OpenAI 发布 GeneBench-Pro 基准测试，提升 AI 模型生物学分析能力！

生物科技发展日新月异，可面对海量、复杂又时常残缺不全的实验数据，研究者们常常感到力不从心。传统的分析工具在理想环境下表现尚可，一旦遇到真实科研中的“一团乱麻”——数据不完整、背景信息模糊、各种干扰并存——就容易失灵。怎么办？OpenAI 最近推出了一套全新的基准测试——GeneBench-Pro，目标很明确：检验 AI 到底能不能像真正的科研人员一样，在混乱中理出头绪，做出靠谱的判断。

GeneBench-Pro 和过去那些基准测试完全不是一个思路。传统测试更像是在考“记忆力”和“流程熟练度”：给的数据整整齐齐，任务路径固定，模型只要按部就班就能拿高分。而 GeneBench-Pro 反其道而行之，它刻意制造“模糊、不完整、带有干扰”的数据环境，让模型自己去探索、分析、纠偏。说白了，就是要看它在真实科研场景里，能不能扛得住“脏数据”的考验。

这套测试的覆盖面相当广，涵盖了基因组学、定量生物学和转化医学三大领域，总共 129 道题目，具体又深入到统计遗传学、群体遗传学、功能基因组学、蛋白质组学等子方向。每道题都给模型提供一套贴近真实实验的数据集，再配上简短的背景说明和具体问题，要求模型自己选择分析方法、调整策略，最后给出结论——整个过程基本上就是一次科研模拟。

值得一提的是，OpenAI 在设计时特意采用了合成数据。这么做能有效避免传统长流程测试中常见的评分偏差——因为数据生成过程可以被完全控制，模型到底是真的理解了问题，还是靠“猜”、靠“走捷径”答对的，一眼就能看出来。相比之下，很多传统测试往往混淆了“真懂”和“蒙对”，分数水份不小。

目前，OpenAI 已经在 Hugging Face 平台上开源了 10 道具有代表性的示例题，外部研究人员可以通过交互界面直接上手体验。按照计划，后续还会把其中 50 道题交给 Artificial Analysis 做独立评测，到时候不同模型在这个基准上的真实水平，就可以公开比一比了。