。12 个前沿模型中，Gemini 4 Argon 以总分 0.184 排第一，Claude Sonnet 5.5（0.160）和 GPT-6 Astra（0.159）随后，而两次实验室重复之间的一致度为 0.462。CellType 用自家 RL 环境 BioSimGym 训练的 27B 模型在四个预测赛道都超过最强前沿模型。
核心要点速览
- ✓BioSimBench 1.0 有五个赛道：新药与新细胞、基因敲低、药物反应、免疫信号，以及带工具的研究型 Agent，测试答案不公开。
- ✓12 个前沿模型总分在 0.110 到 0.184 之间，Gemini 4 Argon 第一，DeepSeek V4 Pro 最低；两次实验室重复的一致度为 0.462，差距仍大。
- ✓CellType 27B 在新药与新细胞赛道得 0.366，药物反应赛道 0.203，约为最强前沿模型 0.103 的两倍。
- ✓数据处理用 NVIDIA RAPIDS-singlecell，整条流程至少快 4 倍；模型用 NeMo RL 训练，BioSimGym 遵循 NeMo RL 环境接口。
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
药物、基因和细胞环境的组合远多于实验室能做完的实验。大模型写生物学文章很流畅，但能不能准确说出某个细胞被处理后哪些基因上调、哪些下调，一直缺少用真实实验数据打分的公开测试。CellType 由 Cell2Sentence 的耶鲁团队创立，11 月 4 日发布 BioSimBench 1.0 来回答这个问题。
架构亮点与底层机制
模型拿到细胞的基线表达和一种干预（药物、CRISPRi 敲低或免疫信号），列出上调和下调的基因，再与实验测量对比，指标是去掉普遍响应基因后的 F1。五个赛道分别留出新药、新细胞系、新敲低基因或新供体，测试答案只保留在 CellType 的评分服务器上。BioSimGym 是对应的 RL 训练环境。
权威 Benchmark 与实测跑分对比
官方榜单总分：Gemini 4 Argon 0.184、Claude Sonnet 5.5 0.160、GPT-6 Astra 0.159，Gemini 3.1 Pro、GPT-6.1 Sol、Gemini 3.8 Flash 并列 0.153，Claude Opus 5.5 0.145，DeepSeek V4 Pro 0.110。实验室重复一致度为 0.462。CellType 27B（9 次回答投票）在四个预测赛道分别得 0.366、0.216、0.203、0.267，均高于最强前沿模型；这些是 CellType 自己的评测结果。
开发者实战落地与开箱指南
BioSimBench 公开，研究者可以在官网提交模型参与评测，或申请在 BioSimGym 中训练。做 AI for Science 的团队可以把它当作检验模型生物推理是否落到实验结果上的参考；BioSimGym 环境本身是 CellType 向药企授权的商业产品。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察