Theo Động Sát Beating giám sát, OpenAI đã công bố chuẩn đánh giá sinh học tính toán GeneBench-Pro, dùng để kiểm tra khả năng ra quyết định đa bước của các tác nhân AI khi đối mặt với các kịch bản nghiên cứu khoa học phức tạp như genomics và y học chuyển đổi. Chuẩn mới này bao gồm tổng cộng 129 câu hỏi (trong đó 82 câu đã qua đánh giá của chuyên gia bên ngoài), tạo ra dữ liệu có mối quan hệ nhân quả rõ ràng thông qua mô phỏng máy tính, nhằm ngăn mô hình gian lận bằng cách đi đường tắt hoặc chiều theo sở thích của người ra đề.
Kết quả kiểm tra cho thấy, các mô hình hàng đầu vẫn gặp rất nhiều khó khăn khi xử lý suy luận khoa học có chứa độ bất định định lượng. GPT-5.6 Sol mạnh nhất chỉ đạt tỷ lệ chính xác 31,5% khi bật chế độ Pro, trong khi Claude Opus 4.8 chỉ đạt tỷ lệ chính xác 16,0%. Nhóm nghiên cứu chỉ ra rằng, các mô hình thường gặp hiện tượng mất kết nối "phát hiện được bất thường nhưng không sửa được phân tích tiếp theo", thường xuyên chọn sai phương pháp thống kê hoặc kiên trì hướng nghiên cứu sai lầm.
