OpenAIは2026年6月30日、AIモデルの生命科学分野での実力を測る新ベンチマーク「GeneBench-Pro」を発表しました。ゲノミクスや定量生物学、橋渡し研究（トランスレーショナル・メディシン）など10領域・21のサブ領域にまたがる129問で構成され、雑音を含む現実的なデータセットからどう分析方針を選び、いつ結論を出すべきかという「研究者としての目利き」を問う内容です。自社の最新モデルGPT-5.6 Solでも正答率は3割前後にとどまり、AIが本格的な科学研究の現場で使えるかどうかを測る難関ベンチマークとして注目されています。

ポイント

  • 2026年6月30日に発表。前身の「GeneBench」を発展させた、より難易度の高い後継版です
  • 統計遺伝学・集団ゲノミクス・がん体細胞ゲノミクス・臨床薬理ゲノミクスなど10領域・21サブ領域、計129問で構成されています
  • 単なる知識の暗記ではなく、雑音混じりの実データに対して分析手法を選び、仮定を修正し、結果が「使える段階」かを判断する力を評価します
  • 問題はすべて既知の因果構造から合成生成されており、採点を主観抜きで機械的に行える設計になっています
  • 最高性能のGPT-5.6 Sol Proでも正答率31.5%、Anthropic製Claude Opus 4.8は16.0%にとどまったと報じられています

背景と詳細

GeneBench-Proは、これまでに公開されていた初代「GeneBench」の後継にあたります。前作公開当時の最強モデルの正答率は5%未満だったとされ、その後のモデルの進化を測るため、OpenAIはより難易度の高い後継ベンチマークを設計したとしています。

問題設計の核心にあるのが「研究者としての目利き（research taste）」という考え方です。実際の生命科学研究では、データそのものが不完全だったりノイズを含んでいたりすることが日常的で、研究者はどの解析手法が妥当か、途中で前提をどう修正するか、そして得られた結果が次の意思決定に使える水準に達しているかを判断し続ける必要があります。GeneBench-Proはこの一連の判断プロセスを、統計遺伝学からがんゲノミクス、法医学的遺伝学まで10の専門領域にわたる129の合成問題で再現していると説明されています。

採点方法にも工夫があります。各問題は既知の因果構造から人工的に生成されているため「正解」が一意に定まり、人間の主観に頼らず機械的に採点できる設計になっているとのことです。これにより、これまで生命科学系ベンチマークで難しかった「妥当性の高い自動採点」を実現しているとされます。

性能面では、OpenAIの最新モデルGPT-5.6 Solが最大推論設定で28.7%、上位版のGPT-5.6 Sol Proで31.5%の正答率にとどまりました。他社モデルではAnthropicのClaude Opus 4.8が16.0%で最も高かったと報じられています。外部評価者の見積もりでは、同種の課題を人間の専門家が解くには20〜40時間、費用にして数千ドル相当かかる一方、AIによる推論はわずか数ドルで済むとされています。

なぜ重要か

このベンチマークが示すのは、AIの評価軸が「知識を答える」段階から「研究の意思決定を担う」段階へと移りつつあるという流れです。日本の製薬・バイオ関連企業や研究機関にとっても、AIをどこまで研究プロセスに組み込めるかを判断する材料になります。正答率が3割程度にとどまっている現状は、AIによる生命科学研究の自動化がまだ発展途上であることを裏付けており、過度な期待を戒める材料にもなります。一方で、人手とAIのコスト差（数千ドル対数ドル）は、専門知識を要する研究作業の一部が将来的に効率化されうる可能性も示しています。

今後の見通し

OpenAIは今後もモデルの改良に合わせてこうした難関ベンチマークでの検証を続けるとみられ、他のAI企業や研究機関が同種のベンチマークで追随する可能性もあります。ただし、ベンチマークでの高得点が実際の研究現場での有用性にそのまま直結するとは限らず、実用面での検証には時間がかかると考えられます。