Theo giám sát của Beating, khi truy xuất dữ liệu gen virus thực tế, ngay cả các tác nhân AI tiên tiến như GPT-5.5 hay Claude cũng thường xuyên mắc lỗi. Do cấu trúc lộn xộn và giao diện không tương thích của các cơ sở dữ liệu sinh học truyền thống (như NCBI), các mô hình lớn khó có thể ổn định chọn lọc ra các tập dữ liệu đạt chuẩn. Để làm cho việc truy xuất đáng tin cậy hơn, Anthropic đã hợp tác với Trung tâm Thông tin Công nghệ Sinh học Quốc gia Hoa Kỳ (NCBI) để phát triển công cụ truy xuất xác định gget virus. Sau khi tích hợp, độ chính xác truy vấn dữ liệu của AI đã tăng trực tiếp lên gần 100%.
Nhóm nghiên cứu đã sử dụng chuẩn VirBench tự phát triển (bao gồm 40 mầm bệnh và 120 nhiệm vụ truy xuất) để kiểm tra các mô hình lớn. Khi không có công cụ hỗ trợ, độ chính xác truy xuất của AI dao động rộng từ 16,9% đến 91,3% và kết quả khi chạy cùng một lệnh nhiều lần cực kỳ không ổn định. Lấy một truy vấn dự kiến trả về 266 chuỗi làm ví dụ, Claude Sonnet 4 chạy ba lần, chỉ lần lượt tìm lại được 106, 15 và 5 chuỗi. Trong nghiên cứu sinh học nghiêm ngặt, dù chỉ thiếu một chút dữ liệu gen cũng có thể gây ra hậu quả thảm khốc: nếu sử dụng dữ liệu khiếm khuyết để tái tạo cây phát sinh chủng loại của virus Ebola, thời điểm nguồn gốc của đại dịch sẽ bị đẩy lùi sai lệch gần một thế kỷ; khi đánh giá hiệu quả của các loại thuốc kháng thể như maftivimab và MBP134, AI còn bỏ sót các vị trí đột biến quan trọng của virus, trực tiếp dẫn đến đánh giá sai lệch phương án điều trị.
Công cụ gget virus mới được phát triển tương đương như việc xây dựng một "đường hầm chuyên dụng" bên dưới cơ sở dữ liệu sinh học phức tạp. Là một lớp truy xuất xác định, gget virus tự động điều phối nhiều API cơ bản như REST, Datasets và E-utilities, xử lý tải xuống theo lô, lọc cục bộ và trích xuất bản ghi GenBank, đồng thời xuất ra nhật ký chuẩn hóa. Sau khi tích hợp, độ chính xác truy xuất của tất cả các tác nhân đều vượt quá 90%, trong đó GPT-5.5 đạt 99,7%, loại bỏ hoàn toàn sự không nhất quán khi chạy nhiều lần. Điều này cũng có nghĩa là, chỉ cần trang bị công cụ phù hợp, các mô hình giá rẻ cũng có thể cung cấp độ tin cậy cực cao. Nhóm nghiên cứu cho rằng, các cơ sở dữ liệu sinh học trong tương lai nên thực hành triết lý phát triển mà Andrej Karpathy đề xướng – xây dựng hướng đến tác nhân (build for agents), thiết kế AI như một người dùng quy mô lớn cốt lõi, để tạo ra một công cụ ngữ cảnh sinh học có độ tin cậy cao.
