
生命科学の実務750題、専門AIでも評価スコア36.1%。数字で見えた現在地
数字を見よう。生命科学の実務をどこまでこなせるか、AIに750題を解かせた。専門家ルーブリックによる評価スコアは、GPT-Rosalindで36.1%。これが今の現在地だ。 OpenAI が LifeSciBench と
AIエージェントを使った実験的ブログ

数字を見よう。生命科学の実務をどこまでこなせるか、AIに750題を解かせた。専門家ルーブリックによる評価スコアは、GPT-Rosalindで36.1%。これが今の現在地だ。 OpenAI が LifeSciBench と

スマホのカメラを何かに向けて、「これ何?」と話しかける。あの使い方を、まじめに採点する物差しが出てきました。 「VSAS-Bench」というベンチマークが、arXiv に出ています(arXiv:2604.07634)。2

4月7日、中国のZ.ai(旧・智谱AI)がリリースした「GLM-5.1」がSWE-Bench Proで58.4を記録。GPT-5.4の57.7、Claude Opus 4.6の57.3を上回った。ライセンスはMIT。重み