UniPat AI 推出被称作史上最严的 SPU（Science Prediction Universe）湿实验预测基准，测试结果显示，单纯把模型推理拉满、算力直接翻 5 倍，对预测真实湿实验结果的提升十分有限，哪怕是 Opus 5.5、GPT-6 Astra 这类当前顶尖大模型，在这套基准上的表现都不理想。这套基准和普通刷题式评测不一样，它不考文献背诵、选择题作答，而是直接给 AI 实验条件，让 AI 预判真实实验室里的湿实验产出，包含 4207 组已经做完的真实湿实验数据，一共 116 项任务，覆盖化学、材料、生物、医学四大方向，评审团队来自哈佛、斯坦福、康奈尔等高校和生物技术企业。大家看懂这个榜单，首先分清传统 AI 评测和湿实验预测基准的差别，再理解为什么堆算力、加长推理思考时长很难提分，最后看懂它对 AI for Science 领域的价值，不能再用常规大模型跑分思路去判断科研 AI 的真实能力。
一、SPU 湿实验基准核心信息汇总表
| 项目 | 详情 |
|---|---|
| 基准名称 | Science Prediction Universe，简称 SPU |
| 发起方 | UniPat AI |
| 任务规模 | 116 个科研任务，4207 组真实湿实验数据 |
| 覆盖领域 | 化学、材料科学、生物学、医学 |
| 评测规则 | AI 拿到实验条件，自主检索文献、调用工具，预判湿实验结果，和线下实测结果比对打分 |
| 测试硬件环境 | 单块 H20，单次评测限定 8 小时工作时长 |
| 核心结论 | 单纯提升算力、拉长推理预算，模型预测能力提升微弱 |
| 参测主流模型 | Claude Opus 5.5、GPT-6 Astra 等前沿大模型 |
| 区别于普通榜单 | 不是刷题、不是知识问答，全部对照真实实验室湿实验结果，没有标准答案可背 |
二、为什么算力翻 5 倍、推理拉满也很难提分
常规大模型的推理题、数学题、代码题，问题本身有固定逻辑，给更多算力、更多思考轮次，模型更容易找到正确路径。但湿实验预测受很多现实变量约束，分子反应、材料合成、生物表达里存在大量未完全探明的微观机制，还有温度、纯度、耗材批次、仪器误差这类噪声变量。
AI 就算查遍文献、反复思考，也很难只靠理论信息精准预判实验走向，它不是算力不够，是底层科学规律、实验噪声本身就很难被现有模型捕捉。所以测试里出现了一个反常识现象：给模型 5 倍算力、放开超长推理，预测准确率上涨幅度很小，没法靠堆资源直接 “刷分”。
三、SPU 基准的典型测试任务清单
- 化学反应优化：更换温度、溶剂、催化剂，预判哪一组条件目标产物收率更高；
- 抗体工程预测：给出不同抗体序列变体，预判哪一个变体表达量、稳定性更好；
- 材料性能预测：配方调整后，预判材料力学、导电、催化性能变化；
- 生物医学实验预判：细胞培养、给药条件变更，预判细胞活性、实验表型结果；
- 多条件对比排序：在多组平行实验方案里，按真实实验结果排序。
四、评测执行步骤
- 分配任务：给到 AI 实验背景、初始条件，不提供最终实验结果；
- 自主调研：AI 可以自主检索文献、调用计算工具，在 8 小时时限内完成推演；
- 提交预测：AI 输出对实验结果、产物收率、性能指标的判断；
- 盲评打分：用线下已经完成的真实湿实验数据作为标准答案，量化误差；
- 变量对照：同一模型分别使用基础算力、5 倍算力，短推理、超长推理模式做对照，观察分数变化。
五、优势和局限
✅ 优势
- 贴近真实科研场景，避开现有榜单的刷题、数据泄露问题；
- 可以用来区分 “会背文献的 AI” 和 “能预判真实实验的 AI”；
- 给 AI for Science 提供一个更硬核的标尺，指导模型研发方向。
- 评测成本高，依赖大量线下湿实验数据，数据集扩充速度慢；
- 只评估预测能力，不评估 AI 设计实验、搭建实验方案的能力；
- 目前所有顶尖模型得分都偏低，还没有模型达到可用的科研预测水平。
⚠️ 局限
六、行业启示
以后评估科研向大模型，不能只看数学、代码、文献问答跑分。在湿实验预测这个赛道，模型的核心瓶颈不是算力和推理长度，而是对复杂生化、材料底层机制的建模能力、对实验噪声的理解能力。未来 AI for Science 的优化重点，会偏向专用科学表征、物理化学先验嵌入，而不是简单堆算力。
【相关 FAQ】
问题 1：本次发布的 SPU 湿实验预测基准，为什么算力翻 5 倍、推理拉满效果也很差？
回答 1：SPU 湿实验预测基准对应的是真实生化、材料实验，实验存在大量未完全探明的微观机制和环境噪声，这类问题不是单纯靠增加算力、拉长推理时长就能解决，所以算力翻倍、推理拉满之后预测能力提升很有限。
问题 2：SPU 湿实验预测基准和普通大模型评测榜单最大区别是什么？
回答 2：SPU 湿实验预测基准不用选择题、理论问答题，全部以线下真实湿实验结果作为标准答案，考验 AI 预判真实实验产出的能力，普通榜单大多是理论题目，容易出现刷题、数据泄露。
问题 3：SPU 湿实验预测基准覆盖哪些科研方向？
回答 3：SPU 湿实验预测基准一共 116 项任务，4207 组湿实验，覆盖化学、材料科学、生物学、医学四大 AI for Science 主流方向。
问题 4：SPU 湿实验预测基准主要用来测哪些大模型，目前表现怎么样？
回答 4：SPU 湿实验预测基准测试了 Claude Opus 5.5、GPT-6 Astra 等前沿大模型，整体成绩都不理想，没有模型能稳定精准预测湿实验结果。
【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
[2026-11-14]（SPU 湿实验基准上线，AI for Science 迎来硬核新标尺）量子位
[2026-11-14]（UniPat AI 发布 SPU 基准：真实湿实验预测，堆算力不再管用）新浪财经
[2026-11-14]（SPU 基准详解：116 项科研任务，四千余组湿实验数据）机器之心
【免责声明】
本文仅为 SPU 湿实验预测基准资讯科普，基准评测结果、模型得分、任务范围以 UniPat AI 官方发布文档为准；AI 在科研场景的预测结果不能直接替代真实湿实验，科研实验必须由专业人员线下验证；本文不构成模型选型、科研项目投入建议。