两大AI巨头，开始在生命科学再次交锋。
就在Anthoropic宣布发布开始制药时，OpenAI也宣布在生命科学的最新动作。
今天凌晨6月30日，OpenAI正式推出GeneBench-Pro，是初代 GeneBench 升级专业版生物AI评测基准，专门衡量大模型处理计算生物学复杂科研决策的综合能力。
实测结果，给火热的AI生物医药赛道浇下一盆冷水。
当前大模型看似在各类轻量化榜单上高歌猛进，一旦放到贴近真实实验室的完整科研任务中，能力短板立刻暴露。
OpenAI最强的模型GPT-5.6 Sol的通过率28.7%的问题。在专业模式下，这一比例才上升到了31.5%。
GeneBench-Pro成为首个覆盖全流程基因组科研的标准化评测基准。
未来，有望成为药企、AI 企业、高校衡量生物垂直大模型落地价值的核心参考，结束行业零散、碎片化自测乱象。
首个全流程科研能力生物AI测评集
长久以来，生命科学领域大模型评测存在致命短板。
绝大多数基准仅考核基因名词、基础流程记忆，相当于生物知识填空题完全无法模拟实验室完整科研链路。
此外，依托历史杂乱数据集出题，评分标准主观、容易出现逻辑错误也能拿分、AI 靠捷径投机刷分的失真问题。
现在几乎没有靠谱的评测方式，能测出AI 在真实生物科研里整套统筹思考、系统判断的能力，而恰恰是这类能力，才是真实科研最难的地方。
真实做基因、临床数据分析时，AI 要自己处理一堆模糊不清的信息、推翻不合理的预设、从多条分析路线里选出最合适的一条，还要判断算出的结果能不能拿来下定科学结论。
但这些高阶统筹能力很难写成标准化考题，也就没法客观打分测评。
现阶段生物基准的差异
GeneBench-Pro整套试题全部人工合成模拟生成，研发团队完全掌握数据背后完整的因果逻辑、数据生成全过程。
这些数据集包 含 10个领域和21个子领域中的129个问题，涵盖了广泛的计算生物学环境和方 法，例如临床、药物基因组 与诊断、群体遗传学、统计遗传学、癌症基因、蛋白质组等。
测评时只要 AI 的分析思路逻辑合理，哪怕细节选择有差异，最终结果都能判定合格。
同时通过消融测试验证，只要AI核心分析路径出错，无论怎么调整参数，最终都会得出错误结论，杜绝逻辑错还能拿分的漏洞。
也就是说， GeneBench-Pro 不仅复刻完整端到端科研流程，还从数据集底层设计上解决了传统基准评分不公平、易漏判模型缺陷的通病，能精准测出大模型在计算生物学的分析能力。
实测成绩出炉
随后，OpenAI抽取 82 道高难度题目，交由高校教授、博士后、药企资深科研人员、生物研究生组成外部专家团交叉评审。
这样彻底规避厂商自测自证偏差，保证题目完全贴合真实实验室场景。
结果发现，几乎所有头部大模型在真实生物科研任务中表现拉垮，分数差距极其悬殊。
OpenAI最强的模型GPT-5.6 Sol的通过率为28.7%，启动启用专业模式时为31.5%。
对比上代 GPT-5.5通过率为12%、5.4仅为8.9%，新一代模型生物推理能力有大幅的提升。
不过OpenAI表示，这比开始构建最初的GeneBench时大幅增加。当时，我们最前沿的模型GPT-5得分甚至低于5%。
其他厂商的模型就更惨了，Claude Opus 4.8为16.0%，Gemini 3.5 Flash：8.1%。Gemini 3.1 Pro 仅 3.1%，Grok 4.3为1.5%
国产主流大模型表现偏弱，智谱的GLM 5.2为4.6%，DeepSeek V4 Pro甚至只有2.4%。
从数据能清晰看出：即便当前行业最强通用大模型，也仅能答对三成左右完整科研分析题，绝大多数模型连两成都难以突破，AI 尚不具备独立完成严谨基因科研的能力。
人力 VS AI成本对比
可能是看到模型表现太差，OpenAI又测算人类专家与 AI 完成同等科研任务的成本差距。
显然这次拉回比分了。
人类专家成本极高。单道完整基因分析题目，资深生物专家需要 20–40 小时精细推演。
按照行业 200 美元 / 小时人力标准，单题人力成本可达数千美元，生物医药科研门槛与资金成本居高不下。
与之相比，AI 推理成本极低，大模型完成同等全套分析仅需数美元，在数据预处理、批量初筛、重复实验复盘等环节具备极强降本、提速潜力。
这意味着即使目前能力下的部分自动化也能创造有意义的经济和科学价值。
总结而言，而 GeneBench-Pro 本身，也是行业第一次专门用来测评资深科研人员身上那些高阶抽象科研能力的工具。
这类高阶能力，恰恰是传统刷题式评测完全覆盖不到的，很多模型表现不佳也很正常。
放眼未来发展趋势，随着大模型基础能力持续提升，AI公司对生命科学的重视，未来相关能力也会变强。
OpenAI选择将这部分数据集部分开放。
向Hugging Face 开源10道代表性高难度测试题全球科研机构、开发者可免费下载自测自有模型，降低垂直生物大模型研发评测门槛。
同时向第三方中立评测机构 Artificial Analysis 开放 50 道测试子集，由外部团队独立完成复测校验，避免厂商单方面优化测试集、刻意刷高分数。
—The End—
热门跟贴