Artificial Analysis 上线 VIALS-AA：Handshake 生命科学视觉推理榜，厂商口径 Gemini 4 Carbon 约 64% 居首

核心背景与行业痛点

生命科学日常工作流依赖凝胶、流式细胞图、质粒图、系统发育树等「非论文精修」实验图像，模型若读图不稳，可能误导实验决策。Handshake AI 的 VIALS 用 161 道专家题覆盖八个图像域；2026-11-06，Artificial Analysis 发布独立实现 VIALS-AA，把同一题集放进可复现的 agent harness，强调「三次都对」的可靠性，而不是一次碰巧答对。

架构亮点与底层机制

评测在开源 harness Stirrup 中运行：模型拿到题目与图像路径，可在无网沙箱里执行 Python，并调用看图工具。每题独立跑三次；由 GPT-6 Luna (medium) 按上游 judge 提示判分。主指标为 pass^3（三次全对占比），同时报告 Average of 3 与 pass@3。文章还拆解看图、预处理、像素测量等工具调用路径，说明相近分数可以来自截然不同的推理策略。

权威 Benchmark 与实测跑分对比

以下均为 Artificial Analysis / 厂商公开口径，非本站复现。前列：Gemini 4 Carbon (high) 约 64%（103/161 题三次全对）、GPT-6 Astra (max) 约 63%、Claude Opus 5.5 (max+fallback) 约 61%。GPT-6.1 Sol 约 59%、约每题 0.056 美元；Opus 约每题 1.64 美元。开源权重侧 Kimi K3.1 Pro 约 45%；其至少对一次约 119/161，但三次全对仅约 73 题，一致性拉开差距。

开发者实战落地与开箱指南

先看 artificialanalysis.ai/articles/vials-aa 与榜单页，对照轨迹里的工具调用次数与测量策略。选型时同时看 pass^3 与 Cost per Task，避免只看 pass@3；科学场景优先要稳定复现，并单独标注厂商口径与本站未复现。