OpenAI 发布 GeneBench-Pro，测 AI 做计算生物学的「研究品味」
6 月 30 日，OpenAI 发布 GeneBench-Pro，一个专门测试 AI 在计算生物学领域「研究品味」的基准。它不是考模型背了多少生物学知识或跑一个固定分析流程，而是考模型面对含噪声、有歧义的实验数据时，能不能做出正确的判断链：该用哪种分析方法、什么时候怀疑数据有问题、什么时候可以下结论。 GeneBench-Pro 包含 129 道横跨基因组学、定量生物学和转化医学的问题，每道题都给模型一段简短的实验背景、一堆真实又脏乱的数据文件和一个与下游决策挂钩的目标估计量。因为题目是合成构建的（因果结构已知），答案可以直接按目标值对错判定，避开了传统长流程基准中「两条路径都对但作者只认一种」的评分陷阱。OpenAI 把 82 道题送给了研究生、博士后和教授做外部审核，确认问题的真实性和答案的可识别性。UCLA 人类遗传学助理教授 Alexander Strudwick Young 的评价是：这些问题对没有导师反复反馈的研究生都够呛。 评测结果：GPT-5.6 Sol 在最高推理层级上通过率 28.7%，开 Pro 模式 31.5%。对比强烈的是，GPT-5 在 OpenAI 最初开发 GeneBench 时通过率不到 5%，进步明显，但当前最强的模型仍然离及格线很远。OpenAI 特别指出，GPT-5.6 与开源模型 GLM 5.2 的性能差距远大于编程基准上所体现的，暗示开源模型在需要广谱科学推理的任务上还有明显短板。 10 道代表性题目已开源到 Hugging Face，50 道题将交给 Artificial Analysis 做独立第三方评测。
①
基准定位：测「研究品味」而非知识储备
GeneBench-Pro 的核心定义是「研究品味」—— 模型面对模糊数据时做出一连串判断的能力：问题能不能被数据支持、初步诊断该不该改方法、什么时候能停止迭代给出最终答案。这与现有大多生物基准（考知识检索或执行固定流程）有本质区别。从 OpenAI 自己公开的案例来看，题目要求模型处理长期追踪的分子肿瘤数据、CRISPR 筛选的混杂效应、连锁基因座的因果分离等真实研究场景中典型但复杂的统计问题。
②
评测结果：GPT-5.6 Sol 28.7%，测试时计算扩展效应显著
在最高推理层级上，GPT-5.6 Sol 解决了 GPT-5.2 的近六倍题目，同时用了约三分之二的计算量（以 token 计）。OpenAI 认为按当前进步速度，这个基准可能在年底就被饱和——但这恰好暴露了当下模型离独立科学推理还有多远。
③
开源与第三方评测安排
10 道完整题目（含 prompt、数据、案例研究）已在 Hugging Face 开放浏览。50 道题的子集将交给 Artificial Analysis 做独立评测，这是 OpenAI 首次将自建科学推理基准交由外部验证，有助于避免「自家考场自家高分」的质疑。