近日，UniPat AI牵头发布“史上最严”湿实验预测基准SPU。该基准含116个任务、4207个湿实验，覆盖化学、材料、生物和医学，要求AI在8小时内自主预测真实实验结果。首批评测中，Opus 5.5、GPT-6 Astra等12款前沿模型集体“翻车”，最高平均分仅0.486，距可靠预测仍很遥远。测试表明，盲目拉满推理强度或算力翻5倍也无法显著提升得分，核心在于模型能否准确选择判断依据。SPU为AI科研能力提供了严谨的统一评估标准，目前数据集与代码已开源，将持续推动AI for Science发展。