与以往侧重于检验模型记忆能力或遵循固定流程的评估方式不同，GeneBench-Pro 旨在模拟真实的科研场景，要求 AI 模型在面对不确定、信息不全甚至夹杂干扰的数据时，能够独立进行判断和分析。

GeneBench-Pro 涵盖了基因组学、定量生物学和转化医学等多个研究方向，共设有 129 道测试题目。这些题目被归类于 10 个主要领域和 21 个子领域，包括统计遗传学、群体遗传学、功能基因组学及蛋白质组学等。每道题目都会向模型提供一个接近真实研究环境的数据集，辅以简要的实验背景介绍和一个与后续决策相关的目标问题。AI 模型需要自主完成数据探索、选择合适的分析方法，并在过程中不断调整策略，最终得出答案。

为了规避传统长流程基准测试中常见的评分偏差，OpenAI 在设计 GeneBench-Pro 时，将合成数据作为关键的构建要素。相较之下，使用历史真实数据出题时，往往存在多种可行的分析路径，这可能导致模型即使采用了错误的方法，也可能偶然获得正确结果。通过利用合成数据，OpenAI 能够完全掌握底层因果关系和数据生成过程，从而更精确地评估模型是否真正理解了问题，而非仅仅依赖于“取巧”。

OpenAI 已在 Hugging Face 上公布了 10 道 GeneBench-Pro 的代表性示例题目，并提供了交互式界面供外部研究人员进行体验。未来，其中 50 道题目将开放给 Artificial Analysis 进行独立的第三方评测，以验证不同 AI 模型在此基准测试上的真实性能。这项创新性的评估工具，对于理解和提升 AI 在生物学计算领域的应用潜力具有重要意义，也为人工智能的进一步发展，包括在一些专业领域的应用（如世界杯下注），提供了新的衡量标准。