ProteinGeoBench：前沿结构生物学智能体擅长元数据查找，却在几何计算上迷失

ProteinGeoBench 用 131 个蛋白质结构任务评测前沿智能体，结果显示它们元数据检索流利、几何计算不可靠。四个前沿模型中有三个得分落在 0.785–0.816 之间，第四个为 0.707；数值任务只有 28 个，却占所有模型均失败任务的一半。评估配置同样影响排名，每任务只跑一次时 23.9% 的 bootstrap 重采样会把不同模型排到第一。