BioSecBench-Surveillance：病原体基因组监测AI代理可验证基准

新基准BioSecBench-Surveillance包含100个评估任务，覆盖7个类别，从分类到基因工程检测。16个模型-工具组合在3962次尝试中，最佳配置Opus 4.8 with PI仅达50.2%准确率，与GPT-5.5 with Codex并列。Opus 4.7 with PI为49.6%，Sonnet 4.6 with PI为48.6%。即使调用正确工作流，错误仍源于参考序列、阈值、过滤器等选择失误。该基准为衡量下次疫情爆发时AI代理的可信度提供了标准。