GeneBench-Pro 这一新的基准测试由 OpenAI 推出，旨在评估人工智能模型在生物学计算领域的表现。与侧重于模型记忆能力或固定流程执行能力的传统测试不同，GeneBench-Pro 更注重模型在实际科研情境下的应用价值，要求模型在面对模糊、不完整甚至带有干扰的数据时，能够进行判断和分析以得出结论。

该基准测试涵盖了基因组学、定量生物学和转化医学等多个方向，总计包含 129 道题目。这些题目分布在 10 个主要领域和 21 个子领域，涉及统计遗传学、群体遗传学、功能基因组学、蛋白质组学等，为模型提供了接近真实科研场景的数据集、简要的实验背景说明以及与后续决策相关的目标问题。模型需要自主完成数据探索、分析方法选择，并在过程中不断调整策略，最终给出答案。

为规避传统长流程基准测试中常见的评分偏差，OpenAI 在设计 GeneBench-Pro 时采用了合成数据。其原因在于，若直接使用历史真实数据出题，可能存在多种合理的分析路径，导致模型即使采用错误方法也可能偶然获得正确答案。通过使用合成数据，OpenAI 可以完全掌控底层因果结构和数据生成过程，从而更精准地评估模型是否真正理解问题，而非仅仅依赖技巧。

目前，OpenAI 已在 Hugging Face 开源了 10 道 GeneBench-Pro 的示例题目，并提供交互式界面供外部研究人员体验。未来，官方将开放其中 50 道题目给 Artificial Analysis 进行第三方独立评估，以验证不同模型在这一基准测试中的实际效能。对于关注 AI 在科学领域应用的读者，可以参考世界杯官网获取更多相关信息。