跨学科生物物理推理基准BioPhys-Bridge发布

语言模型在分析跨学科科研文献时面临独特挑战。以生物物理研究为例，一个忠实可靠的答案往往需要三重能力：把观测数据锚定到原始证据上，用定量的物理模型对其进行解释，再将其连接到具体的生物学机制。这三步中任何一步脱节，模型给出的结论都可能看似合理却缺乏依据。针对这一问题，研究者在arXiv上发布了BioPhys-Bridge，一个面向生物物理文献、强调证据支撑的科学推理基准数据集。

从数据结构设计上看，BioPhys-Bridge的每个案例都包含若干证据块、稳定的证据ID、定量数值、单位、方程、假设、机制以及后续决策，这些字段共同构成了问答任务与检索增强生成任务的接地目标。所谓稳定证据ID，意味着模型不仅要给出答案，还要指明答案对应文献中的哪一条证据，从而让归因过程可被检验。这种设计把评测重心从单纯的结果正确性，转向了推理链条的可追溯性。

在规模上，BioPhys-Bridge首版收录了500个案例，拆分出1517个面向智能体的任务，覆盖六个生物学领域与九个物理模型族，其中还预留了三个较为稀疏的模型族，供后续扩展使用。研究者为所有案例设置了严格的质量门控，涵盖模式一致性、证据完整性、定量接地、来源许可、重复性以及单位归一化等维度，并对其中81个案例进行了领域专家的审阅与标注，以保证数据在科学意义上的可靠性。

初步评测结果揭示了任务的现实难度。在证据ID的F1指标上，DeepSeek-V4-Flash取得了最高分0.360，Qwen3.7-Max以0.316紧随其后，GPT-4o-mini为0.294。三个模型的绝对分数都不高，说明在需要同时完成证据定位、物理模型解释与生物机制关联的多步推理场景中，当前模型仍有明显短板。

研究者将BioPhys-Bridge定位为一个跨学科基准，用于评估模型的归因能力、忠实性、幻觉抑制效果，以及在复杂多步科学推理下进行生物学实验设计的能力。后续工作将扩大数据集的规模与复杂度，并开展更全面的评测。相关代码与数据已在GitHub仓库和Hugging Face上公开，方便社区复现与二次开发。

对于关注科学智能的开发者而言，这一基准的价值在于把评价标准从单一答案匹配推进到证据链层面。当模型被要求给出证据ID、单位与假设时，任何一步的凭空推测都会在指标上暴露出来。这种可验证的评测方式，也为构建更可信的科研辅助工具提供了明确的优化方向。