OpenAI发布LifeSciBench：750项任务的基准测试，用专家编写的评分标准评估AI模型在真实生命科学研究中的表现

OpenAI推出LifeSciBench基准测试，包含750项由173位博士科学家编写的任务，涵盖7个工作流程和7个生物学领域。该基准使用19,020条评分标准评估AI的推理和决策能力，而非简单的事实回忆。最佳模型GPT-Rosalind仅通过36.1%的任务，表明仍有巨大改进空间。