Представлен BioResearchBench — новый бенчмарк для оценки возможностей больших языковых моделей (LLM) в реальных условиях биологических исследований. Датасет состоит из 50 сложных задач, разработанных PhD-биологами на основе их практического опыта, и охватывает 10 различных поддоменов биологии. В задачи включены разнообразные форматы данных: секвенирование, протеомные измерения, изображения микроскопии, результаты анализов и клинические наборы данных. Исследователи провели глубокое сравнение пяти передовых моделей: OpenAI GPT-6 Astra, Claude Opus 5.5, Gemini 4 Argon, Meta Muse Wonder и SpaceXSI Grok 4.7. Результаты показали крайне низкий уровень полного успеха задач (от 4% до 18%), что подчеркивает сложность выбора и подтверждает намеренную трудность бенчмарка. Несмотря на низкий общий процент успеха, модели в среднем выполняли большинство критериев оценки, пропуская лишь от 18% до 32% требований. Анализ ошибок выявил, что наибольшие трудности у ИИ вызывают вычисления и обработка данных (66.9% провалов), а также неопределенность и идентификация (55.3%). Модели склонны к гиперинтерпретации результатов, например, заявляя о полном восстановлении клеток при частичном улучшении показателей или ошибочно определяя прямые мири-РНК без достаточных экспериментальных доказательств. Это исследование критически важно для понимания текущих ограничений ИИ в научном методе и необходимости строгой экспертной проверки выводов алгоритмов.