Artificial Analysis ने VIALS-AA लॉन्च किया, जो जीवन-विज्ञान के दृश्य-तर्क के लिए एक लीडरबोर्ड है; इसमें Gemini 4 Carbon 64% के साथ सबसे आगे है

Artificial Analysis ने Handshake AI के VIALS बेंचमार्क के लिए एक लीडरबोर्ड VIALS-AA लॉन्च किया है। VIALS में आठ डोमेन के 161 कार्य हैं, जिनमें मॉडल को किसी वैज्ञानिक सामग्री (जेल ब्लॉट, फ़्लो साइटोमेट्री प्लॉट, प्लास्मिड मैप, फ़ाइलोजेनी) को पढ़कर एक विशिष्ट निष्कर्ष निकालना होता है।

Artificial Analysis अपने ओपन-सोर्स Stirrup एजेंट हार्नेस में हर कार्य को तीन बार चलाता है; इसमें कोड निष्पादन और छवि निरीक्षण के टूल शामिल हैं। GPT-6 Luna (medium) हर उत्तर को संदर्भ उत्तर के आधार पर परखता है, और स्कोर उन कार्यों का अनुपात है जिन्हें तीनों बार सही माना गया।

Artificial Analysis के अनुसार:

• शीर्ष स्कोर: Gemini 4 Carbon (high) 64% के साथ सबसे आगे है; इसके बाद GPT-6 Astra (max) 63% और Claude Opus 5.5 (fallback के साथ max) 61% पर हैं।
• लागत: GPT-6 Astra और GPT-6.1 Sol (दोनों max) प्रति कार्य लगभग 8 टर्न इस्तेमाल करते हैं, जबकि Claude Opus 5.5 लगभग 27 और Claude Sonnet 5.5 लगभग 25 टर्न इस्तेमाल करते हैं। Opus 5.5 की प्रति कार्य औसत लागत $1.64 है, जो Sol के लगभग $0.056 से करीब 29 गुना है।
• ओपन वेट्स: Kimi K3.1 Pro 45% के साथ सबसे आगे है; यह MiMo-V2.6-Pro के 43% से थोड़ा आगे और शीर्ष स्कोर से लगभग 19 अंक पीछे है।
• इनकार: 161 में से 14 कार्यों पर कम-से-कम एक मॉडल ने सुरक्षा कारणों से जवाब देने से इनकार किया; Claude Sonnet 5.5 ने 6 कार्यों पर इनकार किया, जो किसी भी मॉडल से सबसे अधिक है।

ये Artificial Analysis के अपने मापन हैं।