장기 단일세포 생물학을 위한 scBench-Long 벤치마크를 제안하며, 에이전트가 정해진 방법 없이 원시 또는 준-원시 데이터에서 흑색종 CD8 T세포 반응성, RNA+ATAC 조절, COVID-19 폐 병리 등 21개 과제의 과학적 결론을 복원하는지 결정론적 채점과 궤적 루브릭으로 평가한다. 1,068개 완료 궤적에서 최고 성능 모델-하네스 쌍도 63회 실행 중 16회(25.4%)만 통과해, 현재 에이전트가 국소 분석을 넘어 단일세포 데이터로 뒷받침되는 복잡한 주장을 내기에는 여전히 어렵다는 점을 보여준다.
소분자 전임상 약리학 의사결정을 평가하는 검증 가능한 벤치마크 TxBench-PP를 제안하며, 100개 작업에서 에이전트가 문헌 암기가 아닌 실제 분석 데이터로부터 정확한 결론을 코딩 환경에서 도출하는지 결정론적으로 채점합니다. 11개 모델과 4,800개 궤적로 구성된 16개 모델-하네스 평가에서 최고 성능인 Claude Opus 4.8 / Pi도 종료점 통과율 59.3%에 그쳐, 어떤 시스템도 전임상 약리학 의사결정을 신뢰할 수 있게 복원하지 못했습니다.
후성유전체학(epigenomics) 분석을 위한 검증 가능한 벤치마크(benchmark)인 EpiBench를 소개하며, 다양한 워크플로우에서 AI 에이전트(agent)의 분석 의사결정 능력을 평가한다. 16개 모델-하니스 쌍에 대한 평가 결과, GPT-5.5 / Pi가 45.0%로 최고 성능을 기록했으나 어떤 시스템도 과반수의 시도를 통과하지 못하는 등 에이전트가 깊이 있는 과학적 판단에는 어려움을 겪는 것으로 나타났다.