OpenAI が GeneBench-Pro を公開。計算生物学で最高31.5%の壁

GeneBench-Pro は、OpenAI が2026年6月30日に公開した、計算生物学で AI エージェントの研究判断力を測る研究レベルのベンチマークで、最新モデルでも正答率は最高31.5%にとどまりました。

📖 この記事で分かること

• GeneBench-Pro の目的と規模(129問・10ドメイン)
• 主要モデルの正答率と、その低さが示すもの
• 専門家の作業時間と AI 推論コストの差
• 業務でこのベンチマークをどう読むか

💡 知っておきたい用語

• ベンチマーク:AI の能力を共通の問題セットで測る「模試」のような評価基準。

最終更新日: 2026年7月2日

▶ 公式ページ

• Introducing GeneBench-Pro(OpenAI)
• Inside GeneBench-Pro(ケーススタディ)(OpenAI)

GeneBench-Pro とは何か

OpenAI が 2026年6月30日に公開した、計算生物学で AI エージェントの「研究者としての判断力」を測る研究レベルのベンチマークです。既存の GeneBench を拡張したもので、正しい答えを当てる力ではなく、ノイズの多いデータを前に解析方針を選び取る力を評価します。

この記事のポイント

• OpenAI が 2026年6月30日に計算生物学ベンチマーク GeneBench-Pro を公開しました。
• 129問に対し最高は GPT-5.6 Sol Pro の31.5%、Claude Opus 4.8 は16.0%(2026年6月時点)。
• 専門家なら1問20〜40時間かかる問題を、AI は数ドルの推論コストで解けます。

GeneBench-Pro はゲノミクス・定量生物学・橋渡し医学の10ドメイン・21サブドメインにまたがる129問で構成されます。各問題はデータセットと実験の文脈、そして目標となる問い(推定対象)をモデルに与え、モデル自身がデータを探索し、解析手法を選び、最終的な結論を出す形式です。単なる知識問題ではなく、研究の現場を模した設計になっています。

なぜ「判断力」を測るのか

このベンチマークが問うのは、現実のデータに潜む落とし穴に気づけるかどうかです。

実際の生物学データには、測定誤差・選択バイアス・交絡【こうらく】・品質管理(QC)の失敗が常につきまといます。GeneBench-Pro の問題は、こうしたノイズを意図的に含んだデータを提示し、モデルが誤った前提に気づいて方針を修正できるか、複数ある解析モデルのどれを選ぶべきか、そして「この結果は意思決定に使えるほど確かか」を判断できるかを見ます。答えが1つに定まる試験ではなく、研究者が日々くだしている曖昧な判断そのものを対象にしている点が特徴です。

問題の質を担保するため、129問のうち82問が外部のドメイン専門家による評価を受けています。ある大学の研究者は、指導教員の助言なしでは大学院生でも苦戦する水準だと評しています。

モデルの成績と、その低さの意味

現時点で最高でも3割前後という結果が、このベンチマークの難しさを物語ります。

OpenAI が公表した正答率(pass rate)は次のとおりです。最高推論レベルで GPT-5.6 Sol Pro が31.5%、GPT-5.6 Sol が28.7%(2026年6月時点)。非 GPT 系で最も高かったのは Claude Opus 4.8 の16.0%で、Gemini 3.5 Flash は8.1%、Gemini 3.1 Pro は3.1%でした。参考までに、旧 GeneBench では GPT-5 が5%未満にとどまっていたため、世代を追って改善はしているものの、依然として大半の問題を落としている状況です。

つまり最新のフロンティアモデルであっても、計算生物学の研究判断ではまだ3人に2人は不正解という水準にあります。ベンチマークが飽和(スコアが天井に張り付く状態)する前の、伸びしろの大きい評価軸だといえます。

コスト構造が示す本当のインパクト

正答率以上に注目すべきは、労力とコストの非対称性です。

OpenAI の見積もりでは、GeneBench-Pro の1問を専門家が解くには20〜40時間を要し、時給200ドル換算で1問あたり数千ドル規模の人件費がかかります。対して、AI が同じ問題に取り組む推論コストは1問あたり数ドルにとどまります。正答率が3割であっても、この価格差は無視できません。仮に3問に1問でも研究者レベルの解析を数ドルで通せるなら、探索的なデータ分析の初手をモデルに任せる使い方は十分に現実的です。

OpenAI は透明性を高めるため、代表的な10問を Hugging Face で公開し、さらに50問のサブセットを第三者評価機関の Artificial Analysis に独立ベンチマーク用として提供しています。

編集部の見方

このベンチマークの読みどころは、スコアの絶対値そのものより「何を測ろうとしているか」にあります。

第一に、評価軸が正答から判断へ移った点です。従来のベンチマークが「正しい答えを知っているか」を問うのに対し、GeneBench-Pro は「曖昧なデータからどう筋道を立てるか」を問います。業務で AI エージェントに分析を任せたい層にとっては、こちらの軸のほうが実務の使い勝手に近い指標になります。

第二に、3割前後という低スコアは、むしろ健全なシグナルです。すぐ飽和するベンチマークは、モデルの差を測る道具としてすぐ役に立たなくなります。天井までの距離が大きいほど、今後の世代間比較に耐える物差しとして機能します。

一方で注意も要ります。GeneBench-Pro は計算生物学に特化しており、ここでの成績が自社の業務ドメインにそのまま転用できるわけではありません。「Claude より GPT のほうが上」といった一般化ではなく、専門分野の判断タスクでは最新モデルでも過半を落とす、という事実のほうを持ち帰るべきです。実運用では、AI に初手の解析をさせつつ人がレビューする体制が現実的な落としどころになります。

よくある質問

Q: GeneBench-Pro は誰でも試せますか?

A: 全129問が公開されているわけではありません。代表的な10問が Hugging Face で公開され、50問のサブセットが第三者評価機関の Artificial Analysis に提供されています。

Q: 正答率が3割程度でも実用性はありますか?

A: 1問を専門家が解くと数千ドル規模の人件費がかかる一方、AI の推論コストは数ドル規模です。人のレビューを前提に初手の解析を任せる使い方なら、低い正答率でも価値が出ます。

Q: このスコアで各モデルの優劣を判断してよいですか?

A: GeneBench-Pro は計算生物学に特化した指標です。他ドメインの業務にそのまま当てはまるとは限らないため、汎用的な優劣付けには使わないほうが安全です。

まとめ

OpenAI は2026年6月30日、計算生物学で AI の研究判断を測る GeneBench-Pro を公開しました。129問に対する正答率は最高でも GPT-5.6 Sol Pro の31.5%にとどまり、フロンティアモデルでも専門分野の判断はまだ難しいことが示されました。専門家の人件費と AI の推論コストの大きな差を踏まえれば、人のレビューを前提に解析の初手を任せる使い方が現実的です。

【用語解説】

• 計算生物学: 統計や計算機科学を使って、ゲノムや細胞などの生物学データを解析する分野。
• 交絡【こうらく】: 調べたい要因とは別の要因が結果に影響し、因果関係を見誤らせる状態。
• 推定対象(estimand): 解析で最終的に見積もりたい量。何を答えとして出すべきかを定めた目標。

引用元:

• [1] Introducing GeneBench-Pro(OpenAI)
• [2] Inside GeneBench-Pro(OpenAI)
• [3] OpenAI introduces GeneBench-Pro to test AI research judgment(Investing.com)

この記事について: AI 支援で執筆、編集部が事実確認・編集しています。誤りや追加情報があれば Contact よりお知らせください。