ตามการตรวจสอบของ Beating พบว่าแม้จะเป็น AI ขั้นสูงอย่าง GPT-5.5 หรือ Claude ก็มักจะเกิดข้อผิดพลาดในการสืบค้นข้อมูลลำดับพันธุกรรมของไวรัสจริง เนื่องจากฐานข้อมูลชีววิทยาแบบดั้งเดิม (เช่น NCBI) มีโครงสร้างที่ไม่เป็นระเบียบและอินเทอร์เฟซไม่เข้ากัน โมเดลขนาดใหญ่จึงยากที่จะคัดกรองชุดข้อมูลที่เหมาะสมได้อย่างเสถียร เพื่อให้การสืบค้นมีความน่าเชื่อถือมากขึ้น Anthropic จึงร่วมมือกับศูนย์ข้อมูลเทคโนโลยีชีวภาพแห่งชาติของสหรัฐอเมริกา (NCBI) พัฒนาเครื่องมือสืบค้นแบบกำหนดผลลัพธ์ที่แน่นอนชื่อ gget virus หลังจากเชื่อมต่อ ความแม่นยำในการสืบค้นข้อมูลของ AI เพิ่มขึ้นโดยตรงเป็นเกือบ 100%
ทีมวิจัยได้ทดสอบโมเดลต่างๆ ด้วยเกณฑ์มาตรฐาน VirBench ที่พัฒนาขึ้นเอง (ประกอบด้วยเชื้อโรค 40 ชนิดและภารกิจสืบค้น 120 รายการ) เมื่อไม่มีเครื่องมือช่วย ความแม่นยำในการสืบค้นของ AI จะแกว่งตัวในช่วงกว้างระหว่าง 16.9% ถึง 91.3% และผลลัพธ์จากการรันคำสั่งเดียวกันหลายครั้งไม่เสถียรอย่างยิ่ง ยกตัวอย่างการสืบค้นที่คาดว่าจะได้ลำดับกลับมา 266 รายการ Claude Sonnet 4 รันสามครั้ง ได้กลับมาเพียง 106 รายการ 15 รายการ และ 5 รายการตามลำดับ ในการวิจัยทางชีววิทยาที่เข้มงวด แม้ข้อมูลพันธุกรรมจะขาดหายไปเพียงเล็กน้อยก็อาจนำไปสู่ผลลัพธ์ที่หายนะ: หากใช้ข้อมูลที่ไม่สมบูรณ์สร้างแผนภูมิวิวัฒนาการของไวรัสอีโบลา เวลาต้นกำเนิดของการระบาดจะถูกเลื่อนไปข้างหน้าผิดพลาดเกือบหนึ่งศตวรรษ; ในการประเมินประสิทธิภาพของยาต้านแอนติบอดี เช่น maftivimab และ MBP134 AI ยังอาจมองข้ามตำแหน่งกลายพันธุ์ที่สำคัญของไวรัส ซึ่งนำไปสู่การประเมินแผนการรักษาที่ผิดพลาดโดยตรง
gget virus ที่พัฒนาขึ้นใหม่เปรียบเสมือนการสร้าง "อุโมงค์เฉพาะ" ใต้ฐานข้อมูลชีววิทยาที่ซับซ้อน ในฐานะชั้นการสืบค้นแบบกำหนดผลลัพธ์ที่แน่นอน gget virus จะประสานงาน API หลายตัว เช่น REST, Datasets และ E-utilities โดยอัตโนมัติ จัดการการดาวน์โหลดแบบแบ่งส่วน การกรองในเครื่อง และการดึงข้อมูลบันทึก GenBank พร้อมทั้งส่งออกบันทึกที่เป็นมาตรฐาน หลังจากเชื่อมต่อ ความแม่นยำในการสืบค้นของ AI ทั้งหมดทะลุ 90% โดย GPT-5.5 สูงถึง 99.7% ซึ่งขจัดความไม่สอดคล้องกันจากการรันหลายครั้งได้อย่างสมบูรณ์ ซึ่งหมายความว่าตราบใดที่มีเครื่องมือที่เหมาะสม โมเดลราคาถูกก็สามารถให้ความน่าเชื่อถือสูงได้เช่นกัน ทีมวิจัยเชื่อว่าฐานข้อมูลชีววิทยาในอนาคตควรปฏิบัติตามแนวคิดการพัฒนาที่ Andrej Karpathy สนับสนุน นั่นคือ สร้างเพื่อเอเจนต์ (build for agents) โดยออกแบบให้ AI เป็นผู้ใช้หลักในระดับขนาดใหญ่ เพื่อสร้างเอนจินบริบททางชีววิทยาที่มีความน่าเชื่อถือสูง
