OpenAI Rilis GeneBench-Pro, Tolok Ukur AI untuk Riset Biologi yang Butuh 20-40 Jam Pengerjaan Manusia
OpenAI Rilis GeneBench-Pro, Tolok Ukur AI untuk Riset Biologi yang Butuh 20-40 Jam Pengerjaan Manusia
OpenAI resmi meluncurkan GeneBench-Pro, tolok ukur (benchmark) baru yang dirancang untuk menguji kemampuan model kecerdasan buatan dalam menangani analisis biologi komputasional tingkat riset. Berbeda dengan benchmark pada umumnya yang menguji hafalan atau eksekusi rutin, GeneBench-Pro mengukur kemampuan AI dalam membuat keputusan ilmiah tingkat tinggi atau yang disebut sebagai "research taste".
Setiap soal dalam GeneBench-Pro membutuhkan waktu pengerjaan sekitar 20 hingga 40 jam oleh seorang ahli manusia dan bernilai ribuan dolar AS, sementara AI dapat menyelesaikan analisis yang sama dengan biaya hanya beberapa dolar.
Apa Itu GeneBench-Pro?
GeneBench-Pro merupakan versi lanjutan dari GeneBench yang sebelumnya dirilis OpenAI. Benchmark ini terdiri dari 129 soal yang mencakup 10 domain utama dan 21 subdomain, dengan inti utama di bidang genomik, biologi kuantitatif, dan biomedis translasional.
Yang membedakan GeneBench-Pro dari benchmark biologi lainnya adalah pendekatannya yang sintetis. Setiap soal dibangun dengan struktur kausal yang diketahui sepenuhnya oleh pengembang, sehingga memungkinkan penilaian yang objektif terhadap jawaban yang dihasilkan AI. Hal ini menghindari kelemahan benchmark berbasis data historis di mana sering kali ada banyak jalur analisis yang sama-sama bisa dipertahankan.
Setiap soal dalam GeneBench-Pro memberikan model AI sebuah dataset yang "berantakan" (messy)—mirip dengan data dunia nyata di laboratorium—disertai konteks eksperimental singkat dan target estimasi yang terkait dengan keputusan di hilir. Untuk menjawab dengan benar, model harus:
- Menjelajahi data yang diberikan
- Memilih pendekatan analitis yang tepat
- Melakukan proses iteratif dalam menganalisis data
- Menghasilkan jawaban akhir yang dapat digunakan untuk pengambilan keputusan
Hasil Pengujian: GPT-5.6 Sol dan Model Lainnya
Dalam pengujian terhadap 129 soal GeneBench-Pro, hasil yang diperoleh menunjukkan bahwa kemampuan AI dalam riset biologi masih jauh dari sempurna:
- GPT-5.6 Sol (level penalaran maksimum) mencapai tingkat kelulusan 28,7%
- GPT-5.6 Sol Pro mencapai 31,5%
- GPT-5.5 hanya mencapai 12,0%
- GPT-5.4 mencapai 8,9%
- Claude Opus 4.8 (pesaing terkuat non-GPT) mencapai 16,0%
Yang menarik, pada level penalaran terendah, GPT-5.6 Sol hanya mencapai angka satu digit. Namun pada level tertinggi, model ini mampu memecahkan hampir enam kali lebih banyak soal dibandingkan GPT-5.2, dengan penggunaan token sekitar dua pertiga lebih sedikit.
Perbandingan lintas keluarga model menunjukkan bahwa model GPT menempati posisi teratas dalam penalaran ilmiah tingkat tinggi di bawah ketidakpastian kuantitatif. Kesenjangan kinerja antara GPT-5.6, GPT-5.5, dan model open-source terkemuka seperti GLM 5.2 jauh lebih besar daripada yang diperkirakan berdasarkan benchmark coding, yang mengindikasikan bahwa model open-source lebih terspesialisasi untuk coding daripada penalaran umum.
Mengapa GeneBench-Pro Penting?
OpenAI merancang GeneBench-Pro untuk mengukur kemampuan yang selama ini sulit diukur: keputusan tingkat sistem yang membuat riset komputasional menjadi sulit. Kemampuan ini mencakup menangani ambiguitas, merevisi asumsi, memilih jalur analisis yang benar, dan mengetahui kapan suatu hasil siap untuk diambil keputusan.
Dalam biologi, biaya pengumpulan data (seperti sekuensing genom) telah turun drastis, dan beberapa peneliti berpendapat bahwa faktor pembatasnya bukan lagi pengumpulan sampel, melainkan komputasi dan analisis di hilir. GeneBench-Pro hadir untuk mengukur kemajuan dalam mengatasi hambatan tersebut.
Kehadiran GeneBench-Pro juga terjadi pada saat yang sama dengan peluncuran Claude Science oleh Anthropic, pesaing utama OpenAI, pada 29 Juni 2026. Dua pendekatan berbeda menghadapi arena yang sama: Anthropic merilis alat untuk digunakan peneliti saat ini, sementara OpenAI merilis tolok ukur untuk mengukur sejauh mana teknologi masih harus berkembang.
Beberapa peneliti melihat AI telah mulai mengubah lanskap riset biomedis. Dr. Derya Unutmaz, seorang profesor imunologi, bahkan menyatakan bahwa ia "lebih percaya AI daripada idenya sendiri di bidang yang telah ia geluti selama 35 tahun".
Kesimpulan
Peluncuran GeneBench-Pro menandai langkah OpenAI dalam mengukur kemampuan AI di bidang penalaran ilmiah tingkat tinggi—sebuah area yang selama ini sulit diukur dan dinilai. Dengan 129 soal yang membutuhkan 20-40 jam pengerjaan manusia, benchmark ini menetapkan standar baru dalam evaluasi AI untuk riset biologi komputasional.
Meskipun model terbaik OpenAI saat ini (GPT-5.6 Sol) baru mencapai tingkat kelulusan 28,7%, angka ini merupakan lompatan signifikan dari GPT-5 yang hanya mencapai di bawah 5% pada GeneBench versi awal. Dengan laju peningkatan saat ini, OpenAI memprediksi benchmark ini mungkin akan mencapai titik jenuh pada akhir tahun 2026.
Pertanyaan yang Sering Diajukan (FAQ)
1. Apa itu GeneBench-Pro?
GeneBench-Pro adalah tolok ukur (benchmark) yang dirilis OpenAI untuk menguji kemampuan model AI dalam menangani analisis biologi komputasional tingkat riset, terutama dalam membuat keputusan ilmiah di tengah ketidakpastian dan ambiguitas data.
2. Berapa banyak soal dalam GeneBench-Pro?
GeneBench-Pro terdiri dari 129 soal yang mencakup 10 domain utama dan 21 subdomain, dengan inti utama di bidang genomik, biologi kuantitatif, dan biomedis translasional.
3. Berapa lama waktu pengerjaan satu soal oleh manusia?
Menurut survei reviewer, satu soal GeneBench-Pro membutuhkan waktu 20 hingga 40 jam pengerjaan oleh seorang ahli manusia.
4. Bagaimana performa GPT-5.6 Sol di GeneBench-Pro?
GPT-5.6 Sol mencapai tingkat kelulusan 28,7% pada level penalaran maksimum, dan 31,5% dalam mode Pro.
5. Apa perbedaan GeneBench-Pro dengan benchmark lainnya?
GeneBench-Pro dibuat secara sintetis—setiap soal dibangun dengan struktur kausal yang diketahui penuh—sehingga memungkinkan penilaian objektif. Ini berbeda dengan benchmark berbasis data historis yang sering kali memiliki banyak jalur analisis yang sama-sama valid.
Baca
Sumber dan Referensi
- OpenAI – Introducing GeneBench-Pro
- bioRxiv – GeneBench-Pro: Evaluating Multistage Statistical Reasoning in Genomics, Quantitative Biology, and Translational Biomedicine
- OpenAI – Inside GeneBench-Pro: Case Studies
- Yahoo – Anthropic and OpenAI Take Their AI War Into Scientific Research
- Blockchain News – OpenAI Launches GeneBench Pro Benchmark
Artikel ini merupakan karya tulis orisinal yang disusun berdasarkan informasi dari sumber-sumber tepercaya. Artikel tidak menyalin isi sumber dan dibuat untuk memberikan konteks serta informasi tambahan kepada pembaca.