Biyoteknoloji şirketi Ligo ile geliştirilen BioBasicsBench; protein yöntemleri, görüntüleme ve moleküler klonlama gibi alanlarda gerçek deney verileriyle 100 laboratuvar görevi içeriyor. En yüksek akıl yürütme ayarında GPT-6 Astra yüzde 66,7 başarıya ulaştı; görüntü yorumlama ve kontrol adımlarında açıklar sürüyor.
Bespoke Labs'in iki yeni karar modeli, Decision Index kıyaslamasında birinci sırada olduğunu öne sürüyor; iç testlerde rakip Jev'e göre yüzde 43 daha az hata yapıyor. 9 milyar parametreli Nimble-v4 kodlama, doğruluk kontrolü ve satrançta öne çıkıyor; iki model de Bespoke Labs API'si üzerinden sunuluyor.
MentalHealthBench, 22 ülkeden 80'den fazla lisanslı psikolog ve psikiyatristle birlikte hazırlandı; yapay zekâ yanıtlarını yetişkin, genç, bakım veren ve klinisyenleri içeren akut olmayan, yüksek riskli ve acil durum konuşmalarında ölçüyor. Uzmanların yazdığı ölçütler güvenlik ve bağlam sorma gibi davranışları puanlıyor; test diğer araştırmacılara açık olarak sunuldu.