11月12日，Nextflow Frontier在纽约发布了一套面向生命科学未解问题的闭环发现系统。官方给出的对比数据很直接：在BioML-bench上，这套系统在24项任务里的22项超过了榜上96%的成绩，而OpenAI的Rosalind平均为75%，Anthropic的Claude Science为66%。BioML-bench是一个由已发表实验室实验构建的公开基准，涵盖药物发现、生物医学影像、单细胞组学与蛋白质工程四类任务。
先把这几组数字的含义说清楚。96%指的是在每一个任务的排行榜上，系统超过了96%的参赛成绩，而不是绝对准确率96%。这个口径衡量的是相对位置，好处是跨任务可比，坏处是不能直接换算成"对了多少"。三个系统的比较用的是同一个口径，所以横向比较成立。
另一组数据是全任务覆盖：与已发表的其他智能体结果相比，Nextflow Frontier在全部24项任务上领先，平均超过92%的榜上成绩，而表现最好的已发表智能体是75%。这组数据的意义在于稳定性，说明它不是靠某一类任务拉高平均，而是在四类任务上都站得住。
需要看到的局限也很明确。基准来自已发表的实验，任务的答案已经存在于文献中，系统是在一个被整理过的环境里工作。真实科研面对的是没有标准答案、连评价指标都要自己设计的问题。所以在讨论这类系统时，更准确的说法是"在可测量的任务上表现突出"，而不是"能独立做科研"。
最值得注意的数字是时长。在22项可比任务上，Nextflow Frontier每个任务的中位搜索时间是62小时，而Rosalind是9分钟，Claude Science是6分钟。三者相差两个数量级，这个差距比分数差距更能解释结果。
9分钟意味着一次生成、一次评估、结束。62小时意味着几百次尝试、每次评估、根据结果调整方向、再试。前者像一个答题的人，读题、写答案、交卷；后者像一个做实验的人，设计一组条件、跑一遍、看数据、改条件、再跑。科研的真实形态是后者。
这也解释了为什么它能在一些任务上超过参数大得多的模型。药物发现那一项里，系统在80小时内做了820次带评分的尝试，最终自己组合出几个简单的化学模型，这些模型在笔记本上几秒钟就能训练完并推理。它的分数超过了榜上十亿参数级的神经网络。这不是算力赢了，是尝试次数赢了。
EGFR是一个经典的癌症靶点，任务是给小分子按"命中概率"排序。系统没有直接调用一个现成的预测模型，而是先形成若干假设，把每个假设转成一条可执行的Nextflow流水线，并行跑上千条，在硅基环境里打分验证，再根据结果学习、重新跑。
80小时、820次尝试之后，它交出的是一组自己搭建的简单化学模型，而不是一个端到端训练的大网络。这个选择本身就带有科学判断的味道：当数据量有限、任务的可解释性要求高时，简单的模型可能比复杂的模型更稳。系统不是被教成这样做的，是在反复试错里发现了这条路。
另一个案例更能说明"自主"的含义。在预测人体肝脏代谢药物速度的任务里，系统自己去同一份公开研究里找来了大鼠肝脏的测量数据，纳入建模，超出了基准原本提供的数据范围。这不是执行预设步骤，是在问题空间里主动找资源。这类行为在评测里很难被设计出来，只能被观察到。
官方对产出的定义是：不是答案或建议，而是可运行的模型与背后的可复现方法。系统把每个想法落成一条真实的Nextflow流水线，跑完之后留下流水线、参数与评估记录。其他研究者可以拿这套东西在自己的数据上重跑。
这个差别在科研场景里是本质性的。一个模型告诉你"这个分子可能有效"，你无法验证它为什么这么认为；一条流水线告诉你"我做了这些处理、用了这些特征、在这个指标上得到这个分数"，你可以逐段检查、替换、复用。前者是结论，后者是方法，而科学共同体的通货是后者。
选择在Nextflow上构建也不是偶然。Nextflow是计算生物学领域用了十年的开源工作流引擎，全球排名前二十的药企里有十五家在用。Anthropic把Nextflow技能接入了面向生命科学的Claude，OpenAI的Rosalind Workbench也建在nf-core流水线上。也就是说，这三家其实跑在同一套基础设施的不同层上，比的是谁更会用这套底座。
把这项结果放回AI4S的整体格局里看，它指向一个不太一样的竞争维度。过去两年这个领域的比拼集中在"谁的模型懂得多"：更大的语料、更长的上下文、更强的推理。而这里比的是愿不愿意在一个问题上耗更久，以及能不能把耗掉的时间组织成不重复的劳动。
这个维度对产业界的影响是实际的。药物发现里最大的浪费不是算错了，而是重复做别人做过但没发表失败的实验。一个能在几十小时里穷举几百条路径、并留下完整记录的系统，最直接的价值是让"这条走不通"变成可查的知识，而不是某个团队内部的沉默经验。
当然，62小时也意味着成本。一次任务的搜索要占用大量并行算力，而且大部分尝试会失败。这套模式适合的是有明确评价指标、且失败成本低于试错收益的问题，比如分子排序、蛋白稳定性预测。对于需要湿实验验证、每一轮都要等几周的课题，硅基的循环再快也快不过实验台。