OpenAI 6 月 30 日放出一套新测试，叫 GeneBench-Pro，专门考 AI 能不能顶替计算生物学家干活。第一批成绩出来，最能打的是它自家的 GPT-5.6 Sol Pro——129 道题，过了 31.5%。
这套题刁钻在数据上。每道题给一份”脏”数据集：测量误差、选择偏差、混杂因素、没过质控的样本，全都原样留着，再配一个最终要落到具体决策上的目标。AI 得自己拿主意：这份数据到底能回答什么问题、中途冒出来的异常信号要不要改分析思路、手上这个结论什么时候算得上能拿去做决定。
OpenAI 给这种能力起了个名字，research taste。官方说法是一连串判断：哪些问题这份数据撑得住、早期的警告信号该怎么修正你的模型、什么时候你一开始定的方案就得整个推翻。
成绩单摊开来看，梯队很清楚：GPT-5.6 Sol Pro 31.5%，稍弱一档的 Sol 28.7%，非 OpenAI 阵营里最高的是 Anthropic 的 Claude Opus 4.8，16.0%。也就是说，眼下最强的模型碰上真实的生物数据分析，过关率还不到三分之一。
为什么专门做这么一套。过去测 AI 生物能力的题，多是有标准答案的选择题或封闭问答，模型刷到高分不难，可那考的是记住了多少，不是会不会分析。GeneBench-Pro 把重点挪到了后者：统计和群体遗传、调控组学、蛋白质组和生物标志物，都是生物信息岗位上每天要碰的活。对药企和做新药发现的团队，这是头一份用确定性打分算出来的账，写明白了 AI 离”自己独立跑完一套科研分析”还隔着多远。
这条线 OpenAI 一直在铺。它前不久刚给生物实验室单独造过模型 GPT-Rosalind，把算基因的活往 AI 上搬。GeneBench-Pro 更像是给这条路立根标尺：能力到没到，别自说自话，拿分数说话。GPT-5.6 系列眼下还在政府批准的小范围预览里，全量放开要等到 7 月中旬。
参考来源：CocoLoop、Introducing GeneBench-Pro（OpenAI）；OpenAI's GeneBench-Pro Exposes That Top AI Fails Real Biology 70% of the Time（AlphaSignal）；OpenAI Introduces GeneBench-Pro, Benchmarking AI in Genomics and Biology（Silicon Report）