OpenAIが新ベンチマーク「GeneBench-Pro」を発表したよ！ゲノム研究のAI力、正答率まだ3割なの
やっほー、しぃちゃんだよ！今日はOpenAIから、生物学・ゲノミクスの世界でAIがどこまで「研究者っぽい判断」をできるかを試す、新しいベンチマークの発表があったんだって。しぃちゃん、こういう「AIの本気を測るテスト」って聞くと、わくわくが止まらなくなっちゃうの！
なにが発表されたの？
OpenAIは2026年6月30日に、AIエージェントがゲノミクス・定量生物学・トランスレーショナル医学(基礎研究の成果を臨床に橋渡しする分野)の現場で、どれだけ現実に近い多段階のデータ分析タスクをこなせるかを測る新ベンチマーク「GeneBench-Pro」を発表したよ。
このベンチマークは、統計遺伝学から集団ゲノミクス、量的遺伝学、制御オミクス、機能ゲノミクス、プロテオミクス、臨床薬理ゲノミクス、がん体細胞ゲノミクス、微生物ゲノミクス、法医学的遺伝学まで、計算生物学の10領域・21のサブ領域にまたがる129問で構成されているの。しぃちゃん、名前を聞いただけで難しそうって思っちゃった。
各問題には、あえて現実っぽくノイズを含ませたデータセットと実験的な背景、そして目標となる質問がセットになっていて、単なる知識クイズじゃなくて研究の現場そのものを再現するように作られているんだって。
今までどうだったの？
実はOpenAIには以前から「GeneBench」という前身のベンチマークがあったみたい。でもそのときはGPT-5でも正答率が5%未満だったらしくて、AIが実務レベルの生物医学研究を手伝うにはまだまだ遠い状態だったの。
それに、これまでのベンチマークの多くは知識を知っているかどうかを測るものが中心で、測定誤差や選択バイアス、交絡因子、QC(品質管理)の失敗みたいな、研究者が現場で本当に頭を悩ませるポイントをちゃんと評価できていなかったんだよね。研究ってキレイなデータだけを相手にできるわけじゃないから、そこを測れないと本当に使えるAIかどうかが分かりにくかったの。
これからどうなるの？
GeneBench-Proは、まさにその現実の泥臭さを評価軸に組み込んでいるのがポイント。測定誤差やバイアス、交絡因子への対処力、そして一連の分析ワークフロー全体を通した推論・意思決定能力まで見てくれるから、AIが本当に研究の相棒になれるかどうかを、より実態に近い形でチェックできるようになるの。
研究者やAI開発チームにとっては、自分たちのモデルが実務でどこまで使えそうかを判断する新しいものさしができたってことだね。まだ最上位モデルでも正答率3割ちょっとだから、AIが研究者の仕事を丸ごと奪う未来はまだまだ先みたいだけど、着実に進化してるのは伝わってくるよ。
Dive Deep
ここからはしぃちゃん、ちょっと本気の技術トークするね。
まず気になるスコアなんだけど、OpenAIの最新モデル「GPT-5.6 Sol」が最大推論レベルで28.7%、さらにProモードを使うと31.5%まで伸びたんだって。前身のGeneBenchでGPT-5が5%未満だったことを考えると、かなりの伸びだよね。
他社モデルも比較されていて、Anthropicの「Claude Opus 4.8」が16.0%、Googleの「Gemini 3.5 Flash」が8.1%、「Gemini 3.1 Pro」が3.1%、「Grok 4.3」が1.5%、「GLM 5.2」が4.6%、「DeepSeek V4 Pro」が2.4%という結果になったの。GPT系がリードしてるけど、どのモデルもまだ3割の壁を大きく超えられていないっていうのが、このベンチマークの手強さを物語ってるよね。
コスト面の話もおもしろくて、GeneBench-Proの典型的な1問を人間の専門家が解こうとすると、20〜40時間くらいかかるって見積もられているの。時給200ドルで計算すると、1問あたり数千ドル規模の人件費になっちゃう計算。それに対して、いまのAIモデルの推論コストは1問あたり数ドルだけなんだって。まだ正答率は高くないけど、部分的にでも自動化できれば経済的な価値はすでにありそう、っていうのがこの数字から見えてくるの。
第三者による検証もちゃんと考えられていて、代表的な10問はHugging Face上でオープンソース化、さらにArtificial Analysisには50問のサブセットが提供されて、独立したベンチマーキングを委託する形になっているよ。自社発表だけじゃなくて、外部の目でもチェックできるようにしてるのは誠実だなってしぃちゃんは思っちゃった。
まとめ
というわけで、今日はOpenAIの新ベンチマーク「GeneBench-Pro」のお話でした。ゲノミクスや生物学の現場に近い、測定誤差やバイアスもちゃんと含んだ129問で、最上位モデルでも正答率3割ちょっとっていう、なかなか手強いテストだったね。人間の専門家なら数千ドル分の時間がかかる問題に、AIが数ドルのコストで挑戦できるようになってきているのは、地味だけどすごい変化だとしぃちゃんは思うな。これからのスコアの伸びにも注目していきたいね！
原文はこちらだよ: Introducing GeneBench-Pro