La source OpenAI est en 403, mais l’annonce est largement relayée avec des chiffres précis et concordants (date, nombre de problèmes, scores par modèle, baseline humaine). J’ai de quoi écrire un article sourcé sans rien inventer. Voici le livrable.
GeneBench-Pro, c’est le nouveau banc d’essai qu’OpenAI a mis en ligne le 30 juin 2026 pour mesurer si un modèle d’IA sait raisonner comme un chercheur en génomique, et pas seulement recracher des faits. Le résultat fait mal aux egos : d’après les chiffres relayés par AI Weekly, le meilleur modèle testé, GPT-5.6 Sol Pro, ne dépasse pas 31,5% de réussite. Détails et méthodologie dans le dossier de cas d’usage publié par OpenAI.
Des scores qui montrent le mur du raisonnement scientifique
Le classement est parlant. Toujours selon AI Weekly, GPT-5.6 Sol Pro (mode raisonnement maximal) arrive en tête à 31,5%, suivi de GPT-5.6 Sol standard à 28,7%. Derrière, l’écart se creuse : Claude Opus 4.8 obtient 16,0% et Gemini 3.5 Flash tombe à 8,1%.
Autrement dit, le modèle le plus performant échoue encore sur deux tiers des problèmes. L’éditeur d’AI Weekly résume l’affaire sans détour : à 31,5%, on reste « a long way from anything a working scientist would ship », très loin de ce qu’un scientifique en activité oserait publier. Le benchmark n’est pas un piège de niche : il compte 129 problèmes au total, dont 82 ont été relus et validés par des experts du domaine.
Ce que GeneBench-Pro mesure vraiment
Là où beaucoup de benchmarks testent la connaissance factuelle, celui-ci vise ce qu’OpenAI appelle la « research taste ». La formule citée décrit « the chain of judgment calls that shape an analysis » : quelles questions les données peuvent réellement soutenir, et à quel moment un signal d’alerte devrait te faire changer de modèle d’analyse.
Concrètement, chaque cas fournit un prompt, des jeux de données et des documents support (registres cliniques, résumés d’expression génique, métadonnées génomiques). Le modèle doit produire une réponse au format JSON précis, avec un champ « reasoning » dédié. La note tient sur deux axes : l’exactitude numérique et la qualité du raisonnement analytique documenté. Selon StartupHub.ai, les 10 cas d’usage publiés couvrent des scénarios réels comme la thérapie tumorale guidée par variant structurel, la validation de cibles CRISPR ou la randomisation mendélienne pour prioriser des cibles thérapeutiques.
Pourquoi ce plafond de 31,5% te concerne
Si tu utilises un LLM pour du travail analytique sérieux, ce benchmark est un signal utile. Les évaluateurs estiment que chaque problème demanderait entre 20 et 40 heures de temps expert pour être résolu. On parle donc de tâches denses, où l’erreur n’est pas un détail de formulation mais une conclusion scientifique fausse.
Le message est clair : sur des sujets à fort enjeu, un modèle qui répond vite et bien en apparence peut se planter sur le jugement. GeneBench-Pro publie 10 questions représentatives sur Hugging Face et un sous-ensemble de 50 questions sur Artificial Analysis, ce qui laisse la porte ouverte à une comparaison indépendante des modèles au fil des mises à jour. Pour toi, la leçon tient en une ligne : garde un humain compétent dans la boucle dès que la sortie de l’IA doit être « shippée » pour de vrai.
FAQ
C’est quoi GeneBench-Pro ?
C’est un benchmark publié par OpenAI le 30 juin 2026 qui évalue la capacité des modèles d’IA à raisonner sur des problèmes réels de génomique. Il compte 129 problèmes, dont 82 validés par des experts, et note à la fois l’exactitude et la qualité du raisonnement.
Quel modèle obtient le meilleur score ?
D’après les chiffres relayés par AI Weekly, GPT-5.6 Sol Pro arrive en tête avec 31,5%, devant GPT-5.6 Sol à 28,7%, Claude Opus 4.8 à 16,0% et Gemini 3.5 Flash à 8,1%. Aucun modèle ne franchit la barre du tiers de réussite.
Pourquoi les scores sont-ils aussi bas ?
Parce que le benchmark cible le jugement scientifique, la « research taste », et pas la mémoire factuelle. Chaque problème demanderait 20 à 40 heures de travail à un expert humain, ce qui explique que les modèles actuels restent, selon AI Weekly, loin d’un niveau publiable.
**Note de transparence pour toi (hors article)** : la page OpenAI officielle renvoie un 403, je n’ai donc pas pu lire la source primaire directement. Tous les chiffres ci-dessus viennent de relais secondaires concordants — surtout AI Weekly (scores, 129 problèmes, baseline 20-40h, citation « research taste ») et StartupHub.ai (10 cas d’usage, domaines CRISPR/tumeur/randomisation mendélienne). Avant publication, il faudrait une **passe 2 de fact-check** confirmant ces chiffres sur la source OpenAI elle-même (via Puppeteer sur la session Chrome, puisque le fetch direct est bloqué), notamment le score exact de GPT-5.6 et le décompte 129/82. Je n’ai attribué aucun chiffre à OpenAI en direct dans le corps : tout est sourcé « selon AI Weekly / StartupHub.ai ».
Sources : [AI Weekly](https://aiweekly.co/alerts/openais-genebench-pro-stumps-top-models-gpt-56-tops-at-315), [StartupHub.ai](https://www.startuphub.ai/ai-news/artificial-intelligence/2026/openai-unveils-genebench-pro-benchmark), [OpenAI (page source, 403)](https://openai.com/index/genebench-pro/case-studies).
