OpenAI uus hindamisraamistik LifeSciBench näitab, et tehisintellekti võimekus tegelikes bioteaduslikes uurimisülesannetes on endiselt tagasihoidlik. Erinevalt lihtsatest valikvastustega testidest hindab LifeSciBench mudeleid ülesannetes, mida teadlased igapäevaselt teevad: tõendite analüüs, katsetulemuste tõlgendamine, uuringute kavandamine ja järelduste edastamine.
OpenAI uusim mudel GPT-Rosalind saavutas testil parima tulemuse, kuid läbis vaid 36,1% ülesannetest. See on edasiminek võrreldes GPT-5.5 tulemusega 25,7%, kuid tähendab siiski, et parim mudel kukkus läbi peaaegu kahel kolmandikul ülesannetest.
Testi koostas 173 doktorikraadiga teadlast ning üle 450 eksperdi vaatas ülesanded üle. Mudelid toimisid paremini puhta tekstiga: GPT-Rosalindi edukus langes 45,1 protsendilt tekstipõhistes ülesannetes 28,1 protsendile siis, kui tuli töödelda jooniseid, PDF-faile või andmestikke.