동차 Beating 모니터링에 따르면, OpenAI는 AI 에이전트가 유전체학 및 전환의학과 같은 복잡한 연구 시나리오에서 다단계 의사 결정 능력을 테스트하기 위해 계산 생물학 평가 벤치마크인 GeneBench-Pro를 출시했습니다. 새로운 벤치마크는 총 129개의 문제(그중 82개는 외부 전문가 심사 완료)로 구성되어 있으며, 컴퓨터 시뮬레이션을 통해 명확한 인과 관계를 가진 데이터를 생성하여 모델이 지름길을 이용하거나 출제자의 선호도에 맞춰 부정행위를 하는 것을 방지합니다.
테스트 결과에 따르면, 최고 수준의 모델도 불확실성을 정량화한 과학적 추론을 처리하는 데 여전히 큰 어려움을 겪고 있습니다. 가장 강력한 GPT-5.6 Sol은 Pro 모드를 활성화했을 때도 정확도가 31.5%에 불과했으며, Claude Opus 4.8의 정확도는 16.0%에 그쳤습니다. 연구팀은 모델이 전반적으로 '이상 징후를 발견할 수는 있지만 후속 분석을 수정하지 못하는' 단절 현상을 보이며, 통계 방법을 잘못 선택하거나 잘못된 연구 방향을 고수하는 경우가 빈번하다고 지적했습니다.