أطلق Gamow Labs LabRobotBench v0.1، وهو معيار يختبر مدى قدرة وكلاء الذكاء الاصطناعي على تشغيل الروبوتات المخبرية الرطبة واسترداد الأعطال. ويختبر الحزمة النماذج الأمامية في الاستدلال الفيزيائي وعمليات البيولوجية المعقدة عبر ثلاثة سيناريوهات: إعادة تشغيل assays الخلايا المتقطعة، وموازنة المواعيد النهائية المتنافسة للتخزين البارد والتجارب، وإكمال اختبارات الاستجابة للجرعة الحساسة للزمن.
تُظهر النتائج أن GPT-4.1 يتصدر بمتوسط درجة استرداد 46.7%، يليه Opus عند 35.5%، وClaude Code عند 23.0%، وGemini عند 20.9%. في الحالة الأولى، كان على الوكلاء إنهاء إعداد ثلاث صواني خلايا قابلة للحياة والتخلص من رابعة متعفنة. أعاد Opus صينية غير مكتملة دون إضافة المذيب الحرج. وفي الحالة الثانية، أجبر السيناريو الوكلاء على أولوية الانتهاء من التجارب خلال 200 ثانية وإعادة إمدادات التبريد خلال 240 ثانية — GPT-4.1 أنقذ الإمدادات لكن漏了 experiment، بينما Opus فعل العكس. وفي الحالة الثالثة، كان يتطلب إكمال اختبار الاستجابة للجرعة قبل موعد القياس.
يهدف هذا المعيار إلى تمكين التجربة الليلية غير الخاضعة للإشراف، بإعطاء الوكلاء القدرة على تشخيص الأخطاء وإعادة العمل بأمان، مما قد يضاعف الإنتاج العلمي.
المصدر: Hacker News · لخّصه HeadlinesBriefing