UniPat AI 牵头推出名为 SPU（Science Prediction Universe）的湿实验预测基准，这次测试用 4207 份真实湿实验数据、116 个科研任务，覆盖化学、材料、生物、医学方向，测试了 12 款前沿大模型，结果发现就算把模型推理强度拉满、算力和调用成本提升大约 5 倍，AI 对湿实验结果的预测准确度几乎没有上涨，哪怕是当前最强的前沿模型，也只有一半任务的表现超过随机猜测，打破了行业里 “堆算力、加长推理就能提升 AI 科研预测能力” 的固有认知，这个基准和之前刷题式数据集不一样，全部采用没有泄露答案的真实实验，AI 要自主检索文献、做推导再预测结果，用来衡量 AI 真正的科研预判能力，而不是背诵已有文献，后续做 AI for Science 科研工具的时候，不能盲目靠加算力来换取效果，要重点优化模型对真实实验机制的理解。
一、SPU 湿实验预测基准基础信息清单
| 项目 | 详情说明 |
|---|---|
| 基准名称 | Science Prediction Universe，简称 SPU |
| 牵头团队 | UniPat AI，合作顾问来自斯坦福、哈佛、康奈尔等高校及生物科技企业 |
| 任务总量 | 116 个独立科研任务，4207 组真实湿实验记录 |
| 覆盖学科 | 化学、材料科学、生物学、基础医学 |
| 测试规则 | AI 自主检索文献、调用工具，单轮任务最长 8 小时，使用 H20 算力；答案不会提前内置在训练集里 |
| 测试模型数量 | 一共 12 款主流前沿大模型 |
二、核心测试发现
- 算力投入和预测效果脱钩：测试 GPT-6 Astra 的时候，把推理开到最高档，运行耗时涨到原来 4.8 倍，API 调用成本涨到 5.3 倍，但是湿实验预测得分基本不变；模型大多在推理前期就锁定判断，后面再多的思考和计算很难修正结论。
- 整体模型上限很低：就算是性能最好的 Opus 5.5，也只有一半左右任务能跑赢随机猜测，大部分前沿模型在很多真实湿实验预测上表现拉胯。
- 和普通 AI 科研数据集区别很大：过往很多科学基准是公开文献里的已知结论，AI 相当于刷题背答案；SPU 用的是没有公开标准答案、线下实测的湿实验，更贴近科研人员真实试错场景。
三、SPU 基准的评估流程
- 下发科研任务：给到 AI 一组实验条件，比如反应配比、抗体变体、材料合成参数
- AI 自主研究：模型可以检索论文、调用计算工具，在 8 小时时限内自主规划推理路径
- 提交预测结果：输出对湿实验产出、产物收率、蛋白表达量等指标的预判
- 对照真实实验打分：拿线下湿实验实测结果作为标准答案，由领域专家统一评分
四、对 AI for Science 行业带来的变化
- 算力不是万能：在真实湿实验预测这个场景，单纯提升推理 token、增加 GPU 资源，投入产出比极低
- 评估标准升级：以后评价科研 AI，优先看在 SPU 这类封闭真实实验基准的表现，而不是只看文献问答、公式计算成绩
- 研发方向调整：重点要做机理感知、实验因果推理，而不是一味做大模型规模、拉长思考链
【常见问题】
问题 1：SPU 史上最严湿实验预测基准，为什么算力翻 5 倍、推理拉满之后，湿实验预测效果不会上涨？
回答 1：在 SPU 史上最严湿实验预测基准测试中，AI 模型往往在推理前期就形成了基础判断，后续增加的算力、更长的推理链路大多只是重复校验，很难找到新的实验因果证据来修正预判，所以哪怕算力翻 5 倍，湿实验预测得分几乎没有提升。
问题 2：SPU 史上最严湿实验预测基准，和之前 AI 科学类基准数据集最大差别是什么？
回答 2：SPU 史上最严湿实验预测基准全部采用线下实测、没有提前泄露的真实湿实验数据，不是公开文献里已知结论的刷题题目，AI 没法靠背诵文献拿分，更贴近科研里预测未知实验结果的真实需求。
问题 3：在 SPU 史上最严湿实验预测基准测试里，目前表现最好的大模型，湿实验预测能力达到什么水平？
回答 3：在 SPU 史上最严湿实验预测基准测试里，表现最好的 Opus 5.5 也仅有一半左右任务能够超过随机猜测水平，说明当前前沿大模型对复杂湿实验背后的物理、生化机理预判能力还有很大短板。
问题 4：SPU 史上最严湿实验预测基准，会对 AI for Science 科研工具开发带来哪些影响？
回答 4：SPU 史上最严湿实验预测基准提醒开发者，不要盲目堆算力、无限拉长推理链来提升 AI 科研能力，后续研发重心要放在实验因果理解、生化机理建模上，同时行业会更多使用真实湿实验基准来考核科研 AI 的真实能力。
【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）量子位
[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 基准实测 12 款前沿模型，湿实验预测任务算力缩放失效）AI 地带
[2026-11-10]（Science Prediction Universe 湿实验预测基准项目介绍）UniPat AI
【免责声明】
本文内容仅为 SPU 湿实验预测基准相关行业资讯，测试结果、模型表现、基准数据集规则以 UniPat AI 官方论文与项目文档为准；AI 科研预测仅能作为科研辅助参考，湿实验方案、生物化学相关研究必须由专业科研人员线下验证，不能直接采信 AI 预测结果。