Ken 发布 RespSurvBench 评估模型的呼吸道疫情监测能力

Ken 发布 RespSurvBench，以110项任务评估21个模型在呼吸道疫情监测与追踪中的能力，覆盖诊断检测、病原体发现、病毒演化和传播。测试包含34种模型–harness组合，最高通过率为25.5%，来自 Pi 中的 Claude Opus 5.5，拒答与执行错误均计为失败。初步分析显示，模型会把缺失观测当作阴性结果、错配记录或将测量伪影误认为真实生物信号。