这次 UniPat AI 牵头推出的 SPU（Science Prediction Universe），是一套专门用来考核 AI 能不能猜对真实湿实验结果的严苛基准，核心结论很直白：单纯给模型堆算力、把推理时长拉满，哪怕算力直接翻 5 倍，AI 在真实湿实验预测上的提升也非常有限，没法靠砸资源简单刷分。和之前那些靠题库、模拟数据的 AI 科学基准不一样，这套基准全部基于已经落地完成的真实实验室湿实验，不是纸面习题，AI 拿到的只有实验条件，要自主检索文献、做推演，输出预测结果之后，再和实验室实测数据对照打分，不存在网上提前泄露的标准答案。这个基准联合了斯坦福、哈佛、康奈尔等十多家顶尖团队一起参与搭建，一共包含 116 个任务、4207 组真实湿实验记录，覆盖化学、材料、生物、医学四大方向，场景包含化学反应产率判断、抗体变体表达量筛选等科研里高频用到的预测工作。
SPU 基准的测试规则
- 统一硬件环境：测试固定使用 H20 显卡，单轮任务允许模型最长自主运行 8 小时
- 模型自主权：AI 可以自己决定要不要检索文献、调用计算工具，自主安排推理流程，不能人工中途介入提示、修正思路
- 评分依据：只看 AI 预测结果和真实湿实验实测数据的吻合程度，不看推理文字写得是不是通顺、逻辑看起来自洽
- 禁止捷径：数据集做了去污染处理，避免模型靠背诵网上公开的实验论文直接答对题目
测试发现的关键现象
- 头部大模型，包括 Opus 5.5、GPT-6 Astra，在这套基准上的整体表现都离可靠预测有很大差距
- 扩大推理预算、增加采样次数、翻倍往上堆算力，性能收益边际递减明显，算力翻 5 倍也不会带来同比例提升
- 很多模型能写出看起来专业、符合文献逻辑的推理过程，但最终给出的实验预测和真实实验室结果偏差很大
- 相比算力，模型对底层物理、生化机制的理解，才是决定湿实验预测准不准的瓶颈
它对 AI for Science 行业的影响
这套基准相当于换了一把新尺子，不再考核 AI 会不会复述论文、写实验方案，而是直接考核 AI 能不能预判物理世界里真实实验的走向。之前很多 AI 科学模型在模拟数据集上分数很好看，放到真实实验室里预测经常翻车，SPU 可以用来提前筛掉这类 “纸面很强” 的模型。它也说明 AI 做科研的瓶颈已经不是算力和长推理框架，而是对真实世界复杂耦合规律的建模能力，单纯堆资源的路线走不通。
【相关 FAQ】
问题 1：SPU 湿实验预测基准是什么？
回答 1：SPU 全称 Science Prediction Universe，是 UniPat AI 联合多所顶尖高校推出的湿实验预测基准，使用四千多组真实湿实验数据，用来评测 AI 预测生化、材料类实验室实验结果的能力，也是本次被称为史上最严的这套评测基准。
问题 2：为什么算力翻 5 倍、推理拉满，AI 湿实验预测效果提升不大？
回答 2：因为 SPU 考验的是 AI 对生化、材料底层客观机制的理解，不是文字推演或者信息检索能力，增加算力和推理时长只能让模型把文字推理写得更完整，很难补齐对真实物理、化学复杂规律认知上的短板，收益很低。
问题 3：SPU 湿实验预测基准和以前的 AI 科学类基准差别在哪？
回答 3：老基准大多是模拟数据、理论题目或者公开文献题，SPU 全部采用已经做完的真实湿实验，结果由实验室实测得出，数据集做了防污染处理，AI 没法靠背资料拿高分，更贴近科研人员真实使用 AI 筛选实验方向的场景。
问题 4：SPU 湿实验预测基准主要覆盖哪些科研领域？
回答 4：一共覆盖化学、材料科学、生物学、医学四大方向，任务包含反应条件优选、抗体变体表达效果预测等实际科研场景。
【参考资料】
[2026-11-14]（“史上最严” 湿实验预测基准发布：推理拉满、算力翻 5 倍也白搭）36 氪
【免责声明】
本文信息仅为行业资讯解读，不构成科研实验指导、模型选型投资建议；基准测试结果仅为当前条件下的实验结论，模型性能会随后续迭代、数据集更新发生变化，相关原始数据请以基准项目官方发布内容为准。
本文来自作者[磁轨编译]投稿，不代表环球科技潮立场，如若转载，请注明出处：https://www.zennew.com/bdt/202611/1410.html
评论列表（4条）
我是环球科技潮的签约作者“磁轨编译”！
希望本篇文章《SPU 湿实验预测基准上线，加大算力、拉长推理很难提升 AI 预测准确率》能对你有所帮助！
本站[环球科技潮]内容主要涵盖：科技,科技新闻,黑科技
本文概览：这次 UniPat AI 牵头推出的 SPU（Science Prediction Universe），是一套专门用来考核 AI 能不能猜对真实湿实验结果的严苛基准，核心结论很直白：单纯给模型堆算力、把推理时长拉满，哪怕算力直接翻 5 倍，AI 在真实湿实验预测上的提升也非常有限，没法靠砸资源简单刷分。和之前那些靠题库、模拟数据的 AI 科学基准不一样，这套基准全部基于已经落地完成的真实实验室湿实验，不是纸面习题，AI 拿到的只有实验条件，要自主检索文献、做推演，输出预测结果之后，再和实验室实测数据对照打分，不存在网上提前泄露的标准答案。这个基准联合了斯坦福、哈佛、康奈尔等十多家顶尖团队一起参与搭建，一共包含 116 个任务、4207 组真实湿实验记录，覆盖化学、材料、生物、医学四大方向，场景包含化学反应产率判断、抗体变体表达量筛选等科研里高频用到的预测工作。