Artificial Analysis推出VIALS-AA：生命科学视觉推理排行榜，Gemini 4 Carbon以64%领先

Artificial Analysis推出了VIALS-AA，这是一个针对Handshake AI的VIALS基准测试的排行榜。VIALS包含8个领域的161项任务，模型需要读取科学图像资料（如凝胶印迹、流式细胞术图表、质粒图谱和系统发育树），并得出特定结论。

Artificial Analysis使用其开源的Stirrup智能体框架运行每项任务三次，并提供代码执行和图像检查工具。GPT-6 Luna（medium）会根据参考答案为每次回答评分；最终得分是三次运行均被判定正确的任务所占比例。

据Artificial Analysis介绍：

• 最高得分： Gemini 4 Carbon（high）以64%领先，其次是GPT-6 Astra（max），得分为63%；Claude Opus 5.5（max with fallback）以61%位列第三。
• 成本： GPT-6 Astra和GPT-6.1 Sol（均为max）每项任务约使用8轮，而Claude Opus 5.5约使用27轮，Claude Sonnet 5.5约使用25轮。Opus 5.5平均每项任务花费1.64美元，约为Sol（约0.056美元）的29倍。
• 开放权重： Kimi K3.1 Pro以45%领先，略高于得分为43%的MiMo-V2.6-Pro，比最高分低约19个百分点。
• 拒答： 161项任务中，有14项至少触发了一个模型的安全拒答；Claude Sonnet 5.5拒答了6项，在所有模型中最多。

以上数据来自Artificial Analysis自行进行的测量。