GeneBench-Pro utilise des jeux de données biologiques imparfaits pour tester le jugement scientifique des modèles.
Le meilleur score initial revient à GPT-5.6 Sol Pro, avec 31,5 % sur 129 tâches; Sol atteint 28,7 %, et Claude Opus 4.8 mène hors OpenAI avec 16,0 %. Le test force les modèles à gérer biais, contrôle qualité, choix statistiques et abandon éventuel du plan de départ.
Sources: CocoLoop、Introducing GeneBench-Pro (OpenAI); AlphaSignal; Silicon Report