与以往主要考察模型记忆能力或固定流程执行能力的基准测试不同，GeneBench-Pro 旨在模拟真实的科研场景，要求模型处理模糊、不完整甚至含有干扰的信息，并在此基础上进行判断和分析以得出结论。

GeneBench-Pro 涵盖了基因组学、定量生物学和转化医学等多个领域，共设计了 129 道题目。这些题目被划分为 10 个主要领域和 21 个子领域，其中包括统计遗传学、群体遗传学、功能基因组学和蛋白质组学等。每道题目都会向模型提供一个接近真实研究环境的数据集，辅以简要的实验背景说明和一个与后续决策相关联的目标问题。模型需要自行完成数据探索、选择分析方法，并在此过程中不断调整策略，最终给出答案。

为解决传统长流程基准测试中常见的评分不准确问题，OpenAI 在开发 GeneBench-Pro 时采用了合成数据作为主要构成方式。这是因为如果直接使用历史真实数据来设计题目，可能会存在多条有效的分析路径，导致模型即使采用了错误的方法也可能偶然得到正确答案。

通过使用合成数据，OpenAI 可以完全掌控底层因果关系和数据生成过程，从而更精确地评估模型是否真正理解了问题，而非仅仅是走了捷径。

目前，OpenAI 已在 Hugging Face 上公开了 10 道 GeneBench-Pro 的示例题目，并提供了一个交互式界面供外部研究人员进行体验。未来，官方计划将其中 50 道题目开放给 Artificial Analysis 进行第三方独立评估，以检验不同模型在这一基准测试中的表现。