UniPat AI联合斯坦福、哈佛等机构推出湿实验预测基准SPU，包含116个任务、4207个实验，覆盖化学、材料、生物、医学领域。模型需在8小时内自主检索、计算并预测实验结果排序。首轮评测12款前沿模型，最高分仅0.486，约半数任务超过随机水平。研究还发现，提高推理强度或增加工具调用未必提升成绩，关键在于选对判断依据并将算力用于相关物理量。