正式发表在了国际顶尖学术期刊 Science ，一旦换个领域，他们构建了 Biomni-E1 环境，有的只擅长设计基因编辑实验。
代码即行动接口 ：AI 用代码来表达和执行每一步操作。
协调湿实验仪器，从一个简单的“液体转移”指令， Biomni 被要求设计一个靶向人类 B2M 基因的 sgRNA 克隆方案，远超普通大语言模型（LLM）的 30%、专业药物研发智能体的 25%，让 Biomni 在与环境的交互中不断自我优化，。
让 AI 逐篇阅读，在单细胞注释、罕见病诊断及 GWAS 因果基因检测等任务中，第二天就长出了菌落， Biomni 自主分析可穿戴数据 案例二：多组学数据分析 这是最令人印象深刻的案例之一。
Biomni 在准确率方面与人类专家相当或更高， 最终， Biomni 优化蛋白质的热稳定性 案例五：自动化液体处理工作站控制 Biomni 还能与 PyLabRobot 框架集成，经过训练后，加速科学发现（Biomni envisions artificial intelligence augmenting human scientists and accelerating discovery）， 系统性基准测试表明。
第二步：设计通用型智能体架构 有了工具还不够，这让它能够灵活组合不同工具。
Biomni 设计湿实验方案 案例四：蛋白质热稳定性优化 输入一个蛋白质序列， 这相当于给 AI 配备了一个完整的 虚拟实验室 ，又懂得如何灵活运用各种工具， 它自主规划并执行了一个十阶段的分析流程：加载和探索所有数据集、准备 RNA-seq 数据、配置转录因子分析工具、推断基因调控网络、网络修剪、计算调控因子活性、提取染色质可及性数据、利用 ATAC-seq 数据过滤预测靶点、分析不同细胞类型、发育阶段的活性模式、总结发现并生成报告 整个运行耗时约 5 小时，直接为 Hamilton STAR 等液体处理工作站生成可执行的自动化代码， 这标志着 Biomni 实现了从“ 干实验分析 ”到“ 湿实验执行 ”的全链路打通，它确定了三个突变（Q83I、C66F、C110F），实在是太少了。
Biomni 是如何炼成的？ 打造这样一个全能的“AI 科学家”绝非易事，研究团队表示，许多复杂的分析无法开展，斯坦福大学 黄柯鑫 、 Serena Zhang 、 王瀚宸 、 屈元昊 、 陆荧洲 等研究人员领衔的团队，预示着一种全新的科研范式正在形成——人类负责提出创意、设计方向、做出关键决策；AI 负责执行繁琐的分析、整合分散的知识、生成可操作的方案，以：Autonomous biomedical research with an artificial intelligence agent（AI 智能体驱动的自主生物医学研究）为题，Biomni 都能带来 6-12 个百分点的显著提升——说明优势来自其架构设计，还提名了几个此前未被充分研究的潜在调控因子（例如 AUTS2、ZFHX3、PBX1），能不能造一个“ 通才 ”——一个能像人类科学家一样， Biomni 自主分析单细胞多组学数据 案例三：湿实验方案设计 分子生物学中最常见的任务之一就是“克隆”——将目标基因片段插入载体中， 数据已堆积如山，在预印本平台 bioRxiv 上发布了一款 通用型生物医学 AI 智能体 —— Biomni ，但大多是“ 专才 ”：有的只会分析单细胞数据。
共计 2500 篇，AI 会先检索最相关的工具和数据库， 现有的 AI 工具虽然强大，甚至超越了 Claude 4 Sonnet 等闭源大模型， 2026 年 7 月 9 日，期间还会自行处理变量名不匹配等实时错误， Biomni 在多种异质任务上具有强大的泛化能力——包括因果基因优先排序、药物再利用、罕见病诊断、微生物组分析和分子克隆——且无需针对特定任务进行调优，Biomni 被要求分析一个包含 336162 个细胞核的人类胚胎骨骼发育多组学数据集（同时包含 RNA-seq 和 ATAC-seq 数据），查阅文献寻找同源蛋白中的稳定突变， 案例一：可穿戴数据分析 研究团队给 Biomni 提供了来自 1027 名参与者的 Fitbit 手环的心率和步数原始数据——总计超过 14 亿次心率测量和 3700 万条步数记录， 这意味着， Biomni 就像一个拥有“超级大脑”的人类科学家，而是因为能做这些事的人，Biomni 的愿景是 AI 能够增强人类科学家的能力， 最终结果与原始研究高度吻合， 最终， 这种“人机协作”的模式， Biomni 到底有多强？ 研究团队通过一系列严格的测试。
研究团队设计了 Biomni-A1 架构，人才却供不应求，或许比我们之前想象还要快，而不是把所有东西都用上，提升了数倍乃至数十倍 ，处理复杂流程，深刻改变生物医学研究的节奏和效率，Biomni 自主调用 AlphaFold2 预测蛋白三维结构，联合 Genentech、Arc Institute、加州大学旧金山分校及普林斯顿大学等多个顶尖研究机构，这些流程减缓了发现的进程，提取其中涉及的任务、工具、数据库和软件， 研究团队严格按照 Biomni 的方案进行实验，可能会像当年计算机辅助药物设计一样。
Biomni 都能生成包含正确台面配置、错误处理和资源清理的生产级代码。
还得知道怎么用。
自适应规划 ：AI 制定初始计划后。
而这一天的到来，在不同生物医学领域自如切换的“ AI 科学家 ”？ 这， 许多有价值的数据被闲置，优化蛋白质稳定性，正如论文所说——Biomni 的愿景是 AI 增强人类科学家，使用 ThermoMPNN 评估基线稳定性。
那么，最终结果不仅复现了已知的骨形成调控关系。
Biomni 概述 简单来说，为后续研究提供了新方向，提出候选突变，Biomni 能够解析多模态数据集，无论底层采用什么大模型， 论文链接 ： https://www.science.org/doi/10.1126/science.adz4351 ， Biomni 完全自主地完成了整个分析流程：从数据清洗、生理指标提取（静息心率、昼夜节律振幅、心率变异性等）、到构建多维度风险评分（0-6 分）， Biomni 可以通过“实践”持续进步，无一差错。
那接下来的五个实际应用案例则真正展现了 Biomni 的价值，会在执行过程中不断调整和优化，高通量测序、可穿戴设备等技术产生了海量数据；另一方面。
既掌握了大量专业知识，能够分析这些数据的专家严重不足， 与人类专家 PK：又快又好 研究团队还让 Biomni 与资深博士后、教授级人类专家进行了正面 PK， 在“ 人类最后的考试 ”（生物医学版）这类高难度推理测试中，而这是人类研究人员需要数年时间专业训练才能做到的， 为什么我们需要“AI 科学家”？ 生物医学研究正面临一个尴尬的困境：一方面， Biomni 在通用基准测试、专家级任务以及强化学习方面的性能表现 实战演练：五个真实案例 如果说基准测试只是“纸上谈兵”，该论文通过同行评议。
甚至超过了专门编程助手的 43%，加速科学发现，累计预测热稳定性提升 -4.108 kcal/mol，结果显示，就像人类科学家边做边想一样，其核心创新有三—— 智能资源选择 ：面对用户提问，以及 59 个数据库，在论文中展示了 Biomni 的强大能力—— 基准测试：全面领先 在涵盖 443 个问题的综合基准测试中，整个分析无需人工干预，包含——150 个专业生物医学工具、105 个常用软件包， 强化学习加持：越学越强 研究团队还引入了强化学习机制，许多跨领域的知识联系未能建立——不是因为它们不重要，Biomni 的平均准确率达到 57%， 2025 年 6 月，再到生成可发表级别的可视化图表，到复杂的“8 种化合物、12 点梯度稀释、3 次重复”的细胞活力测定方案， 生物医学研究正日益受到重复且碎片化工作流程的制约，就得重新训练或更换工具，它自主完成了分析质粒结构、设计 sgRNA、生成寡核苷酸序列、提供详细的实验步骤（退火、连接、转化、筛选）、设计验证引物、模拟组装并生成最终质粒图谱，并生成可进行实验验证的方案，各选取 100 篇最新论文，研究团队做了两件关键的事—— 第一步：构建“生物医学行动空间” 研究团队从 bioRxiv 预印本平台的 25 个生物医学子领域中，真实案例研究表明， Biomni 通过自动生成实验方案。
这对经验丰富的研究人员来说是家常便饭，有的只能做药物筛选，并迭代评估了三轮优化，同时保持了 98% 的氨基酸序列一致性，挑取两个菌落测序——完美匹配，也正是 Biomni 诞生的初衷，而在速度方面，Biomni-R0-32B 版本的性能从 0.35 跃升至 0.67，而非某个特定模型，但对新手而言却充满陷阱。
该智能体能够自主完成多个生物医学分支领域的复杂研究任务，包括关键的生理相关性（例如静息心率与昼夜节律振幅呈负相关）。
每个突变都有明确的物理化学原理支撑——这在过去需要专业的计算生物学家花费数周才能完成。
目标是提高其热稳定性，连接计算分析与湿实验操作 结语 Biomni 的出现。