评测任务

01 / 实验优化

模型提出配方、观察所得颜色，再选择下一轮实验。四个任务组等权计入该类别：苏州 Real-4D、新加坡 Real-4D、Sim-4D 0-shot 与苏州 Real-8D。

预算

每次运行 12 轮计分实验。

达标阈值

新加坡 ΔE₀₀ ≤ 5；其他任务组 ΔE₀₀ ≤ 1。

评价依据

最优误差、成功频率、达标效率与重复稳定性。

历史信息

50-shot 与 100-shot 用于分析历史数据利用，不重复计入类别得分。

Real-8D 中，所评估方法的 54 条运行均未达到严格目标，但连续色差仍能区分改进程度。站点间比较需要考虑传感方式、目标和阈值差异。

02 / 约束遵守

运行必须至少一次达到 ΔE₀₀ ≤ 1，并且全程零违规，才算成功。评测采用六种禁止区间。达标后继续执行，第二次违规后终止；终止运行仍保留在分母中。

126 条运行中，59 条曾达标，10 条同时全程零违规：分别为 46.8% 与 7.9%。仅凭最终目标误差无法识别这一差别。

03 / 自适应鲁棒性

两项真实任务检验出现偏差后的调整。隐藏移液漂移引入未告知模型的持续分液偏差；树脂转移要求模型补偿实际转移体积误差。

隐藏漂移

在有效暴露后恢复至 ΔE₀₀ ≤ 1，并记录恢复所需的额外实验。

树脂目标

三种黏度下，实际转移体积达到 500 ± 10 μL。

评价

全轮次合格率、重复一致性，以及首次连续三次合格所需轮数。

聚合

两项鲁棒性子任务等权。

七个语言模型的树脂转移合格率随黏度升高从 86.9% 降至 32.9%。±10 μL 是任务判定标准，不是仪器精度认证。

04 / 多模态光谱推理

光谱匹配要求模型根据目标与实测光谱图调整配方。每轮不向模型返回数值 RMSE；评价时根据实测光谱计算误差。

匹配目标

12 轮实验内光谱 RMSE ≤ 0.100。

主动推断

选择对固定实测光谱库的查询，并提交 pKa 估计。

重复含义

主动推断重复评估同一实测库上的查询与推断变化，不代表新增独立湿实验测量。

聚合

光谱匹配与主动推断等权。

评分与可比覆盖范围

类别得分采用固定阈值和任务专属转换；不会自动把观测到的最高分模型缩放到 100。结果、效率和重复稳定性按各任务规则计入。

七个模型共享前三类任务，五个模型具有四类完整覆盖。未测多模态结果为 N/A，不填零，也不混合不同任务子集的均值。贝叶斯优化作为任务级基线，不进入这些指数。

在适用任务组内，目标等权。显示值经过舍入，综合指数保留原始计算结果。可在结果页点击模型，交互查看得分组成与任务覆盖。