ಮುಖ್ಯ ವಿಷಯಕ್ಕೆ ನೇರವಾಗಿ ಹೋಗಿ
OpenAI

ಜೂನ್ 30, 2026

ಸಂಶೋಧನೆಪ್ರಕಟಣೆ

GeneBench-Pro ಪರಿಚಯಿಸುತ್ತಿದ್ದೇವೆ

ಗಣನಾತ್ಮಕ ಜೀವಶಾಸ್ತ್ರದಲ್ಲಿ AI ಏಜೆಂಟ್‌ಗಳು ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಹೇಗೆ ನಿಭಾಯಿಸುತ್ತವೆ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ತೀರ್ಮಾನಗಳನ್ನು ಹೇಗೆ ಮಾಡುತ್ತವೆ ಎಂಬುದನ್ನು ಅಳೆಯುವ ಸಂಶೋಧನಾ-ಮಟ್ಟದ ಬೆಂಚ್‌ಮಾರ್ಕ್.

ಪೇಪರ್ ಓದಿ(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ)
ಲೋಡ್ ಆಗುತ್ತಿದೆ…

ವೈಜ್ಞಾನಿಕ ದತ್ತಾಂಶವು ಅಪರೂಪವಾಗಿಯೇ ಸೂಚನೆಗಳೊಂದಿಗೆ ಬರುತ್ತದೆ. ಸಂಶೋಧಕರು ನಿರ್ಧರಿಸಬೇಕು ಒಂದು ಮಾದರಿ ಜೈವಿಕತೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆಯೇ ಅಥವಾ ಶಬ್ದವನ್ನೇ ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆಯೇ, ಡೇಟಾ ಕೇಳಲಾಗುತ್ತಿರುವ ಪ್ರಶ್ನೆಗೆ ಬೆಂಬಲ ನೀಡಬಲ್ಲದೆಯೇ ಮತ್ತು ಪ್ರತಿಯೊಂದು ಫಲಿತಾಂಶವು ಅವರು ಮುಂದಿನ ಕ್ರಮವನ್ನು ಹೇಗೆ ಬದಲಾಯಿಸಬೇಕು ಎಂಬುದನ್ನು. ಎಐ ಏಜೆಂಟ್‌ಗಳು ಹೆಚ್ಚು ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ನಡೆಸಲು ಸಮರ್ಥವಾಗುತ್ತಿವೆ, ಆದರೆ ನಿಜವಾದ ವೈಜ್ಞಾನಿಕ ಸಂಶೋಧನೆ ಕೇವಲ ವಾಸ್ತವಾಂಶಗಳನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳುವುದರ ಮೇಲೆ ಅಥವಾ ಪೂರ್ವನಿರ್ಧರಿತ ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ಅನುಸರಿಸುವುದರ ಮೇಲೆ ಮಾತ್ರ ಅವಲಂಬಿತವಾಗಿರುವುದಿಲ್ಲ; ಈ ಉನ್ನತ-ಕ್ರಮದ ನಿರ್ಣಯಗಳನ್ನು ಕೈಗೊಳ್ಳುವುದರ ಮೇಲೂ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ.

ಇಂದು, ನಾವು GeneBench-Pro ಅನ್ನು ಪರಿಚಯಿಸುತ್ತಿದ್ದೇವೆ—ವಾಸ್ತವ ಜಗತ್ತಿನ ಕಂಪ್ಯೂಟೇಷನಲ್ ಬಯಾಲಜಿಗೆ ಅಗತ್ಯವಿರುವ ರೀತಿಯ ನಿರ್ಣಯ-ಪ್ರಧಾನ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಮಾಡೆಲ್‌ಗಳು ನಿಭಾಯಿಸಬಹುದೇ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸಲು ರೂಪಿಸಲಾದ ಸವಾಲಿನ, ಸಂಶೋಧನಾ-ಮಟ್ಟದ ಬೆಂಚ್‌ಮಾರ್ಕ್. ಇದು GeneBench⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಅನ್ನು ವಿಸ್ತರಿಸಿ, ಜೀನೋಮಿಕ್ಸ್, ಪರಿಮಾಣಾತ್ಮಕ ಜೀವಶಾಸ್ತ್ರ ಮತ್ತು ಅನುವಾದಾತ್ಮಕ ವೈದ್ಯಕೀಯದಾದ್ಯಂತ ಹೆಚ್ಚು ಕಠಿಣ ಹಾಗೂ ಹೆಚ್ಚು ವಾಸ್ತವಿಕ ಕಾರ್ಯಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತದೆ, ಜೊತೆಗೆ ಗಣನಾತ್ಮಕ ಜೀವಶಾಸ್ತ್ರದಲ್ಲಿನ ವೈಜ್ಞಾನಿಕ ಸಂಶೋಧನೆಯ ಸಂಕೀರ್ಣತೆ, ಪುನರಾವರ್ತಿತ ಸ್ವರೂಪ ಮತ್ತು ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. 

ಇಂದಿನವರೆಗೆ, ನೈಜ-ಜಗತ್ತಿನ ಗಣನಾತ್ಮಕ ಸಂಶೋಧನೆಯನ್ನು ಕಷ್ಟಕರವಾಗಿಸುವ ವ್ಯವಸ್ಥಾ-ಮಟ್ಟದ ವಿವೇಚನಾತ್ಮಕ ನಿರ್ಧಾರಗಳ ಕುರಿತು ವಿಶ್ವಾಸಾರ್ಹ ಮೌಲ್ಯಮಾಪನಗಳು ಬಹಳ ಕಡಿಮೆ ಇವೆ. ಇವುಗಳಲ್ಲಿ ಅಸ್ಪಷ್ಟತೆಯನ್ನು ನಿಭಾಯಿಸುವುದು, ಪೂರ್ವಧಾರಣೆಗಳನ್ನು ಪರಿಷ್ಕರಿಸುವುದು, ಸರಿಯಾದ ವಿಶ್ಲೇಷಣಾ ಮಾರ್ಗವನ್ನು ಆಯ್ಕೆಮಾಡುವುದು ಮತ್ತು ಫಲಿತಾಂಶವು ಯಾವಾಗ ನಿರ್ಧಾರಕ್ಕೆ ಸಿದ್ಧವಾಗಿರುತ್ತದೆ ಎಂಬುದನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು ಸೇರಿವೆ. ಈ ಕೌಶಲ್ಯಗಳನ್ನು ರೂಪಬದ್ಧಗೊಳಿಸುವುದು ಕಷ್ಟವಾಗಿರುವುದರಿಂದ, ಅವುಗಳನ್ನು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದೂ ಕಷ್ಟ; ಅದೇ ಸಂದರ್ಭದಲ್ಲಿ, ಅವುಗಳಲ್ಲಿನ ದೌರ್ಬಲ್ಯಗಳು ಒಟ್ಟಾರೆ AI ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೆಚ್ಚೆಚ್ಚು ಮಿತಿಗೊಳಿಸುತ್ತಿವೆ.

“ಜೀವಶಾಸ್ತ್ರದಲ್ಲಿನ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಅಂತರ” ಎಂಬ ಶೀರ್ಷಿಕೆಯ ಚಿತ್ರಣವು ಸಾಂಪ್ರದಾಯಿಕ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಕಾರ್ಯಪ್ರವಾಹಗಳನ್ನು ಆರಂಭದಿಂದ ಅಂತ್ಯದವರೆಗಿನ ವೈಜ್ಞಾನಿಕ ವಿಶ್ಲೇಷಣೆಯೊಂದಿಗೆ ಹೋಲಿಸುತ್ತದೆ; ವೈಜ್ಞಾನಿಕ ತೀರ್ಮಾನಕ್ಕೆ ತಲುಪುವ ಮೊದಲು ಪೂರ್ವಪ್ರಕ್ರಿಯೆ, ಮಾದರೀಕರಣ, ರೋಗನಿರ್ಣಯಗಳು ಮತ್ತು ಪುನರಾವರ್ತಿತ ಸುಧಾರಣೆಗಳಂತಹ ಹೆಚ್ಚುವರಿ ಹಂತಗಳನ್ನು ತೋರಿಸುತ್ತದೆ.

GeneBench-Pro ಅನ್ನು ಈ ಉನ್ನತ-ಮಟ್ಟದ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನಿಖರವಾಗಿ ಅಳೆಯಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. GeneBench-Pro ಒಳಗೆ, ನಾವು “ಸಂಶೋಧನಾ ಅಭಿರುಚಿ”ಯನ್ನು ವಿಶ್ಲೇಷಣೆಯನ್ನು ರೂಪಿಸುವ ನಿರ್ಣಯಗಳ ಸರಣಿಗಳೆಂದು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೇವೆ: ಡೇಟಾ ಯಾವ ಪ್ರಶ್ನೆಗಳನ್ನು ಬೆಂಬಲಿಸಬಲ್ಲದು, ಆರಂಭಿಕ ಡಯಾಗ್ನೋಸ್ಟಿಕ್‌ಗಳು ಮಾಡೆಲ್ ಅಥವಾ ಅಂದಾಜಿಸಬೇಕಾದ ಅಂಶವನ್ನು ಹೇಗೆ ಬದಲಿಸಬೇಕು ಮತ್ತು ಪ್ರಾರಂಭಿಕ ಯೋಜನೆಯನ್ನು ಯಾವಾಗ ಪರಿಷ್ಕರಿಸಬೇಕಾಗುತ್ತದೆ. ಪ್ರತಿ GeneBench-Pro ಸಮಸ್ಯೆಯು ಮಾಡೆಲ್‌ಗೆ ವಾಸ್ತವಿಕ ಮತ್ತು ಅಸ್ತವ್ಯಸ್ತ ಡೇಟಾಸೆಟ್, ಸಂಕ್ಷಿಪ್ತ ಪ್ರಯೋಗಾತ್ಮಕ ಸಂದರ್ಭ ಮತ್ತು ಮುಂದಿನ ಹಂತದ ನಿರ್ಧಾರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಗುರಿ ಅಂದಾಜಿಸಬೇಕಾದ ಪ್ರಮಾಣವನ್ನು ನೀಡುತ್ತದೆ. ಸರಿಯಾಗಿ ಉತ್ತರಿಸಲು, ಮಾಡೆಲ್ ಡೇಟಾವನ್ನು ಅನ್ವೇಷಿಸಬೇಕು, ಸೂಕ್ತವಾದ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ವಿಧಾನವನ್ನು ಆಯ್ಕೆ ಮಾಡಬೇಕು, ಪ್ರಯೋಗಗಳ ಪುನರಾವರ್ತಿತ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ತೊಡಗಿಸಿಕೊಳ್ಳಬೇಕು ಮತ್ತು ಅಂತಿಮ ಉತ್ತರವನ್ನು ಒದಗಿಸಬೇಕು.

ಡೇಟಾಸೆಟ್ ನಿರ್ಮಾಣ

ಜೀವಶಾಸ್ತ್ರದಲ್ಲಿ, ದತ್ತಾಂಶ ಉತ್ಪಾದನೆಯ ವೆಚ್ಚವು (ಉದಾ., ಜಿನೋಮ್ ಅನುಕ್ರಮಣ) ಗಣನೀಯವಾಗಿ ಕುಸಿದಿದೆ ಮತ್ತು ಕೆಲವು ಸಂಶೋಧಕರು ಈಗ ವಾದಿಸುತ್ತಿದ್ದಾರೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಎಂದು ಹೇಳುತ್ತಾರೆ, ಮಿತಿಗೊಳಿಸುವ ಅಂಶವು ಇನ್ನು ಮುಂದೆ ಮಾದರಿ ಸಂಗ್ರಹಣೆ ಅಲ್ಲ, ಬದಲಿಗೆ ನಂತರದ ಹಂತದ ಗಣನೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯಾಗಿದೆ. ಆ ಅಡಚಣೆಯನ್ನು ಪರಿಹರಿಸುವಲ್ಲಿ ಆಗುತ್ತಿರುವ ಪ್ರಗತಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು GeneBench-Pro ಅನ್ನು ನಿರ್ಮಿಸಲಾಗಿದ್ದು, ಇದು ಗಣನಾತ್ಮಕ ಜೀವಶಾಸ್ತ್ರದ ವಿಶಾಲ ಶ್ರೇಣಿಯ ಸನ್ನಿವೇಶಗಳು ಮತ್ತು ವಿಧಾನಗಳನ್ನು ಒಳಗೊಂಡ 129 ಪ್ರಶ್ನೆಗಳನ್ನು ಹೊಂದಿದೆ.

ಡೊಮೇನ್ ಅಟ್ಲಸ್: 129 ಸಮಸ್ಯೆಗಳು 10 ಡೊಮೇನ್‌ಗಳಲ್ಲಿ ಮತ್ತು 21 ಉಪ-ಡೊಮೇನ್‌ಗಳಲ್ಲಿ

ಬೆಂಚ್‌ಮಾರ್ಕ್ ಸಮಸ್ಯೆಗಳ ನಡುವೆ ಚಲಿಸಲು ಬಾಣದ ಕೀಲಿಗಳನ್ನು ಬಳಸಿ. ಆಯ್ಕೆಮಾಡಿದ ಸಮಸ್ಯೆಯ ವಿವರಗಳು ಕೆಳಗೆ ಕಾಣಿಸುತ್ತವೆ.

ಬೆಂಚ್‌ಮಾರ್ಕ್ ಸಮಸ್ಯೆಯ ಬಗ್ಗೆ ತಿಳಿದುಕೊಳ್ಳಲು ಮೇಲಿರುವ ಚುಕ್ಕಿಯೊಂದರ ಮೇಲೆ ಕ್ಲಿಕ್ ಮಾಡಿ.

ಈ ಅಟ್ಲಾಸ್ GeneBench-Pro ನ ವ್ಯಾಪ್ತಿಯ ವಿಶಾಲತೆಯ ಪೂರ್ವವೀಕ್ಷಣೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಹನ್ನೊಂದು ಪ್ರತಿನಿಧಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಇನ್ನಷ್ಟು ವಿವರವಾಗಿ ಅನ್ವೇಷಿಸಲು ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳ ಪುಟಕ್ಕೆ ಭೇಟಿ ನೀಡಿ.

ಸಾಮಾನ್ಯ ಬೆಂಚ್‌ಮಾರ್ಕ್ ವೈಫಲ್ಯಗಳನ್ನು ತಪ್ಪಿಸುವಂತೆ GeneBench-Pro ಅನ್ನು ಸಹ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಅನೇಕ ದೀರ್ಘ-ಪರಿಧಿಯ ಜೀವಶಾಸ್ತ್ರ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳು ಅಸ್ತವ್ಯಸ್ತ ಐತಿಹಾಸಿಕ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಆಧರಿಸಿ ಬಹು-ಹಂತದ ಪ್ರಶ್ನೆಗಳನ್ನು ರೂಪಿಸುತ್ತವೆ, ಅಲ್ಲಿ ವಿಶ್ಲೇಷಣೆಯ ಮೂಲಕ ಸಾಗಲು ಏಕೈಕ ಸರಿಯಾದ ಮಾರ್ಗ ಇರದೇ ಇರಬಹುದು. ಒಬ್ಬ ಏಜೆಂಟ್ ಒಂದು ರಕ್ಷಣಾತ್ಮಕ ನಿರ್ಧಾರಿತ ಮಿತಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಬಹುದು, ಆದರೆ ಇನ್ನೊಬ್ಬರು ವಿಭಿನ್ನವಾದ ಆದರೆ ಅಷ್ಟೇ ರಕ್ಷಣಾತ್ಮಕ ಆಯ್ಕೆಯನ್ನು ಆರಿಸಿಕೊಳ್ಳಬಹುದು, ಇದು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿನ ಯಾವುದೇ ಮೂಲಭೂತ ವ್ಯತ್ಯಾಸಗಳಿಗಿಂತ ಮಾನದಂಡ ಸೃಷ್ಟಿಕರ್ತ ಮಾಡಿದ ಅನಿಯಂತ್ರಿತ ಆಯ್ಕೆಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ಇದರ ವಿರುದ್ಧವೂ ಸಂಭವಿಸಬಹುದು: ಸಮಸ್ಯೆಯು ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ತುಂಬಾ ಅಸಂವೇದನಶೀಲವಾಗಿದ್ದರೆ, ಏಜೆಂಟ್ ವಿಶ್ಲೇಷಣದಲ್ಲಿ ಮೂಲಭೂತ ದೋಷಗಳನ್ನು ಮಾಡಿದ್ದರೂ ಸಹ ಉತ್ತೀರ್ಣವಾಗುವ ಫಲಿತಾಂಶವನ್ನು ನೀಡಬಹುದು.

ಈ ವೈಫಲ್ಯ ಮೋಡ್‌ಗಳನ್ನು ತಪ್ಪಿಸಲು, ಪ್ರತಿ GeneBench-Pro ಸಮಸ್ಯೆಯನ್ನು ಸಂಶ್ಲೇಷಿತವಾಗಿ ನಿರ್ಮಿಸಲಾಗಿದೆ: ನಮಗೆ ಸಂಪೂರ್ಣ ಕಾರಣಾತ್ಮಕ ರಚನೆ ತಿಳಿದಿದೆ ಮತ್ತು ಡೇಟಾ-ಉತ್ಪಾದನಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನೇರವಾಗಿ ಸಿಮ್ಯುಲೇಟ್ ಮಾಡುತ್ತೇವೆ. ಅದು ಪ್ರತಿ ಸಮಸ್ಯೆಯ ಸಂಕೀರ್ಣತೆಯನ್ನು ಸರಿಹೊಂದಿಸಲು, ವ್ಯಕ್ತಿನಿಷ್ಠ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಆಯ್ಕೆಗಳಲ್ಲಿನ ಸಮಂಜಸ ವ್ಯತ್ಯಾಸಗಳು ಸಹ ಸ್ವೀಕೃತ ಸಂಖ್ಯಾತ್ಮಕ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುವುದನ್ನು ಖಚಿತಪಡಿಸಲು ಮತ್ತು ಸಂಭವನೀಯವೆಂದು ತೋರುವ ಆದರೆ ತಪ್ಪಾದ ವಿಶ್ಲೇಷಣೆಗಳು ವಿಫಲವಾಗುತ್ತವೆ ಎಂಬುದನ್ನು (ಅಬ್ಲೇಷನ್ ಅಧ್ಯಯನಗಳ ಮೂಲಕ) ಪರಿಶೀಲಿಸಲು ನಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ನಂತರ, ಮಾಹಿತಿ ಸೋರಿಕೆ ಮತ್ತು ಅನಪೇಕ್ಷಿತ ಪರಿಹಾರ ಮಾರ್ಗಗಳಿರುವುದೇ ಎಂಬುದನ್ನು ಪರಿಶೀಲಿಸಲು, ವಿಸ್ತೃತ ಟ್ರೇಸ್ ವಿಶ್ಲೇಷಣೆಗಳ ಮೂಲಕ ಸಮಸ್ಯೆಯ ಕರಡುಗಳನ್ನು ನಾವು ಪರಿಶೋಧಿಸುತ್ತೇವೆ. ಸರಿಯಾದ ಉತ್ತರವನ್ನು ಪಡೆಯುವುದು ಸರಿಯಾದ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಮಾರ್ಗವನ್ನು ಆಯ್ಕೆಮಾಡುವುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಶಾರ್ಟ್‌ಕಟ್‌ನ್ನು ಬಳಸಿಕೊಳ್ಳುವುದರ ಮೇಲೋ ಅಥವಾ ಲೇಖಕರ ಯಾದೃಚ್ಛಿಕ ಆದ್ಯತೆಗೆ ಹೊಂದಿಸುವುದರ ಮೇಲೋ ಅಲ್ಲ ಎಂಬ ವಿಶ್ವಾಸವನ್ನು ಇದು ನಮಗೆ ನೀಡುತ್ತದೆ.

“GeneBench-Pro ಸಮಸ್ಯೆಯ ನಿರ್ಮಾಣ ಮತ್ತು ಮಾನ್ಯೀಕರಣ” ಎಂಬ ಶೀರ್ಷಿಕೆಯ ರೇಖಾಚಿತ್ರವು, ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾದ ಕಾರ್ಯವನ್ನು ನಿರ್ಮಿಸುವುದರಿಂದ ಆರಂಭಿಸಿ ಪರಿಶೀಲನೆ, ದೃಢತೆ ಪರಿಶೀಲನೆಗಳು, ಏಜೆಂಟ್ ಪರೀಕ್ಷೆ, ತಜ್ಞರ ಪರಿಶೀಲನೆ, ಪರಿಷ್ಕರಣೆ ಮತ್ತು ಪೂರ್ಣಗೊಂಡ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಸಮಸ್ಯೆಯವರೆಗೆ ಸಾಗುವ ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ತೋರಿಸುತ್ತದೆ.

ನಾವು 129 GeneBench-Pro ಪ್ರಶ್ನೆಗಳಲ್ಲಿ 82 ಅನ್ನು ಸ್ನಾತಕೋತ್ತರ ವಿದ್ಯಾರ್ಥಿಗಳು, ಪೋಸ್ಟ್‌ಡಾಕ್ಟರಲ್ ಸಂಶೋಧಕರು, ಉದ್ಯಮ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಪ್ರಾಧ್ಯಾಪಕರು ಸೇರಿದಂತೆ ಬಾಹ್ಯ ಕ್ಷೇತ್ರ ತಜ್ಞರಿಗೆ ಕಳುಹಿಸಿದ್ದೇವೆ. ವಿಮರ್ಶಕರು ಪ್ರತಿ ಸಮಸ್ಯೆಯ ವಾಸ್ತವಿಕತೆಯನ್ನು, ಗುರಿ ಉತ್ತರವನ್ನು ಗುರುತಿಸಬಹುದೇ ಎಂಬುದನ್ನು ಮತ್ತು ವಿಧಾನಗಳು ಹಾಗೂ ಅಂದಾಜಕಗಳು ಸೂಕ್ತವಾಗಿದ್ದವೆಯೇ ಎಂಬುದನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದರು. ಸಮಸ್ಯೆಗಳನ್ನು ಸುಧಾರಿಸಲು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಬಳಸಲಾಯಿತು.

2ರಲ್ಲಿ 1
“ನಾನು ಪರಿಶೀಲಿಸಿದ ಸಮಸ್ಯೆಗಳನ್ನು, ಅನುಭವಿ ಮೇಲ್ವಿಚಾರಕರಿಂದ ಪುನರಾವರ್ತಿತ ಪ್ರತಿಕ್ರಿಯೆ ಇಲ್ಲದೆ, ಪೂರ್ಣಗೊಳಿಸುವುದು ಸ್ನಾತಕೋತ್ತರ ವಿದ್ಯಾರ್ಥಿಗೆ ಸವಾಲಿನದ್ದಾಗಿರುತ್ತಿತ್ತು. ಡೇಟಾದಲ್ಲಿ ತಾಂತ್ರಿಕ ಹಾಗೂ ಗುಣಮಟ್ಟ ನಿಯಂತ್ರಣದ ಸಮಸ್ಯೆಗಳಿದ್ದವು; ಅವುಗಳನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಪೂರ್ಣಗೊಳಿಸಲು ಸಂಭಾವ್ಯ ಅಡಚಣೆಗಳ ಅರಿವಿನೊಂದಿಗೆ ಚಿಂತನಶೀಲ ಮತ್ತು ಪರಿಶೀಲನಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಅಗತ್ಯವಾಗಿತ್ತು; ಅವರು ಸ್ವಚ್ಛ ಮತ್ತು ಚೆನ್ನಾಗಿ ಸಂಗ್ರಹಿಸಿ ನಿರ್ವಹಿಸಲಾದ ಡೇಟಾಗೆ ಸಿದ್ಧ-ಬಳಕೆಯ ಯಾವುದೋ ವಿಧಾನವನ್ನು ಕೇವಲ ಅನ್ವಯಿಸುತ್ತಿರಲಿಲ್ಲ.”
ಅಲೆಕ್ಸಾಂಡರ್ ಸ್ಟ್ರಡ್ವಿಕ್ ಯಂಗ್, UCLA ದಲ್ಲಿ ಮಾನವ ಆನುವಂಶಿಕಶಾಸ್ತ್ರದ ಸಹಾಯಕ ಪ್ರಾಧ್ಯಾಪಕ

ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಶ್ರೇಣೀಕರಣ

ಪ್ರತಿ GeneBench-Pro ಸಮಸ್ಯೆಯು ಸ್ವಯಂ-ಸಂಪೂರ್ಣ ವೈಜ್ಞಾನಿಕ ವಿಶ್ಲೇಷಣೆಯಾಗಿದೆ. ಏಜೆಂಟ್‌ಗಳು ಚಿಕ್ಕ ಪ್ರಾಂಪ್ಟ್, ಡೇಟಾ ಫೈಲ್‌ಗಳು ಮತ್ತು Python, ವೈಜ್ಞಾನಿಕ ಕಂಪ್ಯೂಟಿಂಗ್ ಲೈಬ್ರರಿಗಳು ಹಾಗೂ PLINK 2.0 ನಂತಹ ಮೂಲಭೂತ ಜಿನೋಮಿಕ್ಸ್ ಪ್ಯಾಕೇಜುಗಳನ್ನು ಒಳಗೊಂಡ ಪ್ರಮಾಣಿತ ಬಯೋಇನ್ಫರ್ಮ್ಯಾಟಿಕ್ಸ್ ಸ್ಟ್ಯಾಕ್‌ನೊಂದಿಗೆ ಪ್ರತ್ಯೇಕಿಸಲಾದ ವರ್ಕ್‌ಸ್ಪೇಸ್‌ಗೆ ಪ್ರವೇಶವನ್ನು ಪಡೆಯುತ್ತಾರೆ (ಆದಾಗ್ಯೂ ಸಮಸ್ಯೆಗಳಿಗೆ ಕ್ಷೇತ್ರ-ನಿರ್ದಿಷ್ಟ ಟೂಲಿಂಗ್ ಅಗತ್ಯವಿಲ್ಲ).

ರಚನಾತ್ಮಕ ರೂಪಾಂತರ-ಮಾರ್ಗದರ್ಶಿತ ಟ್ಯೂಮರ್ ಚಿಕಿತ್ಸೆಯ ಲಾಭ-ಅಪಾಯ ನಿರ್ಧಾರ

A molecular tumor board registry contains trial-eligible advanced solid-tumor cases considered for a TXR1-directed inhibitor. Estimate, for tumors with SV-driven TXR1 target-mediated activation at time zero, the marginal effect of TXR1i versus non-TXR1 systemic therapy on week-16 clinical benefit as if all patients had an assessable week-16 visit. Also estimate the 8-week treatment-limiting toxicity/discontinuation risk under TXR1i in the same target population. Report net clinical utility = benefit risk difference (percentage points) - 0.35 * toxicity risk (percentage points), and choose therapy_class_code 1 if TXR1i has positive net utility and 0 otherwise. 

Use percentage-point units for all non-code quantities. Positive benefit means TXR1i improves week-16 clinical benefit relative to non-TXR1 systemic therapy.

These data came from a real experiment; you will be graded not just on numerical correctness but the quality of analytical reasoning you exhibit; do not attempt to take any shortcuts.

Return your final answer as exactly one JSON object.
Do not wrap the JSON in markdown.
Do not add prose before or after the JSON.
Do not omit any keys shown in the example.
Return the JSON object in your final answer:

JSON

1
{
2
  "answer": {
3
    "therapy_class_code": <int>,
4
    "benefit_rd_pp": <float>,
5
    "toxicity_dropout_risk_pp": <float>,
6
    "net_clinical_utility_pp": <float>
7
  },
8
  "reasoning": "<description of method and QC>"
9
}

ನಾವು ಸಂಪೂರ್ಣ ಡೇಟಾ-ರಚನೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿಯಂತ್ರಿಸುವುದರಿಂದ, ತಿಳಿದಿರುವ ಗುರಿಗಳ ವಿರುದ್ಧ ಸರಿತನವನ್ನು ನಿರ್ಧಾರಾತ್ಮಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಹುದು, ಇದರಿಂದ ಪ್ರಮಾಣಿತ ರೂಬ್ರಿಕ್-ಆಧಾರಿತ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಕಂಡುಬರುವ ಮಾಡೆಲ್-ಆಯ್ಕೆ ವ್ಯತ್ಯಾಸತೆ ಮತ್ತು ಪದಾಡಂಬರದ ಪರಿಣಾಮಗಳನ್ನು ತಪ್ಪಿಸಬಹುದು.

ಪ್ರತಿಯೊಂದು ಸಮಸ್ಯೆಯಲ್ಲೂ ಉದ್ದೇಶಿತ ವಿಶ್ಲೇಷಣಾ ರಚನೆ, ಲಗತ್ತಿಸಿದ ಡೇಟಾ ಫೈಲ್‌ಗಳು, ವಿವರವಾದ ಬಹು-ಪುಟ ಕೇಸ್ ಸ್ಟಡೀ ಮತ್ತು ತಜ್ಞರ ಪರಿಶೀಲನಾ ಫಲಿತಾಂಶಗಳು ಸೇರಿದಂತೆ ಸಮೃದ್ಧ ಮೆಟಡೇಟಾ ಇರುತ್ತದೆ. 10 ಪ್ರತಿನಿಧಿ GeneBench-Pro ಪ್ರಶ್ನೆಗಳನ್ನು ನಾವು ಹಗ್ಗಿಂಗ್ ಫೇಸ್⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ)ನಲ್ಲಿ ಸಂಪೂರ್ಣ ಓಪನ್-ಸೋರ್ಸ್ ಮಾಡುತ್ತಿದ್ದೇವೆ; ಅವನ್ನು ಬ್ರೌಸ್ ಮಾಡಲು ಸಂವಾದಾತ್ಮಕ ವೆಬ್ ಇಂಟರ್ಫೇಸ್ ಇದೆ. ಕೊನೆಗೆ, ಶೀಘ್ರದಲ್ಲೇ ಸ್ವತಂತ್ರ ಮೂರನೇ ಪಕ್ಷದ ಮಾನದಂಡದ ಹೋಲಿಕೆಗಾಗಿ 50-ಪ್ರಶ್ನೆಗಳ ಸಬ್ ಸೆಟ್ ಅನ್ನು ಕೃತಕ ವಿಶ್ಲೇಷಣೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಗೆ ನೀಡುತ್ತೇವೆ.

ಫಲಿತಾಂಶಗಳು

ನಮ್ಮ ಅತ್ಯಂತ ಬಲಿಷ್ಠ ಮಾಡೆಲ್, GPT‑5.6 Sol, ಅತ್ಯುನ್ನತ ರೀಜನಿಂಗ್ ಮಟ್ಟದಲ್ಲಿ 28.7% ಪಾಸ್ ದರವನ್ನು ಸಾಧಿಸುತ್ತದೆ (Pro ಮೋಡ್ ಸಕ್ರಿಯಗೊಳಿಸಿದಾಗ 31.5%). ನಾವು ಮೂಲ GeneBench ಅನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರಾರಂಭಿಸಿದ ಸಮಯಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಅದು ತೀವ್ರ ಏರಿಕೆಯಾಗಿದೆ. ಆ ಸಮಯದಲ್ಲಿ, ನಮ್ಮ ಅತ್ಯುತ್ತಮ ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್, GPT‑5, 5% ಕ್ಕಿಂತ ಕಡಿಮೆ ಸ್ಕೋರ್ ಮಾಡಿತ್ತು. ಈ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ನಲ್ಲಿನ ಪ್ರಗತಿಯು, ಕಡಿಮೆ ಸ್ಪಷ್ಟವಾದ ಸಿಸ್ಟಂಸ್-ಲೆವಲ್ ವೈಜ್ಞಾನಿಕ ರೀಜನಿಂಗ್‌ನಲ್ಲಿಯೂ ಸಹ, ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್‌ಗಳು ವೇಗವಾಗಿ ಸುಧಾರಿಸುತ್ತಿವೆ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಪ್ರಸ್ತುತ ವೇಗದಲ್ಲಿ, ಈ ಬೆಂಚ್‌ಮಾರ್ಕ್ ವರ್ಷದ ಅಂತ್ಯದೊಳಗೆ ತೃಪ್ತಿಯಾಗಬಹುದು.

ಫಲಿತಾಂಶಗಳು ಟೆಸ್ಟ್-ಟೈಮ್ ಕಂಪ್ಯೂಟ್ ಅನ್ನು ಸ್ಕೇಲ್ ಮಾಡುವುದರ ಪರಿಣಾಮವನ್ನೂ ತೋರಿಸುತ್ತವೆ. ಅತ್ಯಂತ ಕಡಿಮೆ ರೀಜನಿಂಗ್ ಮಟ್ಟದಲ್ಲಿ, GPT‑5.6 Sol ಕೇವಲ ಒಂದು ಅಂಕಿಯ ಪಾಸ್‌ರೇಟ್ ಅನ್ನು ಮಾತ್ರ ಸಾಧಿಸುತ್ತದೆ. ಅತ್ಯುನ್ನತ ರೀಜನಿಂಗ್ ಮಟ್ಟದಲ್ಲಿ, GPT‑5.6 Sol GPT‑5.2 ಗಿಂತ ಸುಮಾರು ಆರು ಪಟ್ಟು ಹೆಚ್ಚು ಪ್ರಶ್ನೆಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ. ಸುಮಾರು ಎರಡು-ಮೂರು ಭಾಗಗಳಷ್ಟು ಟೋಕನ್‌ಗಳನ್ನು ಬಳಸುತ್ತಲೇ ಮಾಡುತ್ತದೆ.

ಮಾಡೆಲ್ ಕುಟುಂಬಗಳಾದ್ಯಂತದ ಹೋಲಿಕೆಗಳು ಪ್ರಮಾಣಾತ್ಮಕ ಅನಿಶ್ಚಿತತೆಯಡಿ ಉನ್ನತ-ಮಟ್ಟದ ವೈಜ್ಞಾನಿಕ ರೀಜನಿಂಗ್‌ನಲ್ಲಿ GPT ಮಾಡೆಲ್‌ಗಳು ಅತ್ಯಂತ ಬಲಿಷ್ಠ ವ್ಯವಸ್ಥೆಗಳಾಗಿವೆ ಎಂದು ಸೂಚಿಸುತ್ತವೆ. GPT‑5.6 ಮತ್ತು ಇತರ ಮಾಡೆಲ್‌ಗಳ ನಡುವಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂತರ. GPT‑5.5 ಮತ್ತು GLM 5.2 ಮುಂತಾದ ಮುಂಚೂಣಿ ಓಪನ್-ಸೋರ್ಸ್ ಮಾಡೆಲ್‌ಗಳ ನಡುವಿನ ಅಂತರವು coding benchmarks⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಇಂದ ವಿಸ್ತರಿಸಿ ಅಂದಾಜಿಸಿದಾಗ ನಾವು ನಿರೀಕ್ಷಿಸುವುದಕ್ಕಿಂತ ಗಮನಾರ್ಹವಾಗಿ ದೊಡ್ಡದಾಗಿದೆ, ಇದು ಓಪನ್-ಸೋರ್ಸ್ ಮಾಡೆಲ್‌ಗಳು ವ್ಯಾಪಕ ರೀಜನಿಂಗ್ ಸಾಮರ್ಥ್ಯಕ್ಕಿಂತ ಕೋಡಿಂಗ್‌ಗಾಗಿ ಹೆಚ್ಚು ವಿಶೇಷೀಕೃತವಾಗಿವೆ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ.

ಅಭಿವೃದ್ಧಿಯ ಸಮಯದಲ್ಲಿ ಸಮಸ್ಯೆಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಮತ್ತು ಇನ್ನಷ್ಟು ದೃಢಗೊಳಿಸಲು ನಾವು ಅತ್ಯಾಧುನಿಕ GPT ಮಾಡೆಲ್‌ಗಳನ್ನು ಬಳಸಿದ್ದೇವೆ. ಹೀಗಾಗಿ, ಇತರ ಮಾಡೆಲ್ ಕುಟುಂಬಗಳಿಗೆ ಹೋಲಿಸಿದರೆ GeneBench-Pro GPT ಮಾಡೆಲ್‌ಗಳ ವಿರುದ್ಧ ಪಕ್ಷಪಾತ ಹೊಂದಿರಬಹುದು ಎಂದು ನಾವು ಅನುಮಾನಿಸಿದ್ದೇವೆ. ಆದಾಗ್ಯೂ, ಸ್ಪರ್ಧಿ ಮಾಡೆಲ್‌ಗಳು ಅತ್ಯುತ್ತಮ ಸ್ಥಿತಿಯಲ್ಲಿಯೂ ಬಿಡುಗಡೆಯ ಸಮಯದಲ್ಲಿದ್ದ ಅನುಗುಣವಾದ GPT ಮಾಡೆಲ್‌ನ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಸರಿಸಮನಾಗಿದ್ದವು ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಗಣನೀಯವಾಗಿ ಹಿಂದುಳಿಯುತ್ತಿದ್ದವು.

ಈ ಮೌಲ್ಯಮಾಪನ ಫಲಿತಾಂಶಗಳು—GPT‑5.6 Sol (Pro) ನಲ್ಲಿ 31.5% ವರೆಗೆ—GeneBench-Pro ಪ್ರಶ್ನೆಗಳ ಕಠಿಣತೆಯನ್ನು ಪರಿಗಣಿಸಿದರೆ ಗಮನಾರ್ಹವಾಗಿವೆ. ಒಂದು ಸಮೀಕ್ಷೆಯಲ್ಲಿ, ನಮ್ಮ ವಿಮರ್ಶಕರು ಸಾಮಾನ್ಯ GeneBench-Pro ಸಮಸ್ಯೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಮಾನವ ತಜ್ಞರಿಗೆ ಸುಮಾರು 20–40 ಗಂಟೆಗಳು ಬೇಕಾಗಬಹುದು ಎಂದು ಅಂದಾಜಿಸಿದ್ದಾರೆ. ಮಿತವಾದ ಅಂದಾಜಿನಂತೆ ಗಂಟೆಗೆ $200 ಎಂದು ಲೆಕ್ಕ ಹಾಕಿದರೂ, ಒಂದೇ ಸಮಸ್ಯೆಗೆ ಬೇಕಾಗುವ ಮಾನವ ಶ್ರಮದ ವೆಚ್ಚವು ಸಾವಿರಾರು ಡಾಲರ್‌ಗಳ ಮಟ್ಟಕ್ಕೆ ಹೋಗುತ್ತದೆ. ಪ್ರಸ್ತುತ ಎಐ ಏಜೆಂಟ್‌ಗಳು ಮಾನವ ತಜ್ಞರನ್ನು ಬದಲಿಸುವಷ್ಟು ಇನ್ನೂ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿಲ್ಲ, ಆದರೆ ವೆಚ್ಚದ ಅಂತರ ದೊಡ್ಡದಾಗಿದೆ, ಇನ್ಫರೆನ್ಸ್ ವೆಚ್ಚಗಳು ಪ್ರತಿ ಸಮಸ್ಯೆಗೆ ಕೆಲವೇ ಡಾಲರ್‌ಗಳಷ್ಟಿವೆ. ಅದರರ್ಥ, ಈಗಿನ ಸಾಮರ್ಥ್ಯಗಳ ಮಟ್ಟದಲ್ಲೇ ಭಾಗಶಃ ಸ್ವಯಂಚಾಲನೆ ಅರ್ಥಪೂರ್ಣ ಆರ್ಥಿಕ ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಮೌಲ್ಯವನ್ನು ಸೃಷ್ಟಿಸಬಹುದು.

2ರಲ್ಲಿ 1
“ಮೌಲ್ಯಮಾಪನಗಳು ವೈವಿಧ್ಯಮಯ ಜೈವಿಕ ಪ್ರಶ್ನೆಗಳ ವ್ಯಾಪ್ತಿಯಿಂದ ಪ್ರೇರಿತವಾಗಿವೆ, ಆದರೆ ನಿಜವಾದ ಸವಾಲು ಅನ್ವೇಷಣಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಈ ಆವಿಷ್ಕಾರಗಳ ಮೇಲೆ ರೀಜನಿಂಗ್‌ನಿಂದ ಬರುತ್ತದೆ: ಮಾದರಿಗಳು ಮತ್ತು ಕಲ್ಪಿತ ದೋಷಗಳನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ಡೇಟಾವನ್ನು ಹೊರಗಿಡಬೇಕೇ ಅಥವಾ ಸರಿಹೊಂದಿಸಬೇಕೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವುದು. ಇದು ನೈಜ ಜೈವಿಕ ಡೇಟಾಸೆಟ್‌ಗಳ ಅಸ್ತವ್ಯಸ್ತ ಸ್ವಭಾವವನ್ನು ಹೋಲುತ್ತದೆ. ಈ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದರಿಂದ, ಏಜೆಂಟ್ ಆಧಾರಿತ ವೈಜ್ಞಾನಿಕ ಸಮಸ್ಯೆ ಪರಿಹಾರದಲ್ಲಿ ಸ್ಪಷ್ಟವಾದ ಪರಿಹಾರಕರ ಒಪ್ಪಂದಗಳ ಮಹತ್ವ ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ. ಪ್ರಾಂಪ್ಟ್‌ನ ವಿಭಿನ್ನ ಪದಪ್ರಯೋಗ ಅಥವಾ ಕಾರ್ಯ ನಿರ್ದಿಷ್ಟೀಕರಣವು ಯಾವ ವಿಶ್ಲೇಷಣೆಗಳು ಅನುಮತಿಸಬಹುದೆಂದು ತೋರುತ್ತವೆ ಎಂಬುದನ್ನು ಬಹಳವಾಗಿ ಪ್ರಭಾವಿಸಬಹುದು.”
ಸಿರಿಲ್ಲಸ್ ಟಾನ್, ನ್ಯೂಯಾರ್ಕ್ ಜೀನೋಮ್ ಸೆಂಟರ್‌ನಲ್ಲಿನ ಪೋಸ್ಟ್‌ಡಾಕ್ಟರಲ್ ಸಂಶೋಧನಾ ಸಹೋದ್ಯೋಗಿ

ಆದರೂ, ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್‌ಗಳು ಈ ಸಮಸ್ಯೆಗಳ ಮೂರನೇ ಭಾಗಕ್ಕಿಂತ ಕಡಿಮೆ ಪರಿಹರಿಸುತ್ತವೆ. ಇದು ಸುಧಾರಣೆಗೆ ಸಾಕಷ್ಟು ಅವಕಾಶವಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಮಾಡೆಲ್‌ಗಳು ಸವಾಲಿನ ಸಮಸ್ಯೆಗಳಲ್ಲಿ ಭಾಗಶಃ ಪ್ರಗತಿ ಸಾಧಿಸಬಹುದು, ಆದರೆ ತಾರ್ಕಿಕ ನಿರ್ಣಯದ ಲೂಪ್ ಅನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಅವು ಕಷ್ಟಪಡುತ್ತವೆ. ಈ ವೈಫಲ್ಯ ಮಾದರಿಯು ಮಾನವ ಪರಿಣಿತರ ಹಾಗೂ ಹೊಸಬರ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ತಜ್ಞರು ತಮ್ಮ ಅನುಭವವನ್ನು ಬಳಸಿಕೊಂಡು ಸಮಸ್ಯೆಯನ್ನು ರೂಪಿಸಿಕೊಳ್ಳುತ್ತಾರೆ ಮತ್ತು ತಮ್ಮ ವಿಧಾನವನ್ನು ಹೊಂದಿಸಿಕೊಳ್ಳುತ್ತಾರೆ, ಆದರೆ ಹೊಸಬರು ಅವಲೋಕನಗಳನ್ನು ಮಾಡುತ್ತಾರಾದರೂ ಅವನ್ನು ಸಮಸ್ಯೆಯ ವ್ಯಾಪಕ ಸನ್ನಿವೇಶಕ್ಕೆ ಸಂಯೋಜಿಸಲು ಕಷ್ಟಪಡುತ್ತಾರೆ.

ಸಮಸ್ಯೆ: ಕಾಲಾನುಸಾರ ಬದಲಾಗುವ ಚಿಕಿತ್ಸೆಯೊಂದಿಗೆ ಔಷಧ-ಜಿನೋಮಿಕ ಸಮಯ-ಪ್ರತಿಕ್ರಿಯೆ

ಚಿಕಿತ್ಸೆಯ ಆರಂಭ, ಜನ್ಯಪ್ರಕಾರ-ನಿರ್ದಿಷ್ಟ ಪ್ರತಿಕ್ರಿಯೆ, ವಿಳಂಬಿತ ಔಷಧ-ಪ್ರಭಾವಗತಿಶಾಸ್ತ್ರ, ಪ್ರಚಲಿತ-ಬಳಕೆದಾರ ಸೂಚಕಗಳು ಮತ್ತು ಅನುದೈರ್ಘ್ಯ ಜೈವಗುರುತುಗಳು ಒಟ್ಟಾಗಿ ಕಾರಣಾತ್ಮಕ ಬದುಕುಳಿಯುವಿಕೆ ಅಂದಾಜಿಸಬೇಕಾದ ಪರಿಮಾಣವನ್ನು ನಿರ್ಧರಿಸುತ್ತವೆ.

GPT-5.5 ಮಾದರಿ

Handles treatment timing with a conventional Cox outcome model but does not address treatment-confounder feedback.

Fit a counting-process Cox model with treatment as a time-varying exposure, effective only after treat_start+90 days ... The model included G, treatment×G, baseline severity, age, and sex.

GPT-5.6 Sol ಮಾದರಿ

Uses a more appropriate causal inference method to properly account for treatment-confounder feedback.

Used a new-user marginal structural Cox model: excluded 818 flagged prevalent users, modeled treatment initiation with stabilized inverse-probability weights using baseline covariates and current biomarker, and treated exposure as time-varying with a 90-day efficacy lag.

ಸುಮಾರು ಪರಿಪೂರ್ಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸಲು, ಪ್ರಗತಿಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಅಳೆಯುವ ಮತ್ತು ಮಾಡೆಲ್‌ಗಳು ಇನ್ನೂ ಎಲ್ಲಿ ವಿಫಲವಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ಗುರುತಿಸುವ ಮೌಲ್ಯಮಾಪನಗಳು ಅಗತ್ಯವಿದೆ. GeneBench-Pro ನಂತಹ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳು ಅಸ್ಪಷ್ಟವಾದ ಸಾಮರ್ಥ್ಯದ ಕೊರತೆಯನ್ನು ನಾವು ನಿರ್ಣಯಿಸಿ ಸುಧಾರಿಸಬಹುದಾದ ವಿಷಯವನ್ನಾಗಿ ಪರಿವರ್ತಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು. 

ಏಜೆಂಟ್‌ಗಳು ಈ ವರ್ಗದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಸಾಧ್ಯವಾದರೆ, ಅವು ವೈಜ್ಞಾನಿಕ ಆವಿಷ್ಕಾರವನ್ನು ಗಣನೀಯವಾಗಿ ವೇಗಗೊಳಿಸಬಹುದು. ಮಾನವ ಆನುವಂಶಿಕ ಸಾಕ್ಷ್ಯವು ಈಗಾಗಲೇ ಗುರಿ ಆದ್ಯತೆಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಅನುವಾದಾತ್ಮಕ ಅನುಸರಣೆಗಾಗಿ ಕೇಂದ್ರವಾಗಿದೆ, ಏಕೆಂದರೆ ಆನುವಂಶಿಕ ಬೆಂಬಲ ಹೊಂದಿರುವ ಕಾರ್ಯವಿಧಾನಗಳು ಅನುಮೋದಿತ ಚಿಕಿತ್ಸೆಗಳಾಗಿ ರೂಪುಗೊಳ್ಳುವ ಸಾಧ್ಯತೆ ಬಹಳ ಹೆಚ್ಚಾಗಿದೆ.

ಇದರ ನಡುವೆ, ಕ್ರಮಬದ್ಧತೆ ವೆಚ್ಚಗಳು ಬಹಳಷ್ಟು ಕಡಿಮೆಯಾದವು ಮತ್ತು ಬಯೋಬ್ಯಾಂಕ್ ಮಟ್ಟದ ಡೇಟಾಸೆಟ್‌ಗಳು ಈಗ ಅಣುಮೂಲಕ, ರೂಪಲಕ್ಷಣ ಮತ್ತು ಹೆಲ್ತ್ ದಾಖಲೆ ಮಾಹಿತಿಯನ್ನು ಅಪೂರ್ವ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಸಂಪರ್ಕಿಸುತ್ತಿವೆ. ಮಿತಿ ವಿಧಿಸುವ ಅಂಶವು ಡೇಟಾ ಉತ್ಪಾದನೆಯಿಂದ ಮಾಹಿತಿಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾದ ಒಳನೋಟಗಳಾಗಿ ಪರಿವರ್ತಿಸುವುದಕ್ಕೆ ಸರಿಯುತ್ತಿದೆ. ಪ್ರಸ್ತುತ ಮಾನವ ತಜ್ಞರ ತಂಡಗಳು ನಿರ್ವಹಿಸುತ್ತಿರುವ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಸ್ಥಿರವಾಗಿ ನಡೆಸಬಲ್ಲ ಮಾಡೆಲ್‌ಗಳು, ಊಹಾಪೋಹಗಳ ಆದ್ಯತಾ ವಿಂಗಡಣೆ, ಗುರಿಗಳ ಮುಂದಿನ ಅನುಸರಣೆ ಮತ್ತು ಡೇಟಾ ಸೃಷ್ಟಿ ಹಾಗೂ ನಿರ್ಧಾರ ಕೈಗೊಳ್ಳುವಿಕೆಯ ನಡುವಿನ ಪುನರಾವರ್ತನಾ ಚಕ್ರವನ್ನು ವೇಗಗೊಳಿಸುವ ಮೂಲಕ ಕೈಗಾರಿಕಾ ಸಂಶೋಧನೆಯನ್ನು ಪರಿವರ್ತಿಸಬಹುದು.

GeneBench-Pro ಅನುಭವಿಗಳಲ್ಲಿ ಕಂಡುಬರುವ ಉತ್ತಮ ವೈಜ್ಞಾನಿಕ ನಿರ್ಣಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಹೆಚ್ಚು ಅಮೂರ್ತ ಕೌಶಲ್ಯಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಪ್ರಾರಂಭಿಕ ಪ್ರಯತ್ನವಾಗಿದೆ. ಈ ಕೌಶಲ್ಯಗಳು ಅವರಿಗೆ ಅತ್ಯಂತ ಭರವಸೆಯ ಆರಂಭಿಕ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಅಂತಃಪ್ರಜ್ಞೆಯಿಂದ ಗ್ರಹಿಸಿ ಗುರುತಿಸಲು, ದತ್ತಾಂಶವು ಆರಂಭಿಕ ಊಹೆಗಳಿಗೆ ವಿರುದ್ಧವಾಗಿರುವಾಗ ತಮ್ಮ ಚಿಂತನೆಯನ್ನು ಪುನರಾವರ್ತಿತವಾಗಿ ಪರಿಶೀಲಿಸಿ ಪರಿಷ್ಕರಿಸಲು ಮತ್ತು ಮುಂದಿನ ಹಂತದ ವೈದ್ಯಕೀಯ, ಶೈಕ್ಷಣಿಕ ಅಥವಾ ವ್ಯವಹಾರಿಕ ನಿರ್ಧಾರಗಳು ಅವಲಂಬಿಸಬಹುದಾದ ತೀರ್ಮಾನಗಳಿಗೆ ಬರಲು ನೆರವಾಗುತ್ತವೆ. 

ಮಾಡೆಲ್ ಸಾಮರ್ಥ್ಯಗಳು ಮುಂದುವರಿದಂತೆ, ಕೇವಲ ಪುಸ್ತಕಾಧಾರಿತ ಜ್ಞಾನ ಅಥವಾ ನಿಯಮಿತ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಪರೀಕ್ಷಿಸುವ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳಿಗಿಂತ ಪಾರಾಗಿ, ಅಮೂರ್ತತೆಯ ಈ ಉನ್ನತ ಮಟ್ಟಗಳಲ್ಲಿ ಮಾಡೆಲ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳು ಹೆಚ್ಚಾಗಿ ಉಪಯುಕ್ತವಾಗುತ್ತವೆ ಎಂದು ನಾವು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ.

ಲೇಖಕ

OpenAI

ಓದು ಮುಂದುವರಿಸಿ

ಎಲ್ಲವನ್ನೂ ನೋಡಿ
ARC-AGI-3 art-card 1x1
ಎರಡು ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿ ARC-AGI-3 ಮಾನದಂಡದ ಅಂಕಗಳನ್ನು ಮೂರು ಪಟ್ಟು ಹೆಚ್ಚಿಸಿದ ಬಗೆ

ಸಂಶೋಧನೆ

oai Science Academic Research Academic Research 1x1
Accelerating scientific discovery with ChatGPT for Academic Researchers

ಕಂಪನಿ

Scientific computing agentic AI card image (1x1)
ಏಜೆಂಟಿಕ್ AI ಯುಗದಲ್ಲಿ ವೈಜ್ಞಾನಿಕ ಕಂಪ್ಯೂಟಿಂಗ್

ಪ್ರಕಟಣೆ