GeneBench-Pro memakai data biologi yang kotor untuk menguji keputusan riset model, bukan sekadar hafalan soal.
Skor tertinggi rilis awal adalah GPT-5.6 Sol Pro dengan 31,5% dari 129 tugas; Sol mencatat 28,7%, sedangkan Claude Opus 4.8 memimpin di luar OpenAI dengan 16,0%. Uji ini menekan bias, sampel gagal QC, pilihan statistik, dan kapan rencana analisis harus dibatalkan.
Sumber: CocoLoop、Introducing GeneBench-Pro (OpenAI); AlphaSignal; Silicon Report