LAB-Bench 2
FutureHouse 生物研究任务评测第二代：近 1,900 个任务，覆盖文献推理、数据库检索、图表/表格解读与协议理解（一代为 2,400+ 道多选题）
基本信息
30 秒看懂
一代 LAB-Bench 的多选题形式被前沿模型打满，二代把『检索真实信息』纳入任务本身（FigQA/TableQA 也要求先查资料），朝真实科研工作流靠拢。Gemini 3.7 Flash 表口径 82.1% 居同表首位。
采用格局：Gemini 3.7 Flash 发布表出现（82.1% vs Claude Sonnet 5 80.1% / GPT-5.6 Terra 81.2%，Gemini 3.6 Flash 76.1%）；混元与 Anthropic 系统卡亦引用
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-08-13
Google DeepMind / Gemini·国际
价格$0.75/$3.75 每百万 tokens · 促销价（原 3.6 Flash 半价），2026-12-31 到期；2027-01-01 起 $1.50/$7.50模态文本·图像·视频
Gemini 3.7 Flash 被定位为面向编码与代理的旗舰 workhorse 模型（most intelligent workhorse model for coding and agents）。评测聚焦编码与代理工作流并延伸到文档/视频理解：DeepSWE v1.1 65.3%、Terminal-bench 2.1 85.8%、WebDev Arena 1588 Elo、GDP.pdf 34.0%。
多模态代理编码文档理解
查看模型变体与证据
LAB-Bench 2 82.1%
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。