GeneBench-Pro dùng bộ dữ liệu sinh học lộn xộn để kiểm tra năng lực ra quyết định nghiên cứu của mô hình.
Điểm cao nhất đợt đầu là GPT-5.6 Sol Pro với 31,5% trên 129 nhiệm vụ; Sol đạt 28,7%, còn Claude Opus 4.8 dẫn đầu nhóm ngoài OpenAI với 16,0%. Bài kiểm tra nhấn vào thiên lệch, lỗi kiểm định chất lượng, lựa chọn thống kê và lúc phải bỏ kế hoạch phân tích ban đầu.
Nguồn tham khảo: CocoLoop、Introducing GeneBench-Pro (OpenAI); AlphaSignal; Silicon Report