过去一年，科研 Agent 的赛道被 Claude Code、Codex、biomni 等一众明星产品塞得满满当当。每当有人问："你们凭什么做得比它们更好？"——我们决定不再用 PPT 回答这个问题，而是把 DCS Genpilot 拉上真实的生物医学基准，和这些顶级选手同台，一题一题地打。

结果是：在国产开源基座 deepseek-v4-pro-preview的加持下，DCS Genpilot 在多数生物医学任务上追平甚至反超了用 Claude Opus-4.8 的 claude-science，并把其他智能体平台远远甩在身后。

这一次，我们把所有数字摊在桌面上。

01先把"选手"和"规则"讲清楚

没有透明的评测设定，任何"世界最好"都是空话。本轮横评的选手与基座如下：

这里有一个关键信息值得反复强调：除了 claude-science 用的是 Anthropic 最强的闭源模型 Opus-4.8 外，包括 biomni、Genpilot 在内的其余产品，用的都是同一个国产开源基座 deepseek-v4-pro-preview。

也就是说，Genpilot 和 claude-science 之间的差距，不是"谁的大模型更强"，而是"谁的 Agent 框架（Harness）更懂生物学"。 这正是我们最想验证的问题。

评测覆盖了三大类、六个维度的公开基准：

• BixBench（共 205 题，FutureHouse + ScienceMachine）——真实生信数据分析能力

• LABBench2（FutureHouse / Edison Scientific）——dbqa2 / litqa3 / 综合准确率

• BioASQ Challenge（欧洲生物医学专家标注）——yes/no、factoid、list 三类文献问答

02核心能力总览：一图看懂 Genpilot 的位置

我们先挑出三个最有代表性的"总分型"指标——BixBench 准确率、LABBench2 综合准确率、bioASQ_factoid strict 准确率，把六个选手放在一起：

结论非常直观：

• 在BixBench上，Genpilot (0.693)在同为deepseek-v4-pro-preview 的四个产品中断层领先，仅次于用Opus-4.8的claude-science (0.790);(BixBench数据集总共有205题，部分智能体平台评测时只是用了50题并进行了题干修改。这里使用BixBench全部测试题)

• 在LABBench2 综合准确率 上，Genpilot 反而登顶，以 0.728 超过 claude-science 的 0.646

• 在bioASQ_factoid strict 上，Genpilot（0.947）全场第一，把 Opus-4.8 阵营也压在身下

一句话：在真实生物医学任务上，一个好的 Harness，真的能让国产开源模型追上、甚至反超顶级闭源模型。

03六大基准全维度雷达图：没有短板的选手

单看几个指标还不够，我们把 Genpilot、claude-science、OpenCode、biomni 放到六个维度的雷达图上，看谁"没有明显短板"：

• Genpilot（红色）的覆盖面几乎在每个方向都顶在最外圈，尤其在 LABBench2-dbqa2、bioASQ yes/no、bioASQ factoid 上形成明显优势

• claude-science（蓝色）在 BixBench 单点更高，但在 LABBench2-dbqa2 这类"数据库问答"上明显收窄

科研 Agent 最怕的不是某一项特别弱，而是"东强西弱"——真实项目往往需要一路打通文献理解、数据分析、结果解释。Genpilot 的价值，正是这条"没有明显短板"的完整能力曲线。

04BixBench 单项：性价比才是杀手锏

BixBench 是最贴近"真实生信数据分析"的一项——它要求 Agent 真的去理解数据、选对方法、跑出结果。我们把 205 题的准确率单独拎出来排一次序：

• claude-science（Opus-4.8）0.790，第一

• DCS Genpilot（deepseek-v4-pro-preview）0.693，第二，且与第一名的差距远小于它与其他国产基座选手的差距；

• 其余同基座产品（OpenCode 0.337、Hermes 0.298、Workbuddy 0.195）明显落后

把"基座成本"这个维度叠加进来，故事就完整了：Genpilot 用的是价格只有 Opus 一小部分的国产开源模型，却把成绩顶到了 Opus 阵营的门口。对绝大多数科研团队来说，这意味着——你不必为"领域里最贵的大模型"买单，也能拿到接近 SOTA 的分析能力。

05完整数据，一张表交代清楚

我们不藏数字。以下是本轮横评的完整结果（加粗为该行最高值）：

说明：claude-science 基座为Opus-4.8；其余产品（含 biomni、Genpilot）基座均为deepseek-v4-pro-preview。

在 11 个指标里，Genpilot 拿下了 6 个第一（含并列），是全场夺冠指标最多的选手——而它用的还不是最贵的那个基座。

06为什么是 Genpilot？——差距在 Harness，不在基座

把数据放在一起，一个反直觉但扎实的结论浮出水面：决定生物医学 Agent 上限的，往往不是"你用了多贵的大模型"，而是"你的框架有多懂科研"。

同样是 deepseek-v4-pro-preview，Genpilot 与 OpenCode、Hermes、Workbuddy 在 BixBench 上拉开了 0.35 以上的差距；而面对用 Opus-4.8 的 claude-science，Genpilot 也能在一半以上的指标上打平甚至反超。这条差距曲线背后，是 Genpilot 在意图理解、任务编排、工具/流程调度、结果解释上的持续打磨——也就是我们一直在说的 Harness（智能体框架）。

这也带来一个对科研团队非常现实的好处：

• 更低的成本：用国产开源基座就能拿到接近顶级闭源模型的分析能力

• 更稳的能力：六大基准全维度不塌陷，真实项目不"偏科"

• 更强的可及性：不必为最贵的模型买单，也能做完从文献到分析的整条链路

结语

没有人会仅凭一句"我们最好"就选择你。所以这一次，我们把评测、基座、每一个数字都摆在明面上：

在同一条国产开源基座上，DCS Genpilot 用更好的 Harness，把生物医学 Agent 的能力天花板，抬到了顶级闭源模型的身边。

真正的科研生产力，不该只属于负担得起最贵模型的人。Genpilot 想做的，是让每一个研究者，都能用得起、也用得上一个真正会做科研的 AI 同事。

与此同时，Genpilot还能调度多端算力、贯穿科研全链条，真正实现“一站式”生命科学研究。

本文所有数据来自公开基准 BixBench / LABBench2 / BioASQ 的横向评测，原始结果见配套数据表。