Artificial Analysis запускает VIALS-AA — таблицу лидеров по визуальным рассуждениям в науках о жизни, где Gemini 4 Carbon занимает первое место с результатом 64%

Artificial Analysis запустила VIALS-AA — таблицу лидеров для бенчмарка VIALS от Handshake AI. VIALS включает 161 задание в восьми областях: модели нужно изучить научный материал (гель-блоты, графики проточной цитометрии, карты плазмид, филогенетические деревья) и сделать конкретный вывод.

Artificial Analysis выполняет каждое задание трижды с помощью агентского фреймворка Stirrup с открытым исходным кодом, инструментами для запуска кода и анализа изображений. GPT-6 Luna (medium) оценивает каждый ответ по эталону, а итоговый балл — доля заданий, которые модель правильно выполнила во всех трёх запусках.

По данным Artificial Analysis:

• Лучшие результаты: Gemini 4 Carbon (high) лидирует с результатом 64%, опережая GPT-6 Astra (max) с 63% и Claude Opus 5.5 (max with fallback) с 61%.
• Стоимость: GPT-6 Astra и GPT-6.1 Sol (обе модели в режиме max) тратят около 8 ходов на задание, тогда как Claude Opus 5.5 — около 27, а Claude Sonnet 5.5 — около 25. Средняя стоимость одного задания для Opus 5.5 составляет $1.64 — примерно в 29 раз больше, чем около $0.056 у Sol.
• Модели с открытыми весами: Kimi K3.1 Pro лидирует с результатом 45%, немного опережая MiMo-V2.6-Pro с 43% и отставая от лидера примерно на 19 процентных пунктов.
• Отказы: хотя бы одна модель отказалась по соображениям безопасности от выполнения 14 из 161 задания; Claude Sonnet 5.5 отказалась от 6 заданий — больше, чем любая другая модель.

Это результаты собственных измерений Artificial Analysis.