129道科研难题考倒AI，最强模型仅得31.5%|openai|信号|生物学|科研难题

31.5%，放在手机跑分圈，这成绩根本不够看。可放到真实科研里，这反而有点吓人。

因为这次测的不是“会不会背答案”，也不是“能不能把代码跑通”，而是把AI直接扔进最脏、最绕、最像导师临时甩锅的那种科研现场：129道题，10个主领域、21个细分子域，题目横跨基因组学、定量生物学和转化医学，很多题人类专家做一题就得20到40小时。OpenAI给它起的名字也很直白，GeneBench-Pro。

这套东西我觉得真正狠的地方，不是难，而是“脏”。

测序今天已经很便宜了，一个样本几十美元、几小时出数据，行业瓶颈早就不是采不到数据，而是你拿到一堆混着批次效应、环境RNA污染、伪基因干扰和假阳性信号的原始结果后，到底敢不敢拍板。OpenAI这次就是专门考这个：数据没有说明书，模型得自己判断哪些是生物学效应，哪些只是噪声，然后决定后面整条分析链怎么走。

说白了，这已经不是“答题”，而是“做判断”。

题库本身也不是随便拼出来的。GeneBench-Pro一共129题，相比2026年4月那版103题的初代GeneBench，新增29题、删掉3题，剩下重叠的100题里还有54题被重做；82题还拉了外部领域专家审核，另外公开了10个完整案例，50题交给Artificial Analysis做第三方测试，摆明了不想让它变成自家关起门来玩的跑分。

这一点很关键。

因为你会发现，同样是GPT家族，换到这个更狠的新场子，分数直接变脸。OpenAI公开的结果里，GPT-5.6 Sol在最高推理强度下是28.7%，开Pro后到31.5%；Claude Opus 4.8是16.0%，Gemini 3.5 Flash 8.1%，Gemini 3.1 Pro 3.1%，GLM 5.2 4.6%，DeepSeek V4 Pro 2.4%，Grok 4.3 1.5%。而老版GeneBench里，GPT-5.5 Pro当时能到33.2%，现在到GeneBench-Pro只剩20.5%。不是模型突然退步，是及格线直接被抬高了。

如果只看31.5%，很容易得出一句“也不过如此”。但我个人真不这么看。

这类题最折磨人的地方，是前面任何一个判断点选错，后面基本全偏。OpenAI在公告和论文里反复提了同一个结论：现在的模型经常能看出“这里数据有问题”“这里质控不对”，但它就是不会顺着这个发现把整条分析路线改掉。它能 noticing，却不一定会 acting。

这就有意思了。

以前我们总觉得AI最大的短板是“不懂”。现在GeneBench-Pro掀开的底牌是：它有时候其实懂，至少局部懂，但还不够稳，不够敢推翻自己前面的路径。这个味道已经很像真人研究员了——看见异常，嘴上说一句“有点不对”，手上还是继续往下做。

从行业坐标看，这比单纯提升知识问答分数要重要得多。因为真正值钱的，不是它能不能背出一个靶点名，而是它能不能在一堆互相打架的信号里，帮你少走弯路。

更现实的是成本账。按官方给的口径，这些题人类专家通常要20到40小时，按每小时200美元算，一题就是几千美元的人力；而AI一次推理成本只是几美元级别。它现在当然还替代不了研究员，但只要能把前期筛查、路径试探、异常定位这部分自动化一点点，药物研发、靶点验证、分子分型这些地方，效率就已经完全不是一个量级了。