完整的 BioProBench 测试集约有 5,000 条结构化实例，覆盖五个任务。为了保持仓库轻量，这里不托管完整数据——请先从 Hugging Face（https://huggingface.co/BioProBench）下载到工作目录，再开始正式评测。
这里随附的是一份两条记录的样例，重点在于 schema 而不是内容。评测是从携带模型回复的同一批记录里读取标准答案的，因此一份纯模型输出的文件会得零分，却仍然返回 success。这份样例就是「一条形状正确的记录长什么样」的参照。
| 文件 | 职责 |
|---|---|
sample_pqa_output.json |
两条 PQA 记录，形状与 run_bioprobench_eval 的要求完全一致：基准字段（question、answer、choices、type、id）并排合并了一个 generated_response。answer 就是评测比对用的标准答案；每个 generated_response 都演示了必需的 [ANSWER_START] <choice> & <confidence> [ANSWER_END] 包裹格式，前面可以带一段可选的 </think> 前缀。 |