OmniVCBench：面向 AI 虚拟细胞的证据落地多模态推理基准

研究团队发布 OmniVCBench，一个以图表为中心、可回溯来源的多模态推理基准，用于评测 AI Virtual Cells 的“解释”环节。基准包含 6,077 条从科学文献图表与实验语境中整理的单图和多子图问答对，并依据 Bloom 分类法设计三类科学推理任务。同时提出 AIVC-Judge 任务条件化评审框架，以及将模型推理错误转为选择题干扰项的 MDHNM 策略。

此前 AIVC 基准主要集中在模拟层，即预测细胞响应，缺少对模型如何解读实验证据、提出生物学假设的评测。该工作把评测重心移到解释层，并提供可追溯来源的图表问答数据与开放式回答评审方法，补上了 AIVC 评测链条中的一环。

该基准从文献图表和实验语境中抽取问答对，按 Bloom 分类法把 AIVC 的 Predict–Explain–Discover 议程映射为三类解释层任务；AIVC-Judge 以任务条件和类别专属评分标准评审开放式回答，MDHNM 则把模型推理中出现的合理错误转化为选择题干扰项，从而用更低成本完成评测。

对做科研 AI 助手或多模态文献理解产品的团队，这意味着评测标准从“能否答对”转向“能否基于图表证据给出可追溯的解释”。研发上需要准备图表解析、实验语境对齐和开放式回答评审链路；若采用 MDHNM，可将模型错误自动转为选择题，降低大规模评测成本。

• 面向生物医药多模态模型团队，提供基于 OmniVCBench 的图表证据问答评测服务，输出可追溯的解释层评分。
• 在科研文献助手产品中集成 AIVC-Judge 式任务条件化评审，对开放式假设生成结果做分级反馈。
• 利用 MDHNM 思路搭建错误挖掘流水线，把模型推理失败案例自动转为低成本选择题测试集。
• 为 AIVC 相关模型厂商提供解释层与模拟层分开汇报的评测报告模板，便于定位能力短板。

• OmniVCBench 的 6,077 条问答对在论文中如何划分训练、验证与测试集？
• AIVC-Judge 与人类专家评分的一致性程度如何？
• MDHNM 生成的选择题干扰项是否会引入偏差，导致 MCQ 准确率与开放式评分相关性被高估？
• 该基准是否覆盖除文献图表外的其他实验证据类型，如测序数据或影像？