Artificial Analysis lanza VIALS-AA, una clasificación de razonamiento visual en ciencias de la vida en la que Gemini 4 Carbon lidera con un 64 %

Artificial Analysis ha lanzado VIALS-AA, una clasificación para el benchmark VIALS de Handshake AI. VIALS tiene 161 tareas en ocho dominios, en las que un modelo debe leer un elemento científico (transferencias Western blot, gráficos de citometría de flujo, mapas de plásmidos, filogenias) y extraer una conclusión específica.

Artificial Analysis ejecuta cada tarea tres veces en su entorno de agentes de código abierto Stirrup, con herramientas para ejecutar código e inspeccionar imágenes. GPT-6 Luna (medium) califica cada respuesta comparándola con la referencia, y la puntuación es la proporción de tareas que se consideran correctas en las tres ejecuciones.

Según Artificial Analysis:

• Puntuaciones más altas: Gemini 4 Carbon (high) lidera con un 64 %, por delante de GPT-6 Astra (max), con un 63 %, y Claude Opus 5.5 (max con respaldo), con un 61 %.
• Costo: GPT-6 Astra y GPT-6.1 Sol (ambos en max) usan unas 8 rondas por tarea, frente a unas 27 de Claude Opus 5.5 y unas 25 de Claude Sonnet 5.5. Opus 5.5 promedia $1.64 por tarea, unas 29 veces los aproximadamente $0.056 de Sol.
• Pesos abiertos: Kimi K3.1 Pro lidera con un 45 %, apenas por delante de MiMo-V2.6-Pro, con un 43 %, unos 19 puntos por debajo de la puntuación más alta.
• Rechazos: 14 de las 161 tareas recibieron un rechazo por motivos de seguridad de al menos un modelo; Claude Sonnet 5.5 rechazó 6, la mayor cantidad entre los modelos.

Estas son mediciones propias de Artificial Analysis.