OpenAI 发布 GeneBench-Pro，评测 AI 在计算生物学的科研判断力
OpenAI 在 6 月 30 日发布了全新的研究级基准测试 GeneBench-Pro，专门用来评估 AI 智能体在计算生物学领域处理真实科研场景的能力。与以往侧重知识检索或固定流程的评测不同，GeneBench-Pro 的 129 道题目横跨统计遗传学、癌症基因组学、群体遗传学等 10 个子领域，核心是测量模型面对杂乱数据和多重歧义时的高阶判断力——比如选择合适的分析路径、复查早期假设、判断结果是否足以支撑下游决策。 基准的一个关键设计是用合成数据来构建题目：OpenAI 完全掌控数据的生成过程，从而为每道题设定了确定的评测目标，避免了传统生物学基准测试中因分析路径主观选择导致的评分偏差。评测方式也力图接近真实科研环境：智能体在一个隔离工作区中，拿到简短的任务说明、一堆数据文件和一套标准的生物信息学工具栈，自行探索、实验并给出最终答案。 从公布的初步结果看，当前最强的模型在这些难题上还远未到可靠程度。OpenAI 自家的 GPT-5.6 Sol 在最高推理层级下只有 28.7% 的正确率（开启 Pro 模式后略升至 31.5%），相当于近七成的情况下仍无法独立完成一个研究生级别的分析。但进步速度很快：一年前最强的 GPT-5 在此类任务上得分不到 5%。OpenAI 还指出，GPT 系列模型与顶尖开源模型如 GLM 5.2 在这类不确定性量化任务上的差距，比编码类基准测试所显示的要大得多。 这批材料包括一篇主公告和一份详细的 10 篇内部案例研究。OpenAI 已在 Hugging Face 上开源了 10 个代表性题目，并计划近期向第三方评测平台 Artificial Analysis 提供 50 题的独立评测子集。