当被国外友人问候「How are you」时，你的第一反应是什么？
是不是经典的「I’m fine, Thank you. And you」？
其实，这种教科书式问答不仅存在于我们的英语学习交流中，也存在于大语言模型的训练和测试中。
如今，将大语言模型 (LLMs) 和 LLM 增强系统用于生物学、海洋科学、材料科学等领域的研究，进而提高科研效率、成果产出，已成为很多科学家关注的重点方向。比如，浙江大学团队曾在海洋领域推出大语言模型 OceanGPT，微软曾在生物医药领域开发大语言模型 BioGPT，上海交通大学曾在地球科学领域提出大语言模型 K2。
值得注意的是，随着 LLMs 在科研领域的日益普及，建立一套高质量、专业性强的评估基准变得至关重要。
然而，目前许多基准测试 (benchmarks exist) 聚焦于对 LLM 在教科书式科学问题的知识、推理能力评估，却很难评估 LLM 在科研实际任务（如文献检索、方案规划和数据分析）中的性能， 导致模型在应对实际科学任务时，灵活性、专业性等方面存在明显不足。
为促进生物学领域对 AI 系统的有效开发，FutureHouse Inc. 的研究人员推出了语言 Agent 生物学基准 (Language Agent Biology Benchmark, LAB-Bench) 数据集， LAB-Bench 包含 2,400 多道选择题，用于评估 AI 系统在文献检索和推理 (LitQA2 and SuppQA)、图形解释 (FigQA)、表格解释 (TableQA)、数据库访问 (DbQA)、撰写协议 (ProtocolQA)、DNA 和蛋白质序列的理解和处理 (SeqQA)、克隆场景 (CloningScenarios) 等实际生物学研究的表现。
该研究以「LAB-Bench Measuring Capabilities of Language Models for Biology Research」为题，已提交至顶会 NeurlPS 2024。
LAB Bench 语言模型生物学基准数据集：
https://go.hyper.ai/kMe1e
论文的通讯作者 Samuel G. Rodriques 强调： LAB-Bench 作为第一个专注于评估模型、Agent 能否进行科学研究的评估集，其采用的针对复杂任务的程序化评估方法，在未来将会非常重要。
图源：Sam Rodriques 社交平台
LAB-Bench 不同类别的样本问题如下：
每个类别的样本问题
深度挖掘，评估模型对文献的检索、推理能力
为了评估不同模型在科学文献中的检索和推理能力， 常用到的是对应 LitQA2、SuppQA、DbQA 任务的 LAB-Bench 子集，这 3 个种类适用于科学专用检索增强生成 (RAG) 的不同方面。
*检索增强生成 (RAG) 是一种使用来自私有或专有数据源的信息来辅助文本生成的技术。
LitQA2 基准测试衡量模型从科学文献中检索信息的能力。 它由多项选择题 (multiple-choice questions) 组成，这些问题的答案通常只在科学文献中出现过一次，并且无法通过摘要中的信息来回答（即科学文献相对较新）。在这个过程中，研究人员不仅要求模型可以通过回忆训练数据来回答问题，还要求模型具备文献访问和推理能力。
SuppQA 要求模型查找和解释论文补充材料中包含的信息。 研究人员规定，要回答这些问题，模型必须访问某些补充文件中的信息。
DbQA 问题要求模型从生物学特定通用数据库中访问和检索信息。 这些问题被设计为覆盖广泛的数据源，模型或 Agent 无法使用单个 API 来回答所有问题。
如下图所示，研究人员评估了 human、random、claude-3-5-sonnet-20240620、claude-3-opus-20240229、gemini-1.5-pro-001、gpt-4o、gpt-4-turbo、claude-3-haiku-20240307、meta-llama-3-70B-Instruct 在以上 3 类生物基准测试任务中的性能，并比较了它们的准确率 (Accuracy)、精确率 (Precision) 和覆盖率 (Coverage)。
不同模型在 LAB-Bench 任务中的准确率、精确率和覆盖率
在 LitQA2 测试中，所有模型在 LitQA2 literature recall category 中的表现都接近，评分均远高于随机 (random) 预期，达到 40% 以上。然而，主流模型经常拒绝回答，有的回答比例甚至低于 20%，导致这些模型的准确率远低于随机水平。
*对于每个问题，模型都有一个特定的选项，即由于信息不足而拒绝回答
在 SuppQA 测试中，所有模型均表现欠佳，具有最低的整体覆盖率，这是因为模型被要求在补充材料中检索信息，说明论文补充信息在模型训练集中的代表性可能不如主要文本。
在 DbQA 问题中，模型覆盖率均低于随机预期，这说明模型经常拒绝回答 DbQA 问题，导致准确性较低。
SeqQA，探索 AI 在生物序列解释中的实用性标尺
为了评估模型对生物序列的解释能力， 用到的是 LAB-Bench 基准数据集中对应的 SeqQA 任务。它涵盖各种序列特性、分子生物学工作流程中常见的实际任务，以及 DNA、RNA 和蛋白质序列之间相互关系的理解和解释。
在 SeqQA 任务下，对 human、random、不同模型的评估可得，模型能够回答大多数 SeqQA 问题，各模型的精确率表现在 40%-50% 之间，远高于随机预期，这表明模型具有对 DNA、蛋白质序列以及分子生物学任务进行推理的能力。
SeqQA 子任务精度
此外，研究人员通过深入分析它们在 SeqQA 特定子任务的表现，结果发现模型在不同子任务上的准确性存在很大差异，其中一些任务甚至达到了 90% 以上的精确率。
从图表到协议，模型的基本推理能力评估
为了评估模型的基本推理能力， 用到的是 FigQA、TableQA、ProtocolQA。
其中，FigQA 衡量的是 LLMs 理解和推理科研图表的能力， FigQA 的问题仅包含图表的图像，没有图表标题、论文文本等其他信息。大多问题要求模型整合图表的多种元素信息，需要模型具有多模态能力。
TableQA 衡量的是从论文表格中解读数据的能力。 问题仅包含从论文中提取表格的图像，没有图表标题、论文标题等其他信息。问题不仅需要模型在表格中查找信息，还需要对表格中的信息进行推理或数据处理，这也要求模型具有多模态能力。
ProtocolQA 的问题是根据已发表协议 (published protocols) 设计的， 这些协议经过修改或省略步骤引入错误，然后问题会提出修改协议后的假设结果，并询问需要修改或添加哪些步骤来「修复」协议，以产生预期的输出。
通过对 human、random、不同模型的评估可得，在 FigQA 测试中，Claude 3.5 Sonnet 模型的表现远高于其他模型，表明它对图像内容的解释和推理能力更好。
在 TableQA 测试中，所有模型的覆盖率均较高，这说明 TableQA 是最简单的任务。此外，Claude 3.5 Sonnet 再次表现得非常好，甚至在精确度上超过人类的表现，并与人类的准确率相当。
在 ProtocolQA 任务中，模型的表现相当，精确率集中在 50-60% 左右，模型以相当高的覆盖率回答协议问题，这是因为模型不需要进行明确查找，而只是根据训练数据提出一个解决方案。
41 个克隆场景测试集，AI 辅助生物学家未来探索
为了比较模型和人类在具有挑战性任务上的表现， 研究人员引入了 41 个克隆场景 (Cloning Scenarios) 的测试集，包括多个质粒、DNA 片段、多步骤工作流程等。这些场景是对人类来说具有挑战性的多步骤、多选择问题， 如果 AI 系统在克隆场景测试上达到高准确率，即可认为该 AI 系统能够成为人类分子生物学家的优秀助理。
通过对 human、random、不同模型的评估可得，模型在克隆场景上的表现也远低于人类表现，Gemini 1.5 Pro 和 GPT-4-turbo 的覆盖率较低。此外，就算是模型能够正确回答问题，也被认为它们是通过排除干扰项，然后进行猜测得出的正确答案。
综上，在 LAB-Bench 任务中，不同模型的表现存在很大差异，通常会因缺乏信息而拒绝回答问题，尤其是在明确要求进行信息检索的任务中。此外，模型在需要处理 DNA 和蛋白质序列（尤其是子序列或长序列）的任务上表现不佳。在实际研究任务中，人类的表现远优于模型。
LAB Bench 语言模型生物学基准数据集：
以上就是 HyperAI超神经本期为大家推荐的数据集，如果大家看到优质的数据集资源，也欢迎留言或投稿告诉我们哦！
参考资料：
