အဓိက အကြောင်းအရာသို့ ကျော်သွားရန်
OpenAI

၂၀၂၆ ဇွန် ၃၀

သုတေသနထုတ်ဝေမှု

GeneBench-Pro ကို မိတ်ဆက်ခြင်း

computational biology တွင် AI အေးဂျင့်များက မရေရာမှုကို မည်သို့ ကိုင်တွယ်ပြီး အရေးပါသော ဆုံးဖြတ်ချက်များ ချသလဲ တိုင်းတာသည့် သုတေသနအဆင့် benchmark။

စာတမ်းကို ဖတ်ပါ(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)
ဖွင့်နေသည်…

သိပ္ပံဒေတာသည် ညွှန်ကြားချက်များနှင့်အတူ ရောက်လာခဲသည်။ သုတေသီများသည် pattern တစ်ခုသည် ဇီဝဗေဒကို ထင်ဟပ်သလား သို့မဟုတ် ဆူညံမှုသာလား၊ ဒေတာက မေးထားသည့်မေးခွန်းကို ပံ့ပိုးနိုင်သလား၊ ရလဒ်တစ်ခုစီက နောက်တစ်ဆင့်ကို မည်သို့ ပြောင်းလဲသင့်သလား ဆုံးဖြတ်ရသည်။ AI အေးဂျင့်များသည် ရှုပ်ထွေးသော ခွဲခြမ်းစိတ်ဖြာမှုများကို ဆောင်ရွက်နိုင်စွမ်း ပိုမိုမြင့်လာသော်လည်း လက်တွေ့သိပ္ပံသုတေသနသည် အချက်အလက်မှတ်မိခြင်း သို့မဟုတ် ကြိုတင်သတ်မှတ် workflow လိုက်နာခြင်းသာမက ထိုအဆင့်မြင့် ဆုံးဖြတ်ချက်များ ချနိုင်ခြင်းပေါ်လည်း မူတည်သည်။

ယနေ့ ကျွန်ုပ်တို့သည် လက်တွေ့ computational biology လိုအပ်သည့် ဆုံးဖြတ်ချက်အလေးပေး ခွဲခြမ်းစိတ်ဖြာမှုမျိုးကို မော်ဒယ်များ ကိုင်တွယ်နိုင်သလား စမ်းသပ်ရန် သုတေသနအဆင့် စိန်ခေါ်မှု benchmark အသစ် GeneBench-Pro ကို မိတ်ဆက်ပါသည်။ ၎င်းသည် GeneBench⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ကို တိုးချဲ့၍ genomics၊ quantitative biology နှင့် translational medicine တစ်လျှောက် ပိုခက်ခဲပြီး လက်တွေ့ကျသော တာဝန်များကို လွှမ်းခြုံကာ computational biology သိပ္ပံသုတေသန၏ ရှုပ်ထွေးမှု၊ ထပ်ခါတလဲလဲ လုပ်ရမှုနှင့် မရေရာမှုကို ဖမ်းယူထားသည်။ 

ယနေ့အထိ လက်တွေ့ computational သုတေသနကို ခက်ခဲစေသော system-level ဆုံးဖြတ်ချက်များကို ယုံကြည်လောက်စွာ အကဲဖြတ်မှု နည်းပါးနေဆဲ ဖြစ်သည်။ ၎င်းတို့တွင် မရေရာမှုကို ကိုင်တွယ်ခြင်း၊ ယူဆချက်များ ပြင်ဆင်ခြင်း၊ မှန်ကန်သော ခွဲခြမ်းစိတ်ဖြာရေးလမ်းကြောင်း ရွေးချယ်ခြင်းနှင့် ရလဒ်တစ်ခုသည် ဆုံးဖြတ်ချက်ချရန် အသင့်ဖြစ်ချိန်ကို သိခြင်းတို့ ပါဝင်သည်။ ဤကျွမ်းကျင်မှုများကို ပုံစံတကျ သတ်မှတ်ရန် ခက်ခဲသဖြင့် ၎င်းတို့ထဲရှိ အားနည်းချက်များက AI ၏ စုစုပေါင်း စွမ်းဆောင်ရည်ကို ပိုမိုကန့်သတ်လာသည့်တိုင် တိကျစွာ အကဲဖြတ်ရန်လည်း ခက်ခဲသည်။

“ဇီဝဗေဒရှိ benchmark ကွာဟမှု” ဟု ခေါင်းစဉ်တပ်ထားသော ပုံကြမ်း။ ရိုးရာ benchmark လုပ်ငန်းစဉ်များနှင့် အစမှအဆုံး သိပ္ပံခွဲခြမ်းစိတ်ဖြာမှုကို နှိုင်းယှဉ်ကာ သိပ္ပံနိဂုံးသို့ မရောက်မီ ကြိုတင်လုပ်ဆောင်ခြင်း၊ modeling၊ ရောဂါရှာဖွေခြင်းနှင့် ထပ်ခါတလဲလဲ refinement ကဲ့သို့ အပိုအဆင့်များကို ပြသထားသည်။

GeneBench-Pro သည် ဤအဆင့်မြင့် စွမ်းရည်များကို တိတိကျကျ တိုင်းတာရန် ဒီဇိုင်းဆွဲထားသည်။ GeneBench-Pro တွင် “research taste” ကို ခွဲခြမ်းစိတ်ဖြာမှုကို ပုံဖော်သည့် ဆုံးဖြတ်ချက်ကွင်းဆက်များ ဒေတာက မည်သည့်မေးခွန်းများကို ပံ့ပိုးနိုင်သည်၊ အစောပိုင်း diagnostics က မော်ဒယ် သို့မဟုတ် estimand ကို မည်သို့ ပြောင်းသင့်သည်၊ ကနဦးအစီအစဉ်ကို ဘယ်အချိန် ပြင်သင့်သည်ဟု သတ်မှတ်သည်။ GeneBench-Pro ပြဿနာတိုင်းသည် မော်ဒယ်အား လက်တွေ့ကျပြီး ရှုပ်ထွေးသော dataset၊ အတိုချုံး စမ်းသပ်မှုနောက်ခံနှင့် နောက်ပိုင်းဆုံးဖြတ်ချက်တစ်ခုနှင့် ချိတ်ဆက်ထားသော target estimand ကို ပေးသည်။ မှန်ကန်စွာ ဖြေရန် မော်ဒယ်သည် ဒေတာကို စူးစမ်းရန်၊ သင့်လျော်သော ခွဲခြမ်းစိတ်ဖြာနည်းကို ရွေးရန်၊ ထပ်ခါတလဲလဲ စမ်းသပ်သည့် လုပ်ငန်းစဉ်တွင် ပါဝင်ရန်နှင့် နောက်ဆုံးအဖြေ ပေးရန် လိုအပ်သည်။

ဒေတာအစုံ တည်ဆောက်မှု

ဇီဝဗေဒတွင် ဒေတာထုတ်လုပ်မှုကုန်ကျစရိတ် (ဥပမာ genome sequencing) သည် ကြီးမားစွာ ကျဆင်းခဲ့ပြီး ကန့်သတ်ချက်သည် နမူနာစုဆောင်းခြင်း မဟုတ်တော့ဘဲ နောက်ပိုင်း computation နှင့် analysis ဖြစ်လာသည်ဟု သုတေသီအချို့က ယခုဆိုသည်⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)။ GeneBench-Pro ကို ထို bottleneck ကို ဖြေရှင်းရာတွင် တိုးတက်မှုကို အကဲဖြတ်ရန် တည်ဆောက်ထားပြီး computational biology အခြေအနေနှင့် နည်းလမ်းအမျိုးမျိုးကို လွှမ်းခြုံသော မေးခွန်း 129 ခု ပါဝင်သည်။

Domain Atlas - ၁၂၉ ပြဿနာများ ၁၀ ဒိုမိန်းများနှင့် ၂၁ ဒိုမိန်းခွဲများတွင်

စံနှုန်းပြဿနာများအကြား ရွှေ့ရန် မြှားခလုတ်များကို အသုံးပြုပါ။ ရွေးချယ်ထားသော ပြဿနာ၏ အသေးစိတ်အချက်အလက်များကို အောက်တွင် ပြသထားသည်။

စံနှုန်းပြဿနာအကြောင်း လေ့လာရန် အထက်ပါ အစက်တစ်စက်ကို နှိပ်ပါ။

ဤ atlas သည် GeneBench-Pro ၏ ကျယ်ပြန့်မှုကို ကြိုတင်မြင်နိုင်စေသည်။ ကိုယ်စားပြုမေးခွန်း ၁၀ ခုကို ပိုမိုအသေးစိတ် လေ့လာရန် case studies စာမျက်နှာ သို့ ဝင်ရောက်ပါ။

GeneBench-Pro သည် ပုံမှန် benchmark ချို့ယွင်းချက်များကို ရှောင်ရှားရန်လည်း ဒီဇိုင်းဆွဲထားသည်။ ရှည်လျားသော biology benchmark များစွာသည် ရှုပ်ထွေးသော သမိုင်းဆိုင်ရာ dataset များပေါ်တွင် အဆင့်များစွာပါ မေးခွန်းများ တည်ဆောက်ကြပြီး ခွဲခြမ်းစိတ်ဖြာမှုအတွက် တစ်ခုတည်းသော မှန်ကန်လမ်းကြောင်း မရှိနိုင်ပါ။ အေးဂျင့်တစ်ခုက ကာကွယ်ပြောဆိုနိုင်သော cutoff တစ်ခုကို ရွေးနိုင်သလို အခြားတစ်ခုကလည်း တန်းတူကာကွယ်နိုင်သည့် ရွေးချယ်မှုတစ်ခုကို ရွေးနိုင်သည်။ ၎င်းက မော်ဒယ် စွမ်းဆောင်ရည်ကွာခြားချက်ထက် benchmark ဖန်တီးသူ၏ စိတ်ကြိုက်ရွေးချယ်မှုများကို ပိုထင်ဟပ်စေနိုင်သည်။ ပြောင်းပြန်လည်း ဖြစ်နိုင်သည်။ ပြဿနာတစ်ခုသည် ကိန်းဂဏန်းအရ အလွန်မခံစားနိုင်ပါက အေးဂျင့်သည် ခွဲခြမ်းစိတ်ဖြာမှုတွင် အခြေခံအမှားများ ပြုလုပ်သော်လည်း ဖြတ်သန်းနိုင်သော ရလဒ် ထုတ်နိုင်သည်။

ဤချို့ယွင်းမှုပုံစံများကို ရှောင်ရန် GeneBench-Pro ပြဿနာတိုင်းကို synthetic အဖြစ် တည်ဆောက်ထားပါသည်။ ကျွန်ုပ်တို့သည် causal structure အပြည့်အစုံကို သိရှိပြီး ဒေတာထုတ်လုပ်မှုလုပ်ငန်းစဉ်ကို တိုက်ရိုက် သရုပ်ပြပါသည်။ ထိုကြောင့် ပြဿနာတိုင်း၏ ရှုပ်ထွေးမှုကို ချိန်ညှိနိုင်ပြီး၊ စိတ်ကြိုက် analytical choice များတွင် ယုတ္တိရှိသော ကွာခြားချက်များရှိသော်လည်း လက်ခံနိုင်သော ကိန်းဂဏန်းရလဒ်များ ထွက်စေကြောင်း သေချာစေကာ၊ ဖြစ်နိုင်သော်လည်း မှားယွင်းသော ခွဲခြမ်းစိတ်ဖြာမှုများ မအောင်မြင်ကြောင်း ablation studies ဖြင့် အတည်ပြုနိုင်ပါသည်။ ထို့နောက် သတင်းအချက်အလက်ယိုစိမ့်ခြင်းနှင့် မရည်ရွယ်ထားသော ဖြေရှင်းလမ်းကြောင်းများကို စစ်ဆေးရန် ပြဿနာမူကြမ်းများကို အသေးစိတ် trace analysis ဖြင့် audit လုပ်ပါသည်။ ဤအရာကြောင့် မှန်ကန်သောအဖြေ ရရှိခြင်းသည် shortcut ကို အသုံးချခြင်း သို့မဟုတ် စာရေးသူ၏ arbitrary preference နှင့် ကိုက်ညီခြင်း မဟုတ်ဘဲ မှန်ကန်သော ခွဲခြမ်းစိတ်ဖြာရေးလမ်းကြောင်း ရွေးချယ်ခြင်းပေါ် မူတည်ကြောင်း ယုံကြည်နိုင်ပါသည်။

“GeneBench-Pro ပြဿနာတစ်ခု တည်ဆောက်ခြင်းနှင့် အတည်ပြုခြင်း” ဟု ခေါင်းစဉ်တပ်ထားသော ပုံကြမ်း။ လည်ပတ်နိုင်သည့် တာဝန်တစ်ခု တည်ဆောက်ခြင်းမှ သုံးသပ်ခြင်း၊ ခိုင်ခံ့မှုစစ်ဆေးချက်များ၊ အေးဂျင့်စမ်းသပ်ခြင်း၊ ကျွမ်းကျင်သူသုံးသပ်ခြင်း၊ ပြန်လည်ပြင်ဆင်ခြင်းနှင့် ပြီးစီးသော benchmark ပြဿနာတစ်ခုအထိ လုပ်ငန်းစဉ်ကို ပြသထားသည်။

GeneBench-Pro မေးခွန်း 129 ခုအနက် 82 ခုကို ဘွဲ့လွန်ကျောင်းသားများ၊ ပို့စ်ဒေါက်သုတေသီများ၊ လုပ်ငန်းနယ်ပယ် သိပ္ပံပညာရှင်များနှင့် ပါမောက္ခများ အပါအဝင် ပြင်ပဘာသာရပ်ကျွမ်းကျင်သူများထံ ပို့ခဲ့သည်။ သုံးသပ်သူများသည် ပြဿနာတိုင်း၏ လက်တွေ့ကျမှု၊ target answer ကို ဖော်ထုတ်နိုင်မှု၊ နည်းလမ်းများနှင့် estimator များ သင့်လျော်မှုတို့ကို အကဲဖြတ်ခဲ့သည်။ တုံ့ပြန်အကြံပြုချက်များကို ပြဿနာများ ပိုကောင်းစေရန် အသုံးပြုခဲ့သည်။

2အနက် 1
“ကျွန်တော် သုံးသပ်ခဲ့သည့် ပြဿနာများသည် အတွေ့အကြုံရှိ ကြီးကြပ်သူထံမှ ထပ်ခါတလဲလဲ တုံ့ပြန်အကြံပြုချက်မရှိဘဲ ပြီးမြောက်ရန် ဘွဲ့လွန်ကျောင်းသားတစ်ဦးအတွက်ပင် ခက်ခဲမည့် အရာများ ဖြစ်ပါသည်။ ဒေတာတွင် အောင်မြင်စွာ ပြီးမြောက်ရန် ဖြစ်နိုင်သည့် အန္တရာယ်များကို သိရှိလျက် စဉ်းစားဆင်ခြင်မှုရှိသော ဒေတာခွဲခြမ်းစိတ်ဖြာမှု လိုအပ်သည့် နည်းပညာပိုင်းနှင့် အရည်အသွေးထိန်းချုပ်မှုပိုင်း ပြဿနာများ ပါဝင်သည်။ သန့်ရှင်းပြီး ကောင်းစွာ စီမံထားသော ဒေတာပေါ်တွင် အသင့်သုံးနည်းလမ်းတစ်ခုကို ရိုးရိုးအသုံးချရုံ မဟုတ်ပါ။”
UCLA လူ့မျိုးရိုးဗီဇပညာ လက်ထောက်ပါမောက္ခ Alexander Strudwick Young

အကဲဖြတ်ခြင်းနှင့် အမှတ်ပေးခြင်း

GeneBench-Pro ပြဿနာတိုင်းသည် ကိုယ်ပိုင်ပြည့်စုံသော သိပ္ပံခွဲခြမ်းစိတ်ဖြာမှုတစ်ခု ဖြစ်သည်။ အေးဂျင့်များသည် တိုတောင်းသော တုံ့ပြန်ညွှန်ကြားချက်၊ ဒေတာဖိုင်များနှင့် Python၊ scientific computing libraries၊ PLINK 2.0 ကဲ့သို့ အခြေခံ genomics packages များ ပါဝင်သော စံ bioinformatics stack ပါသည့် သီးခြား အလုပ်နေရာကို အသုံးပြုခွင့် ရရှိသည် (သို့သော် ပြဿနာများသည် domain-specific tooling မလိုအပ်ပါ)။

structural variant လမ်းညွှန် tumor therapy အကျိုး-အန္တရာယ် ဆုံးဖြတ်ချက်

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
}

ဒေတာထုတ်လုပ်မှုလုပ်ငန်းစဉ် အပြည့်အစုံကို ကျွန်ုပ်တို့ ထိန်းချုပ်ထားသဖြင့် known target များနှင့် ယှဉ်ပြီး မှန်ကန်မှုကို deterministic အဖြစ် အမှတ်ပေးနိုင်ကာ ပုံမှန် rubric-based evaluation တွင် တွေ့ရသော model-choice variability နှင့် verbosity effect များကို ရှောင်နိုင်သည်။

ပြဿနာတိုင်းတွင် ရည်ရွယ်ထားသော analysis structure၊ ပူးတွဲဒေတာဖိုင်များ၊ အသေးစိတ် multi-page case study နှင့် expert review outcomes အပါအဝင် ပြည့်စုံသော metadata လည်း ပါသည်။ ကိုယ်စားပြု GeneBench-Pro မေးခွန်း ၁၀ ခုကို Hugging Face ⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)တွင် အပြည့်အဝ open-source အဖြစ် ထုတ်ပေးပြီး၊ ကြည့်ရှုရှာဖွေရန် အပြန်အလှန်အသုံးပြုနိုင်သော ဝဘ်အင်တာဖေ့စ် ကိုလည်း ပေးထားသည်။ နောက်ဆုံးတွင် မကြာမီအနာဂတ်တွင် လွတ်လပ်သော third-party benchmarking အတွက် မေးခွန်း 50 ပါ subset ကို Artificial Analysis ⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ထံ ပေးအပ်မည်။

ရလဒ်များ

ကျွန်ုပ်တို့၏ အားအကောင်းဆုံး မော်ဒယ် GPT‑5.6 Sol သည် အမြင့်ဆုံး ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အဆင့်တွင် 28.7% ဖြတ်သန်းနှုန်း ရရှိသည် (Pro mode ဖွင့်လျှင် 31.5%)။ ၎င်းသည် မူလ GeneBench ကို စတင်တည်ဆောက်ချိန်မှ များစွာ မြင့်တက်လာခြင်း ဖြစ်သည်။ ထိုအချိန်တွင် ကျွန်ုပ်တို့၏ အကောင်းဆုံး စွမ်းဆောင်ရည်အမြင့်ဆုံး မော်ဒယ် GPT‑5 သည် 5% အောက်သာ ရခဲ့သည်။ ဤ benchmark ပေါ်ရှိ တိုးတက်မှုက စွမ်းဆောင်ရည်အမြင့်ဆုံး မော်ဒယ်များသည် မမြင်သာလှသော system-level သိပ္ပံဆိုင်ရာ ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော စွမ်းရည်တွင်ပင် မြန်မြန် တိုးတက်နေကြောင်း ပြသသည်။ လက်ရှိအရှိန်အတိုင်းဆိုလျှင် ဤ benchmark သည် ယခုနှစ်ကုန်တွင် saturated ဖြစ်နိုင်သည်။

ရလဒ်များသည် test-time compute ကို scale လုပ်ခြင်း၏ သက်ရောက်မှုကိုလည်း ပြသသည်။ အနိမ့်ဆုံး ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အဆင့်တွင် GPT‑5.6 Sol သည် single-digit ဖြတ်သန်းနှုန်းသာ ရရှိသည်။ အမြင့်ဆုံး ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အဆင့်တွင် GPT‑5.6 Sol သည် GPT‑5.2 ထက် မေးခွန်းခြောက်ဆနီးပါး ပိုဖြေရှင်းပြီး တိုကင် သုံးစွဲမှုမှာ သုံးပုံနှစ်ပုံခန့်သာ ရှိသည်။

မော်ဒယ် မိသားစုများအကြား နှိုင်းယှဉ်မှုများအရ GPT မော်ဒယ်များသည် ကိန်းဂဏန်းမရေရာမှုအောက်တွင် အဆင့်မြင့် သိပ္ပံဆိုင်ရာ ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော လုပ်ငန်းများ၌ အားအကောင်းဆုံး စနစ်များထဲမှ ဖြစ်ကြောင်း ပြသည်။ GPT‑5.6၊ GPT‑5.5 နှင့် GLM 5.2 ကဲ့သို့ ထိပ်တန်း open-source မော်ဒယ်များအကြား စွမ်းဆောင်ရည်ကွာဟမှုသည် coding benchmarks⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) မှ extrapolate လုပ်ရာတွင် မျှော်မှန်းထားသည်ထက် သိသိသာသာ ကြီးမားပြီး open-source မော်ဒယ်များသည် ကျယ်ပြန့်သော ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော စွမ်းရည်ထက် coding အတွက် ပိုမိုအထူးပြုထားကြောင်း ဖော်ပြသည်။

ဖွံ့ဖြိုးတိုးတက်ရေးကာလတွင် ပြဿနာများကို အကဲဖြတ်ပြီး ပိုခိုင်မာစေရန် စွမ်းဆောင်ရည်အမြင့်ဆုံး GPT မော်ဒယ်များကို အသုံးပြုခဲ့သည်။ ထို့ကြောင့် GeneBench-Pro သည် အခြား မော်ဒယ် မိသားစုများနှင့် နှိုင်းယှဉ်လျှင် GPT မော်ဒယ်များအပေါ် bias ရှိနိုင်သည်ဟု ကျွန်ုပ်တို့ သံသယရှိခဲ့သည်။ သို့သော် ပြိုင်ဘက် မော်ဒယ်များသည် အကောင်းဆုံးအခြေအနေတွင် ထုတ်လွှတ်ချိန်ရှိ သက်ဆိုင်ရာ GPT မော်ဒယ်၏ စွမ်းဆောင်ရည်ကိုသာ မီခဲ့ပြီး များသောအားဖြင့် သိသိသာသာ နိမ့်ကျခဲ့သည်။

ဤအကဲဖြတ်ရလဒ်များ—GPT‑5.6 Sol (Pro) တွင် 31.5% အထိ—သည် GeneBench-Pro မေးခွန်းများ၏ ခက်ခဲမှုကို ထည့်စဉ်းစားလျှင် အံ့အားသင့်ဖွယ် ဖြစ်သည်။ စစ်တမ်းတစ်ခုတွင် သုံးသပ်သူများက ပုံမှန် GeneBench-Pro ပြဿနာတစ်ခုကို လူသားကျွမ်းကျင်သူတစ်ဦး ပြီးမြောက်ရန် 20–40 နာရီခန့် ကြာမည်ဟု ခန့်မှန်းခဲ့သည်။ သတိထားတွက်လျှင် တစ်နာရီ $200 နှုန်းဖြင့် ပြဿနာတစ်ခုအတွက် လူ့လုပ်အားကုန်ကျစရိတ်သည် ဒေါ်လာထောင်ချီ ရှိသည်။ လက်ရှိ AI အေးဂျင့်များသည် လူသားကျွမ်းကျင်သူများကို အစားထိုးရန် ယုံကြည်စိတ်ချရမှု မလုံလောက်သေးသော်လည်း inference ကုန်ကျစရိတ်မှာ ပြဿနာတစ်ခုလျှင် ဒေါ်လာအနည်းငယ်သာ ဖြစ်သဖြင့် ကုန်ကျစရိတ်ကွာဟမှု ကြီးမားသည်။ ထို့ကြောင့် လက်ရှိစွမ်းရည်များဖြင့် တစ်စိတ်တစ်ပိုင်း automation ပင် အဓိပ္ပါယ်ရှိသော စီးပွားရေးနှင့် သိပ္ပံတန်ဖိုး ဖန်တီးနိုင်သည်။

2အနက် 1
“benchmark များသည် ဇီဝဗေဒဆိုင်ရာ မေးခွန်းမျိုးစုံမှ အခြေခံလာသော်လည်း … တကယ့်စိန်ခေါ်မှုမှာ စူးစမ်းလေ့လာသည့် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုနှင့် ထိုတွေ့ရှိချက်များပေါ်တွင် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော လုပ်ငန်းများ pattern နှင့် artifact များ ခွဲခြားသတ်မှတ်ခြင်း၊ ဒေတာကို ဖယ်ထုတ်သင့်သလား သို့မဟုတ် ပြင်ဆင်သင့်သလား ဆုံးဖြတ်ခြင်းတို့မှ လာသည်။ ဤအရာသည် လက်တွေ့ ဇီဝဒေတာအစုများ၏ ရှုပ်ထွေးသည့် သဘောသဘာဝနှင့် ဆင်တူသည်။ ဤအကဲဖြတ်မှုများကို သုံးသပ်ရာတွင် အေးဂျင့်အခြေပြု သိပ္ပံပြဿနာဖြေရှင်းမှုအတွက် ရှင်းလင်းသော solver contract များ အရေးကြီးပုံကို ထင်ရှားစေသည်။ တုံ့ပြန်ညွှန်ကြားချက် စကားလုံးရွေးချယ်မှု သို့မဟုတ် တာဝန်သတ်မှတ်ချက် ကွဲပြားပါက မည်သည့် ခွဲခြမ်းစိတ်ဖြာမှုများကို ခွင့်ပြုနိုင်သည်ဟု မြင်ရမည်ကို ကြီးမားစွာ သက်ရောက်နိုင်သည်။”
New York Genome Center မှ ပို့စ်ဒေါက် သုတေသနတွဲဖက် Cyrillus Tan

သို့သော် စွမ်းဆောင်ရည်အမြင့်ဆုံး မော်ဒယ်များပင် ဤပြဿနာများ၏ သုံးပုံတစ်ပုံအောက်သာ ဖြေရှင်းနိုင်သေးခြင်းက တိုးတက်ရန် နေရာများစွာ ရှိနေသေးကြောင်း ပြသည်။ မော်ဒယ်များသည် ခက်ခဲသော ပြဿနာများတွင် တစ်စိတ်တစ်ပိုင်း တိုးတက်နိုင်သော်လည်း inferential loop ကို ပိတ်ရန် ရုန်းကန်ရသည်။ ဤချို့ယွင်းမှုပုံစံသည် လူသားကျွမ်းကျင်သူများနှင့် အတွေ့အကြုံနည်းသူများအကြား ကွာခြားချက်ကို ထင်ဟပ်သည်။ ကျွမ်းကျင်သူများသည် ၎င်းတို့၏ အတွေ့အကြုံကို အသုံးပြု၍ ပြဿနာကို ပုံဖော်ပြီး နည်းလမ်းကို လိုက်လျောညီထွေ ပြင်ဆင်ကြသည်။ အတွေ့အကြုံနည်းသူများမှာ လေ့လာတွေ့ရှိချက်များ ပြုလုပ်နိုင်သော်လည်း ၎င်းတို့ကို ပြဿနာ၏ ပိုကျယ်သော နောက်ခံထဲသို့ ပေါင်းစည်းရန် ရုန်းကန်ရသည်။

ပြဿနာ- အချိန်ပြောင်း ကုသမှုရှိ pharmacogenomic time-to-event တုံ့ပြန်မှု

ကုသမှုစတင်မှု၊ genotype အလိုက် တုံ့ပြန်မှု၊ နှောင့်နှေး pharmacodynamics၊ prevalent-user အမှတ်များနှင့် ရေရှည် biomarkers များက causal survival estimand ကို ပူးတွဲသတ်မှတ်သည်။

GPT-5.5 pattern

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 pattern

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.

ပြည့်စုံလုနီးပါး စွမ်းဆောင်ရည် ရရှိရန် တိုးတက်မှုကို ယုံကြည်စိတ်ချစွာ တိုင်းတာပြီး မော်ဒယ်များ ဘယ်နေရာတွင် မအောင်မြင်သေးသည်ကို ဖော်ထုတ်နိုင်သော အကဲဖြတ်မှုများ လိုအပ်မည်။ GeneBench-Pro ကဲ့သို့ benchmark များသည် မရေရာသော စွမ်းရည်ချို့တဲ့မှုကို ရောဂါရှာဖွေပြီး တိုးတက်စေနိုင်သည့် အရာတစ်ခုအဖြစ် ပြောင်းလဲရန် ကူညီနိုင်သည်။ 

အေးဂျင့်များသည် ဤအမျိုးအစား analysis ကို ယုံကြည်စိတ်ချစွာ automate လုပ်နိုင်ပါက သိပ္ပံတွေ့ရှိမှုကို သိသိသာသာ မြန်ဆန်စေနိုင်သည်။ လူ့မျိုးရိုးဗီဇ အထောက်အထားသည် target prioritization နှင့် translational follow-up တို့တွင် ယခင်ကတည်းက အဓိကဖြစ်သည်၊ အကြောင်းမှာ မျိုးရိုးဗီဇ အထောက်အပံ့ရှိသော mechanism များသည် ခွင့်ပြုထားသော ကုသမှုများဆီသို့ ဦးတည်နိုင်ခြေ အများကြီး ပိုမြင့်သောကြောင့် ဖြစ်သည်။

တစ်ချိန်တည်းတွင် sequencing ကုန်ကျစရိတ်များ အလွန်ကျဆင်းခဲ့ပြီး biobank-scale dataset များသည် molecular၊ phenotypic နှင့် ကျန်းမာရေးမှတ်တမ်း အချက်အလက်များကို မကြုံဖူးသော ကျယ်ပြန့်မှုဖြင့် ချိတ်ဆက်နေပြီ ဖြစ်သည်။ ကန့်သတ်ချက်သည် ဒေတာထုတ်လုပ်မှုမှ သတင်းအချက်အလက်ကို လုပ်ဆောင်နိုင်သော insight များအဖြစ် ပြောင်းလဲခြင်းသို့ ပြောင်းရွှေ့နေသည်။ ယခု လူသားကျွမ်းကျင်သူအဖွဲ့များ လုပ်ဆောင်နေသော analysis များကို တည်ငြိမ်စွာ ဆောင်ရွက်နိုင်သော မော်ဒယ်များသည် hypothesis triage၊ target follow-up နှင့် ဒေတာထုတ်လုပ်မှုမှ ဆုံးဖြတ်ချက်ချမှုအထိ iteration cycle ကို မြန်ဆန်စေခြင်းဖြင့် စက်မှုသုတေသနကို ပြောင်းလဲနိုင်သည်။

GeneBench-Pro သည် အတွေ့အကြုံရှိသူများတွင်ရှိသော ကောင်းမွန်သည့် သိပ္ပံဆုံးဖြတ်နိုင်စွမ်းတွင် ပါဝင်သည့် ပိုမိုအဘတ်စထရက် ကျွမ်းကျင်မှုများကို အကဲဖြတ်ရန် ကနဦးကြိုးပမ်းမှု ဖြစ်သည်။ ဤကျွမ်းကျင်မှုများကြောင့် ၎င်းတို့သည် အလားအလာအကောင်းဆုံး ကနဦး analysis များကို ခန့်မှန်းဖော်ထုတ်နိုင်ပြီး၊ ဒေတာက ကနဦးယူဆချက်များနှင့် ဆန့်ကျင်လာသည့်အခါ စဉ်းစားပုံကို ထပ်ခါတလဲလဲ ပြင်ဆင်နိုင်ကာ နောက်ပိုင်း clinical၊ academic သို့မဟုတ် business ဆုံးဖြတ်ချက်များ မူတည်နိုင်သည့် နိဂုံးများသို့ ရောက်နိုင်သည်။ 

မော်ဒယ် စွမ်းရည်များ တိုးတက်လာသည်နှင့်အမျှ စာအုပ်အသိပညာ သို့မဟုတ် ပုံမှန် analysis လုပ်ဆောင်နိုင်စွမ်းကိုသာ စမ်းသပ်သော benchmark များထက် ဤအဆင့်မြင့် abstraction များရှိ မော်ဒယ် စွမ်းရည်များကို စမ်းသပ်သော benchmark များ ပိုမိုအသုံးဝင်လာမည်ဟု ကျွန်ုပ်တို့ မျှော်လင့်သည်။

စာရေးသူ

OpenAI

ဆက်ဖတ်ရှုပါ

အားလုံးကို ကြည့်ရန်
A near-autonomous AI chemist improves a challenging reaction
အလိုအလျောက်နီးပါး လုပ်ဆောင်နိုင်သော AI ဓာတုဗေဒပညာရှင်သည် ဆေးဝါးဓာတုဗေဒတွင် ခက်ခဲသော တုံ့ပြန်မှုတစ်ခုကို တိုးတက်ကောင်းမွန်စေသည်

သုတေသန

LifeSciBench 1x1
LifeSciBench မိတ်ဆက်

သုတေသန

Production Resampling > Art Card
ဖြန့်ချိမှုကို သရုပ်ဖော်၍ မဖြန့်ချိမီ မော်ဒယ်အပြုအမူကို ခန့်မှန်းခြင်း

သုတေသန