生命科學影像 AI 評測最高64%；每題成本差距達99倍

生命科學實驗影像判讀 AI 評測中，Gemini 4 Carbon 得分最高，達64%；評測機構列出的模型每題成本差距則為99倍。

Artificial Analysis 於6日公布 VIALS-AA 評測結果，共測試19款模型。VIALS-AA 是對 Handshake AI 生物科學影像評測基準 VIALS 的獨立實作。

Handshake AI 的 VIALS 說明指出，原始評測由161道視覺問答題組成，每題包含研究影像、問題與簡短答案。

測試素材涵蓋凝膠轉漬影像、質體圖、顯微鏡影像、流式細胞分析圖、系統發育樹與分子結構等。評測衡量模型能否讀取生物科學研究常見的視覺資料，並從影像中找出依據作答。

VIALS 聚焦實際研究工作會用到的影像與資料，而非論文或教科書中的整齊圖表。題目除了要求辨識視覺資訊，也要求模型運用研究領域知識進行判讀。

原始 VIALS 提供影像與問題，讓模型回答一次。VIALS-AA 則允許使用支援程式碼執行與影像檢視的 Stirrup 工具，讓模型放大或仔細查看影像後作答。

兩項評測的工具條件與計分方式不同，因此結果不能直接比較。VIALS-AA 的評測方法是每題重複測試三次，並以三次都答對的題目比例作為代表分數。

Gemini 4 Carbon 在161道題中有103題三次全答對，得分64%。GPT-6 Astra 得分63%，Claude Opus 5.5 則為61%。

這些分數代表模型在指定題目與工具環境下，重複答對的比例，不等同於生物科學研究整體成功率，也不代表實際研究工作的成果。

GPT-6 Luna 每題成本標示為0.02美元（約27韓元），Grok 4.7 則為1.77美元（約2386韓元）。Artificial Analysis 將成本差距列為99倍，但公開頁面以美分為單位顯示成本，直接用兩個數字相除會得到不同結果。

成本估算納入輸入、快取讀取、快取寫入、推論與回答 token 的價格。評測將三次測試的 token 用量取平均，套用各模型的代表性快取命中率，但不包括評分模型的呼叫成本。

GPT-6.1 Sol 得分59%，Claude Opus 5.5 得分61%，相差2個百分點；Sol 每題成本約為 Opus 的三十分之一。

Artificial Analysis 統計，Kimi K3.1 Pro 與 GPT-6 Astra 各自在約四分之三的題目中至少答對一次。不過，三次都答對的比例分別為45%與63%，兩者有所差異。

分項表現方面，Gemini 4 Carbon 在質體圖與系統發育樹分析中領先，並與 Gemini 4 Argon 在流式細胞分析項目並列第一。Claude Opus 5.5 在凝膠轉漬影像項目得分最高，Claude Sonnet 5.5 則在細胞計數項目領先；蛋白質結構與結合項目由 GPT-6.1 Terra 領先，分子結構項目則由 GPT-6 Astra 與 GPT-6.1 Sol 並列第一。

各模型使用工具的情況也不相同。Claude Sonnet 5.5 得分60%，GPT-6.1 Sol 得分59%；不過，Sonnet 平均每題的工具呼叫次數是 Sol 的3.6倍，成本約為 Sol 的18倍。