Generality Labs 审计 LABBench2，发现多数任务集饱和且评分器不可靠

Generality Labs 对生物能力基准 LABBench2 的 11 个任务集做了审计，认为多数文献任务集已饱和，ProtocolQA2 的分数难以信任。该基准共 1,912 道任务，七个文献任务集中有五个已饱和或接近饱和，分子生物学的 SeqQA2 也已饱和。审计指出 ProtocolQA2 的构念效度存疑，换用四个评分模型后通过率从 GPT-5.6 Terra 的 47% 到 Gemini 3.7 Flash 的 59%，相差 12 个百分点。DbQA2 从基准的 tools 设置换到智能体沙箱后，GPT-5.6 Luna 从 42% 升到 73%，Terra 从 45% 升到 70%。CloningQA 仅 14 道题，无法用于模型间比较。