GeneBench-Pro testet mit unsauberen biologischen Datensätzen, ob Modelle Forschungsentscheidungen treffen können.
Den besten Erstwert erzielte GPT-5.6 Sol Pro mit 31,5 Prozent über 129 Aufgaben; Sol kam auf 28,7 Prozent, Claude Opus 4.8 führte außerhalb von OpenAI mit 16,0 Prozent. Geprüft werden Verzerrungen, fehlerhafte Qualitätskontrolle, Statistikentscheidungen und der Punkt, an dem ein Analyseplan verworfen werden muss.
Quellen: CocoLoop、Introducing GeneBench-Pro (OpenAI); AlphaSignal; Silicon Report