GeneBench-Pro usa datos biológicos desordenados para medir criterio investigador, no memoria de manual.
La mejor marca inicial fue GPT-5.6 Sol Pro, con 31,5% en 129 tareas; Sol alcanzó 28,7% y Claude Opus 4.8 lideró fuera de OpenAI con 16,0%. El test mide sesgos, fallos de control de calidad, decisiones estadísticas y cuándo descartar un plan de análisis.
Fuentes: CocoLoop、Introducing GeneBench-Pro (OpenAI); AlphaSignal; Silicon Report