動察 Beating のモニタリングによると、OpenAI は計算生物学ベンチマーク「GeneBench-Pro」を発表した。これは、AIエージェントがゲノミクスやトランスレーショナルメディシンといった複雑な科学研究シナリオに直面した際の多段階意思決定能力をテストするためのものである。この新しいベンチマークには合計129の問題が含まれており(うち82は外部専門家によるレビュー済み)、コンピュータシミュレーションによって明確な因果関係を持つデータを生成し、モデルが近道を取ったり出題者の好みに合わせて不正をするのを防ぐ。
テスト結果によると、最先端のモデルでも、定量化された不確実性を含む科学的推論を処理する際には依然として非常に苦戦している。最も強力な GPT-5.6 Sol は Pro モードを有効にしても正解率はわずか31.5%であり、Claude Opus 4.8 の正解率は16.0%に過ぎなかった。研究チームは、モデルには「異常を発見できるが、その後の分析を修正できない」という断絶現象が広く見られ、統計手法を誤って選択したり、誤った研究方向を固持したりすることが多いと指摘している。