ਰੋਜ਼ਾਨਾ ਦੇ ਵੈੱਟ-ਲੈਬ ਵਿਗਿਆਨ ਨੂੰ AI ਏਜੰਟ ਕਿਸ ਤਰ੍ਹਾਂ ਸੰਭਾਲਦੇ ਹਨ, ਇਸ ਨੂੰ ਮਾਪਣਾ

ਸਾਡਾ ਮਿਸ਼ਨ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ ਆਰਟੀਫ਼ਿਸ਼ੀਅਲ ਜਨਰਲ ਇੰਟੈਲੀਜੈਂਸ ਪੂਰੀ ਮਨੁੱਖਤਾ ਲਈ ਲਾਭਦਾਇਕ ਹੋਵੇ. ਇਸ ਮਿਸ਼ਨ ਦੇ ਹਿੱਸੇ ਵਜੋਂ, ਅਸੀਂ ਬਿਮਾਰੀਆਂ ਨੂੰ ਸਮਝਣ ਤੋਂ ਲੈ ਕੇ ਨਵੇਂ ਇਲਾਜ ਵਿਕਸਿਤ ਕਰਨ ਤੱਕ, ਜੀਵ-ਵਿਗਿਆਨਕ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਵਿੱਚ ਵਿਗਿਆਨੀਆਂ ਦੀ ਮਦਦ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ. AI ਏਜੰਟਾਂ ਨੂੰ ਇਸ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣ ਲਈ ਉਸ ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੂਤ ਦਾ ਭਰੋਸੇਯੋਗ ਅਰਥ ਕੱਢਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਵਿਗਿਆਨੀ ਹਰ ਰੋਜ਼ ਵੈੱਟ-ਲੈਬਾਂ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ, ਜਿੱਥੇ ਉਹ ਜੈਵਿਕ ਨਮੂਨਿਆਂ ਉੱਤੇ ਪ੍ਰਯੋਗ ਕਰਦੇ ਹਨ. ਰੋਜ਼ਾਨਾ ਦੇ ਵੈੱਟ-ਲੈਬ ਕੰਮ ਵਿੱਚ ਅਸਫਲ ਪ੍ਰਯੋਗ, ਅਸਪਸ਼ਟ ਤਸਵੀਰਾਂ ਅਤੇ ਵਿਰੋਧੀ ਨਿਰੀਖਣ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ. ਵਿਗਿਆਨਕ ਲੇਖਾਂ ਲਈ ਚੁਣੇ ਗਏ ਚਾਰਟਾਂ ਅਤੇ ਤਸਵੀਰਾਂ ਦੇ ਆਧਾਰ ਉੱਤੇ ਬਣੇ ਮੌਜੂਦਾ ਬੈਂਚਮਾਰਕ ਸ਼ਾਇਦ ਇਸ ਅਸਪਸ਼ਟਤਾ ਅਤੇ ਇਸ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ ਲੋੜੀਂਦੀ ਸਮੱਸਿਆ-ਨਿਵਾਰਣ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦਰਸਾਉਣ ਤੋਂ ਖੁੰਝ ਜਾਂਦੇ ਹਨ. ਇਸੇ ਲਈ ਅਸੀਂ BioBasicsBench ਪੇਸ਼ ਕਰ ਰਹੇ ਹਾਂ. ਇਹ ਨਵਾਂ ਬੈਂਚਮਾਰਕ ਐਂਜ਼ਾਈਮ ਡਿਜ਼ਾਈਨ ਉੱਤੇ ਕੇਂਦਰਿਤ ਬਾਇਓਟੈਕ ਕੰਪਨੀ Ligo ਨਾਲ ਮਿਲ ਕੇ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਜੋ ਇਹ ਮਾਪਿਆ ਜਾ ਸਕੇ ਕਿ ਏਜੰਟ ਰੋਜ਼ਾਨਾ ਦੇ ਵੈੱਟ-ਲੈਬ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਕਿੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸੰਭਾਲਦੇ ਹਨ.

ਬੈਂਚਮਾਰਕ ਦੀਆਂ 100 ਟਾਸਕਾਂ ਪਰਖਦੀਆਂ ਹਨ ਕਿ ਕੀ ਏਜੰਟ ਕੱਚੇ ਪ੍ਰਯੋਗਾਤਮਕ ਡਾਟੇ ਦਾ ਅਰਥ ਕੱਢ ਸਕਦੇ ਹਨ, ਤਰੁੱਟੀਆਂ ਪਛਾਣ ਸਕਦੇ ਹਨ ਅਤੇ ਇਹ ਸਮਝ ਸਕਦੇ ਹਨ ਕਿ ਕਦੋਂ ਸਬੂਤ ਕਿਸੇ ਸਿੱਟੇ ਦਾ ਸਮਰਥਨ ਨਹੀਂ ਕਰਦਾ. ਇਨ੍ਹਾਂ ਟਾਸਕਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਪੂਰਾ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਕਿਉਂਕਿ ਕਿਸੇ ਤਸਵੀਰ ਦਾ ਗਲਤ ਅਰਥ ਕੱਢਣ ਜਾਂ ਪ੍ਰਯੋਗ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਜਾਂਚ ਲਈ ਵਰਤੇ ਗਏ ਕੰਟਰੋਲਾਂ ਵਿੱਚ ਕਿਸੇ ਸਮੱਸਿਆ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨ ਨਾਲ ਵਿਗਿਆਨੀ ਗਲਤ ਸਿੱਟੇ ਉੱਤੇ ਪਹੁੰਚ ਸਕਦੇ ਹਨ ਅਤੇ ਅਜਿਹੇ ਪ੍ਰਯੋਗਾਂ ਉੱਤੇ ਸਮਾਂ ਲਾ ਸਕਦੇ ਹਨ, ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਸਵਾਲ ਦਾ ਜਵਾਬ ਲੱਭਣ ਵਿੱਚ ਮਦਦਗਾਰ ਨਹੀਂ ਹੋਣਗੇ.

“xhigh” ਸੈਟਿੰਗ ਉੱਤੇ, ਜੋ ਹਰੇਕ ਟਾਸਕ ਲਈ ਵੱਧ ਰੀਜ਼ਨਿੰਗ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ, GPT‑6 Astra ਨੇ ਉਪਲਬਧ ਕ੍ਰੈਡਿਟ ਵਿੱਚੋਂ ਔਸਤਨ 66.7% ਹਾਸਲ ਕੀਤੇ, ਜਦਕਿ GPT‑5.6 Sol ਨੇ 43.8% ਹਾਸਲ ਕੀਤੇ. ਨਤੀਜੇ ਰੋਜ਼ਾਨਾ ਦੇ ਲੈਬ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਤਰੱਕੀ ਦਿਖਾਉਂਦੇ ਹਨ, ਪਰ ਤਸਵੀਰਾਂ ਦਾ ਅਰਥ ਕੱਢਣ, ਕੰਟਰੋਲਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਅਤੇ ਪ੍ਰਯੋਗ ਦੇ ਸੰਦਰਭ ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਅਜੇ ਹੋਰ ਸੁਧਾਰ ਦੀ ਗੁੰਜਾਇਸ਼ ਹੈ.

BioBasicsBench ਕੱਚੇ ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੂਤ ਵਰਤਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਜੈੱਲ ਦੀਆਂ ਤਸਵੀਰਾਂ ਅਤੇ ਕਲੋਨੀ ਪਲੇਟਾਂ ਤੋਂ ਲੈ ਕੇ ਮਾਈਕ੍ਰੋਸਕੋਪੀ ਅਤੇ ਇੰਸਟਰੂਮੈਂਟ ਰੀਡਿੰਗਾਂ ਤੱਕ ਸਭ ਕੁਝ ਸ਼ਾਮਲ ਹੈ.

BioBasicsBench ਵਿੱਚ ਰੋਜ਼ਾਨਾ ਦੇ ਵੈੱਟ-ਲੈਬ ਕੰਮ ਦੇ ਪੰਜ ਖੇਤਰਾਂ ਵਿੱਚ 100 ਟਾਸਕਾਂ ਹਨ: ਪ੍ਰੋਟੀਨ ਵਿਧੀਆਂ, ਇਮੇਜਿੰਗ ਅਤੇ ਸਾਇਟੋਮੈਟਰੀ, ਮਾਤਰਾ ਨਿਰਧਾਰਨ ਅਤੇ ਟੈਸਟ, ਨਿਊਕਲਿਕ ਐਸਿਡ ਵਿਧੀਆਂ ਅਤੇ ਅਣੂ ਕਲੋਨਿੰਗ. ਟਾਸਕਾਂ ਵਿੱਚ ਸਧਾਰਨ ਬੇਨਤੀਆਂ, ਜਿਵੇਂ ਜੈੱਲ ਵਿੱਚ DNA ਨਮੂਨੇ ਦਾ ਅਣੂ ਭਾਰ ਪੜ੍ਹਨਾ, ਤੋਂ ਲੈ ਕੇ ਟੈਸਟਾਂ ਦੇ ਵਿਸਤ੍ਰਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਤੱਕ ਸ਼ਾਮਲ ਹਨ. ਪਰ ਇਹ ਸਾਰੇ ਰੋਜ਼ਾਨਾ ਦੇ ਅਜਿਹੇ ਕੰਮ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਵੈੱਟ-ਲੈਬ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਪੂਰਾ ਕਰ ਸਕਣਾ ਚਾਹੀਦਾ ਹੈ.

ਵਿਗਿਆਨੀਆਂ ਨੇ ਆਪਣੇ ਪ੍ਰਯੋਗਾਂ ਦੇ ਡਾਟੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟਾਸਕਾਂ ਤਿਆਰ ਕੀਤੀਆਂ ਅਤੇ ਹਰੇਕ ਸਵਾਲ ਨਾਲ ਮਾਹਰਾਂ ਵੱਲੋਂ ਲਿਖੇ ਗ੍ਰੇਡਿੰਗ ਮਾਪਦੰਡ ਜੋੜੇ. ਹਰੇਕ ਟਾਸਕ ਦੀ ਪਹਿਲਾਂ Ligo ਦੇ ਅਜਿਹੇ ਵਿਗਿਆਨੀ ਨੇ ਅੰਦਰੂਨੀ ਸਮੀਖਿਆ ਕੀਤੀ, ਜਿਸ ਨੇ ਉਹ ਟਾਸਕ ਤਿਆਰ ਨਹੀਂ ਕੀਤੀ ਸੀ. ਇਸ ਤੋਂ ਬਾਅਦ ਵੈੱਟ-ਲੈਬ ਵਿੱਚ ਕੰਮ ਕਰਦੇ PhD-ਪੱਧਰ ਦੇ ਵਿਗਿਆਨੀ ਨੇ ਬਾਹਰੀ ਸਮੀਖਿਆ ਕੀਤੀ ਅਤੇ ਅੰਤ ਵਿੱਚ ਇੱਕ ਹੋਰ ਅੰਦਰੂਨੀ ਸਮੀਖਿਆ ਕੀਤੀ ਗਈ.

ਏਜੰਟ ਨਿਰਧਾਰਤ ਢਾਂਚੇ ਅਨੁਸਾਰ ਜਵਾਬ ਦਿੰਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਮੰਗਿਆ ਗਿਆ ਸਿੱਟਾ, ਮਾਪ ਜਾਂ ਸਿਫ਼ਾਰਸ਼ ਅਤੇ, ਜਿੱਥੇ ਲੋੜ ਹੋਵੇ, ਸਮਰਥਨ ਵਿੱਚ ਰੀਜ਼ਨਿੰਗ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ. ਜਵਾਬਾਂ ਨੂੰ ਰੂਬ੍ਰਿਕ ਦੇ ਹਰੇਕ ਮਾਪਦੰਡ ਅਨੁਸਾਰ ਅੰਕ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਬੈਂਚਮਾਰਕ ਸਹੀ ਸਿੱਟੇ ਅਤੇ ਅੰਸ਼ਕ ਤੌਰ ’ਤੇ ਸਹੀ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਫ਼ਰਕ ਕਰ ਸਕਦਾ ਹੈ. ਜ਼ਿਆਦਾਤਰ ਟਾਸਕਾਂ ਇੱਕੋ ਸਮੇਂ ਕਈ ਸਕਿੱਲ ਪਰਖਦੀਆਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਜੀਵ-ਵਿਗਿਆਨਕ ਗਿਆਨ, ਤਸਵੀਰਾਂ ਅਤੇ ਹੋਰ ਡਾਟੇ ਦਾ ਅਰਥ ਕੱਢਣਾ, ਤਰੁੱਟੀਆਂ ਦੀ ਪਛਾਣ ਅਤੇ ਪ੍ਰੋਟੋਕੋਲ ਦੀ ਸਮਝ ਸ਼ਾਮਲ ਹਨ.

ਇਨਪੁੱਟ ਵਿੱਚ ਸਬੂਤਾਂ ਦੇ ਰੂਪ ਉਹੀ ਰੱਖੇ ਜਾਂਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨਾਲ ਵਿਗਿਆਨੀ ਕੰਮ ਕਰਦੇ ਹਨ: ਜੈੱਲ ਅਤੇ ਬਲੌਟ ਦੀਆਂ ਤਸਵੀਰਾਂ, ਪਲੇਟਾਂ ਦੀਆਂ ਫੋਟੋਆਂ, ਮਾਈਕ੍ਰੋਸਕੋਪੀ ਤਸਵੀਰਾਂ ਦੇ ਸਟੈਕ, ਸੀਕਵੈਂਸਿੰਗ ਰੀਡਜ਼, ਪਲੇਟ-ਰੀਡਰ ਤੋਂ ਐਕਸਪੋਰਟ ਕੀਤਾ ਡਾਟਾ ਅਤੇ ਲੈਬ ਬੈਂਚ ਉੱਤੇ ਕੀਤੇ ਕੰਮ ਦੀਆਂ ਵੀਡੀਓਜ਼. ਇੱਕ ਟਾਸਕ ਵਿੱਚ ਕਈ ਕਿਸਮਾਂ ਦਾ ਡਾਟਾ ਹੋ ਸਕਦਾ ਹੈ. ਹਵਾਲਾ ਸ਼ੀਟਾਂ, ਜਿਵੇਂ ਲੈਡਰ ਚਾਰਟ ਅਤੇ ਪਲਾਜ਼ਮਿਡ ਮੈਪ, ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੂਤ ਦਾ ਅਰਥ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ.

ਵਿਗਿਆਨੀਆਂ ਨੇ ਆਪਣੇ ਪ੍ਰਯੋਗਾਂ ਦੇ ਡਾਟੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟਾਸਕਾਂ ਲਿਖੀਆਂ ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੂਤ ਦੇ ਨਾਲ ਇੱਕ ਸਵਾਲ ਅਤੇ ਮਾਹਰ ਵੱਲੋਂ ਲਿਖੀ ਰੂਬ੍ਰਿਕ ਜੋੜੀ. ਹਰੇਕ ਟਾਸਕ ਦੀ ਪਹਿਲਾਂ Ligo ਦੇ ਅਜਿਹੇ ਵਿਗਿਆਨੀ ਨੇ ਅੰਦਰੂਨੀ ਸਮੀਖਿਆ ਕੀਤੀ, ਜਿਸ ਨੇ ਉਹ ਟਾਸਕ ਨਹੀਂ ਲਿਖੀ ਸੀ. ਇਸ ਤੋਂ ਬਾਅਦ ਵੈੱਟ-ਲੈਬ ਵਿੱਚ ਕੰਮ ਕਰਦੇ PhD-ਪੱਧਰ ਦੇ ਵਿਗਿਆਨੀ ਨੇ ਬਾਹਰੀ ਸਮੀਖਿਆ ਕੀਤੀ ਅਤੇ ਅੰਤ ਵਿੱਚ ਇੱਕ ਹੋਰ ਅੰਦਰੂਨੀ ਸਮੀਖਿਆ ਹੋਈ. ਸਮੀਖਿਅਕਾਂ ਨੇ ਪ੍ਰੌਂਪਟ, ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੂਤ, ਰੂਬ੍ਰਿਕ, ਲੇਖਕ ਦੇ ਨੋਟਸ ਅਤੇ ਮਾਡਲ ਦੀ ਅੰਕਾਂ ਸਮੇਤ ਇੱਕ ਕੋਸ਼ਿਸ਼ ਦੀ ਜਾਂਚ ਕੀਤੀ.

ਜਵਾਬਾਂ ਨੂੰ ਟਾਸਕ ਦੀ ਰੂਬ੍ਰਿਕ ਅਨੁਸਾਰ ਅੰਕ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਹਰੇਕ ਮਾਪਦੰਡ ਲਈ ਵੱਖਰੇ ਕ੍ਰੈਡਿਟ ਨਿਰਧਾਰਤ ਹੁੰਦੇ ਹਨ. ਟਾਸਕ ਦੇ ਆਧਾਰ ਉੱਤੇ ਇਹ ਮਾਪਦੰਡ ਸਿੱਟੇ, ਅੰਕਾਤਮਕ ਨਤੀਜਿਆਂ, ਸਮਰਥਨ ਵਿੱਚ ਦਿੱਤੀ ਰੀਜ਼ਨਿੰਗ ਜਾਂ ਸਬੂਤ ਨਾਕਾਫ਼ੀ ਹੋਣ ਦੀ ਪਛਾਣ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਨ.

ਅਸੀਂ BioBasicsBench ਉੱਤੇ ਸੱਤ ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ: GPT‑5.2, GPT‑5.4, GPT‑5.5, GPT‑5.6 Sol, GPT‑6.1 Sol, GPT‑6 Luna ਅਤੇ GPT‑6 Astra. ਮੁਲਾਂਕਣ ਵਿੱਚ ਮਾਡਲ ਅਤੇ ਰੀਜ਼ਨਿੰਗ ਐਫਰਟ ਦੀਆਂ 37 ਸੈਟਿੰਗਾਂ ਸ਼ਾਮਲ ਹਨ. ਹਰੇਕ ਸੈਟਿੰਗ ਵਿੱਚ 100 ਟਾਸਕਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਉੱਤੇ ਪੰਜ ਕੋਸ਼ਿਸ਼ਾਂ ਕੀਤੀਆਂ ਗਈਆਂ, ਜਿਸ ਨਾਲ ਕੁੱਲ 18,500 ਨਤੀਜੇ ਮਿਲੇ.

ਅਸੀਂ ਔਸਤ ਰਿਵਾਰਡ ਦਰਸਾਉਂਦੇ ਹਾਂ: ਟਾਸਕਾਂ ਦਾ ਔਸਤ ਸਕੋਰ, ਜਿਸ ਨੂੰ ਉਪਲਬਧ ਕ੍ਰੈਡਿਟ ਦੇ ਪ੍ਰਤੀਸ਼ਤ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ. ਤਰੁੱਟੀ-ਪੱਟੀਆਂ 95% ਭਰੋਸਾ ਅੰਤਰਾਲ ਦਿਖਾਉਂਦੀਆਂ ਹਨ. ਇਹ ਪੂਰੀਆਂ ਟਾਸਕਾਂ ਨੂੰ ਮੁੜ ਨਮੂਨੇ ਵਜੋਂ ਚੁਣ ਕੇ ਗਿਣੇ ਗਏ ਹਨ, ਜਿਸ ਦੌਰਾਨ ਹਰੇਕ ਟਾਸਕ ਦੀਆਂ ਪੰਜੇ ਕੋਸ਼ਿਸ਼ਾਂ ਇਕੱਠੀਆਂ ਰੱਖੀਆਂ ਗਈਆਂ.

ਰੀਜ਼ਨਿੰਗ ਐਫਰਟ ਘੱਟ ਹੋਣ ’ਤੇ ਵੀ GPT‑6 Astra, GPT‑5.6 Sol ਨਾਲੋਂ ਕਾਫ਼ੀ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ. ਇਹ ਸੁਧਾਰ ਸੰਕੇਤ ਦਿੰਦੇ ਹਨ ਕਿ ਰੋਜ਼ਾਨਾ ਦੇ ਵੈੱਟ-ਲੈਬ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਨ ਸੁਧਾਰਨ ਲਈ ਮਾਡਲ ਦੀਆਂ ਨੇਟਿਵ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਮਲਟੀਮੋਡਲ ਸਮਰੱਥਾਵਾਂ ਅਹਿਮ ਹੋ ਸਕਦੀਆਂ ਹਨ.

ਵਿਗਿਆਨ ਵਿੱਚ ਇੱਕ ਆਮ ਭੁੱਲ ਡਾਟੇ ਤੋਂ ਉਸ ਦੀ ਸਮਰੱਥਾ ਤੋਂ ਵੱਧ ਅਰਥ ਕੱਢਣਾ ਹੈ, ਖ਼ਾਸ ਕਰਕੇ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰਦੇ ਸਮੇਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਪੱਖਪਾਤ ਕਾਰਨ. Astra ਨੇ ਇਹ ਸਮਝਣ ਦੀ ਬਿਹਤਰ ਸਮਰੱਥਾ ਦਿਖਾਈ ਕਿ ਡਾਟਾ ਕਿਸ ਹੱਦ ਤੱਕ ਕੁਝ ਦਰਸਾਉਂਦਾ ਹੈ ਅਤੇ ਬੇਬੁਨਿਆਦ ਸਿੱਟੇ ਕੱਢਣ ਤੋਂ ਗੁਰੇਜ਼ ਕੀਤਾ.

ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, GPT‑5.6 Sol ਨੇ ਮਰੇ ਹੋਏ ਸੈੱਲਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਡਾਈ ਦੇ ਸਿਗਨਲ ਦੇ ਆਧਾਰ ਉੱਤੇ ਸੈੱਲਾਂ ਨੂੰ ਮਰੇ ਹੋਏ ਮੰਨ ਲਿਆ. ਪਰ ਡਿਟੈਕਟਰ ਦੂਜੀ ਡਾਈ ਤੋਂ ਆਉਣ ਵਾਲੀ ਰੌਸ਼ਨੀ ਵੀ ਫੜ ਸਕਦਾ ਸੀ, ਇਸ ਲਈ ਸਿਰਫ਼ ਚਮਕ ਦੇ ਆਧਾਰ ਉੱਤੇ ਅਜਿਹਾ ਸਿੱਟਾ ਕੱਢਣਾ ਜਾਇਜ਼ ਨਹੀਂ ਸੀ. Astra ਨੇ ਇਸ ਅਸਪਸ਼ਟਤਾ ਨੂੰ ਪਛਾਣਿਆ ਅਤੇ ਸਿਗਨਲਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਬਿਹਤਰ ਕੰਟਰੋਲਾਂ ਦੀ ਲੋੜ ਦੱਸੀ.

ਵਿਗਿਆਨਕ ਖੋਜ ਵਿੱਚ ਮਲਟੀਮੋਡਲ ਡਾਟੇ ਦੀ ਵਿਆਪਕ ਵਰਤੋਂ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਲਈ ਦ੍ਰਿਸ਼ ਜਾਣਕਾਰੀ ਦੀ ਲਗਾਤਾਰ ਵਿਆਖਿਆ ਕਰਨਾ ਅਤੇ ਫ਼ੈਸਲੇ ਲੈਣਾ ਲਾਜ਼ਮੀ ਹੈ. Astra ਨੇ ਫੋਟੋਆਂ ਅਤੇ ਵੀਡੀਓ ਦੇ ਰੂਪ ਵਿੱਚ ਦਿੱਤੇ ਮਲਟੀਮੋਡਲ ਡਾਟੇ ਦੇ ਨਾਲ-ਨਾਲ ਸੀਕਵੈਂਸਿੰਗ, ਪਲੇਟ-ਰੀਡਰ ਟੈਸਟਾਂ, ਮਾਈਕ੍ਰੋਸਕੋਪੀ ਅਤੇ ਫਲੋ ਸਾਇਟੋਮੈਟਰੀ ਤੋਂ ਮਿਲੇ ਰਾਅ ਆਊਟਪੁੱਟ ਨੂੰ ਸੰਭਾਲਣ ਵਿੱਚ ਵੀ ਕਾਫ਼ੀ ਸੁਧਾਰ ਦਿਖਾਇਆ.

ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਪੱਧਰ ਉੱਤੇ ਇਹ ਸੁਧਾਰ GPT‑6 Astra ਦੀ ਪ੍ਰਯੋਗਾਂ ਦੌਰਾਨ ਲਈਆਂ ਤਸਵੀਰਾਂ ਵਿੱਚੋਂ ਬਾਰੀਕ ਵੇਰਵਿਆਂ ਨੂੰ ਪਛਾਣਨ ਅਤੇ ਇਸ ਕਰਕੇ ਵਧੇਰੇ ਸਹੀ ਸਿੱਟੇ ਕੱਢਣ ਦੀ ਸਮਰੱਥਾ ਵਿੱਚ ਨਜ਼ਰ ਆਇਆ, ਜਿਵੇਂ ਕਿ ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ. ਇਸ ਟਾਸਕ ਵਿੱਚ ਏਜੰਟਾਂ ਨੂੰ DNA ਕਲੋਨਿੰਗ ਪ੍ਰਯੋਗ ਤੋਂ ਸਿੱਟੇ ਕੱਢਣ ਲਈ ਕਿਹਾ ਗਿਆ ਸੀ, ਜਿਸ ਵਿੱਚ ਕੰਟਰੋਲ ਲਾਜ਼ਮੀ ਹੁੰਦੇ ਹਨ. GPT‑5.6 Sol ਨੂੰ ਨੈਗੇਟਿਵ ਕੰਟਰੋਲ ਪਲੇਟ ਉੱਤੇ ਕੋਈ ਕਾਲੋਨੀ ਨਹੀਂ ਦਿਖੀ ਅਤੇ ਉਸ ਨੇ ਇਸ ਨਿਰੀਖਣ ਦੇ ਆਧਾਰ ਉੱਤੇ ਸਿੱਟੇ ਕੱਢੇ. GPT‑6 Astra ਨੇ ਪਛਾਣਿਆ ਕਿ ਪਲੇਟ ਉੱਤੇ ਗਲਤ ਐਂਟੀਬਾਇਓਟਿਕ ਦਾ ਲੇਬਲ ਲੱਗਾ ਸੀ ਅਤੇ ਉਸ ਨੂੰ ਭਰੋਸੇਯੋਗ ਕੰਟਰੋਲ ਵਜੋਂ ਸਵੀਕਾਰ ਨਹੀਂ ਕੀਤਾ.

ਡਾਟੇ ਦਾ ਸਹੀ ਅਰਥ ਸਮਝਣ ਲਈ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਿਆਂ ਅਪ੍ਰਤੱਖ ਜੀਵ-ਵਿਗਿਆਨਕ ਗਿਆਨ ਅਤੇ ਪ੍ਰਯੋਗ ਦਾ ਸੰਦਰਭ ਧਿਆਨ ਵਿੱਚ ਬਣਾਈ ਰੱਖਣਾ ਪੈਂਦਾ ਹੈ. Astra ਨੇ ਇਸ ਸੰਦਰਭ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਅਤੇ ਪੂਰੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੌਰਾਨ ਲਾਗੂ ਕਰਨ ਦੀ ਬਿਹਤਰ ਸਮਰੱਥਾ ਦਿਖਾਈ.

ਇੱਕ ਟਾਸਕ ਵਿੱਚ ਮਾਈਕ੍ਰੋਸਕੋਪੀ ਤਸਵੀਰਾਂ ਦੀ ਲੜੀ ਵਿੱਚ ਸੈੱਲ ਕਦੇ ਫੋਕਸ ਵਿੱਚ ਆਉਂਦੇ ਅਤੇ ਕਦੇ ਫੋਕਸ ਤੋਂ ਬਾਹਰ ਜਾਂਦੇ ਦਿਖਾਈ ਦਿੱਤੇ. GPT‑5.6 Sol ਨੇ ਸੈੱਲਾਂ ਦੇ ਗਾਇਬ ਹੁੰਦੇ ਦਿਸਣ ਦੀ ਜੀਵ-ਵਿਗਿਆਨਕ ਵਜ੍ਹਾ ਲੱਭੀ, ਜਦਕਿ GPT‑6 Astra ਨੇ ਸਹੀ ਪਛਾਣਿਆ ਕਿ ਇਹ ਜ਼ੈੱਡ-ਸਟੈਕ ਸੀ: ਵੱਖ-ਵੱਖ ਡੂੰਘਾਈਆਂ ਉੱਤੇ ਲਈਆਂ ਤਸਵੀਰਾਂ ਦੀ ਲੜੀ.

ਬੈਂਚਮਾਰਕ ਉੱਤੇ ਵੱਧ ਸਕੋਰ ਦਾ ਅਜੇ ਇਹ ਮਤਲਬ ਨਹੀਂ ਕਿ ਮਾਡਲ ਲੈਬ ਵਿੱਚ ਭਰੋਸੇਯੋਗ ਫ਼ੈਸਲੇ ਕਰ ਸਕਦੇ ਹਨ. Astra ਦੀਆਂ ਇਹ ਉਦਾਹਰਨਾਂ ਦਿਖਾਉਂਦੀਆਂ ਹਨ ਕਿ ਧਾਰਨਾਵਾਂ, ਉਮੀਦ ਕੀਤੇ ਜਵਾਬ ਅਤੇ ਦਿੱਤੇ ਲੇਬਲ ਕਿਵੇਂ ਸਬੂਤ ਉੱਤੇ ਹਾਵੀ ਹੋ ਸਕਦੇ ਹਨ, ਅਤੇ ਕਿਵੇਂ ਵਿਚਕਾਰਲਾ ਸਹੀ ਨਿਰੀਖਣ ਵੀ ਅੰਤਿਮ ਫ਼ੈਸਲੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਨਹੀਂ ਕਰ ਪਾਉਂਦਾ.

Astra ਇੱਕ ਜਾਣੀ-ਪਛਾਣੀ ਧਾਰਨਾ ਨੂੰ ਉਸ ਵਿਆਖਿਆ ਉੱਤੇ ਹਾਵੀ ਹੋਣ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਦਾ ਪ੍ਰਯੋਗ ਦੇ ਕੰਟਰੋਲ ਸਮਰਥਨ ਕਰਦੇ ਹਨ. ਉਹ ਕਲੋਨੀ ਬੈਂਡਾਂ ਦੇ ਦੋ ਸਮੂਹਾਂ ਵਿੱਚ ਫ਼ਰਕ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਮੰਨ ਲੈਂਦਾ ਹੈ ਕਿ ਵੱਡਾ PCR ਉਤਪਾਦ ਸਫਲ ਕਲੋਨਿੰਗ ਦੀ ਪਛਾਣ ਕਰੇਗਾ. ਇਸ ਧਾਰਨਾ ਦੇ ਆਧਾਰ ਉੱਤੇ ਉਹ ਲੇਨ 4, 6, 7 ਅਤੇ 8 ਸੁਝਾਉਂਦਾ ਹੈ; ਇਸ ਦੇ ਉਲਟ, ਹਵਾਲਾ ਜਵਾਬ ਵਿੱਚ ਕੰਟਰੋਲਾਂ ਨਾਲ ਤੁਲਨਾ ਕਰਕੇ ਲੇਨ 5, 9 ਅਤੇ 10 ਚੁਣੀਆਂ ਜਾਂਦੀਆਂ ਹਨ.

Astra ਆਪਣੀ ਪਸੰਦੀਦਾ ਵਿਆਖਿਆ ਦੇ ਉਲਟ ਨਿਰੀਖਣਾਂ ਨੂੰ ਘੱਟ ਮਹੱਤਵ ਦਿੰਦਾ ਹੈ. ਉਹ ਸਿੱਟਾ ਕੱਢਦਾ ਹੈ ਕਿ ਰਸਧਾਨੀਆਂ, ਅਰਥਾਤ ਸੈੱਲਾਂ ਦੇ ਅੰਦਰਲੇ ਖਾਨੇ, ਆਮ ਤੌਰ ਉੱਤੇ ਸੈੱਲ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਦੇ ਹਿੱਸੇ ਨਾਲੋਂ ਗੂੜ੍ਹੀਆਂ ਹੁੰਦੀਆਂ ਹਨ, ਹਾਲਾਂਕਿ ਉਸੇ ਤਸਵੀਰ ਵਿੱਚ ਕੁਝ ਹਲਕੀਆਂ ਦਿਸਦੀਆਂ ਹਨ. ਦੋਵੇਂ ਤਰ੍ਹਾਂ ਦੀ ਦਿੱਖ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਮਾਈਕ੍ਰੋਸਕੋਪ ਦਾ ਫੋਕਸ ਬਦਲਣ ਨਾਲ ਕੰਟ੍ਰਾਸਟ ਉਲਟ ਸਕਦਾ ਹੈ, ਇਸ ਲਈ ਗੂੜ੍ਹੀਆਂ ਉਦਾਹਰਨਾਂ ਤੋਂ ਕੋਈ ਆਮ ਨਿਯਮ ਸਾਬਤ ਨਹੀਂ ਹੁੰਦਾ.

Astra ਦੇ ਗਿਣਤੀ ਦੇ ਨਿਸ਼ਾਨ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਵੱਖ-ਵੱਖ ਕਲੋਨੀਆਂ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾਂਦੇ: Astra ਨੇੜੇ-ਨੇੜੇ ਦੀਆਂ ਕਲੋਨੀਆਂ ਨੂੰ ਵੱਖ ਨਹੀਂ ਕਰ ਪਾਉਂਦਾ, ਦਿਖਾਈ ਦੇਣ ਵਾਲੀਆਂ ਕਲੋਨੀਆਂ ਛੱਡ ਦਿੰਦਾ ਹੈ ਅਤੇ ਖਾਲੀ ਅਗਰ ਉੱਤੇ ਨਿਸ਼ਾਨ ਲਗਾ ਦਿੰਦਾ ਹੈ. ਕੁੱਲ ਮਿਲਾ ਕੇ, ਇਸ ਪਲੇਟ ਉੱਤੇ ਗਿਣਤੀ ਬੈਂਚਮਾਰਕ ਦੇ ਹਵਾਲਾ ਜਵਾਬ ਨਾਲੋਂ ਲਗਭਗ 12% ਵੱਧ ਹੈ.

ਕਲੋਨੀਆਂ ਦੀ ਗਲਤ ਗਿਣਤੀ ਸਿੱਧੇ ਤੌਰ ’ਤੇ ਇਸ ਅੰਦਾਜ਼ੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ ਕਿ DNA ਸੈੱਲਾਂ ਵਿੱਚ ਕਿੰਨੀ ਕੁਸ਼ਲਤਾ ਨਾਲ ਦਾਖ਼ਲ ਕੀਤਾ ਗਿਆ ਸੀ. ਜਦੋਂ ਪਲੇਟ ਉੱਤੇ ਪਾਈ ਮਾਤਰਾ ਅਤੇ ਡਾਇਲਿਊਸ਼ਨ ਇੱਕੋ ਰਹਿਣ, ਤਾਂ ਵੱਧ ਗਿਣਤੀ ਇਸ ਅੰਦਾਜ਼ੇ ਨੂੰ ਵੀ ਉਸੇ ਅਨੁਪਾਤ ਵਿੱਚ ਵਧਾ ਦਿੰਦੀ ਹੈ.

ਜੀਵ-ਵਿਗਿਆਨਕ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ ਰੋਜ਼ਾਨਾ ਦੇ ਕੰਮ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਕਰਨਾ ਲਾਜ਼ਮੀ ਹੈ. BioBasicsBench ਇਸ ਕੰਮ ਨੂੰ ਸੁਧਾਰ ਦਾ ਟੀਚਾ ਬਣਾਉਂਦਾ ਹੈ: ਕੱਚੇ ਪ੍ਰਯੋਗਾਤਮਕ ਡਾਟੇ ਦਾ ਅਰਥ ਕੱਢਣਾ, ਕੰਟਰੋਲਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ ਅਤੇ ਇਹ ਪਛਾਣਨਾ ਕਿ ਕਦੋਂ ਕਿਸੇ ਸਿੱਟੇ ਨੂੰ ਸਬੂਤਾਂ ਦਾ ਸਮਰਥਨ ਪ੍ਰਾਪਤ ਨਹੀਂ ਹੁੰਦਾ. ਇਨ੍ਹਾਂ ਟਾਸਕਾਂ ਵਿੱਚ ਤਰੱਕੀ ਨਾਲ ਵਿਗਿਆਨੀ ਸਮੱਸਿਆ-ਨਿਵਾਰਨ ਉੱਤੇ ਘੱਟ ਅਤੇ ਅੱਗੇ ਕਿਹੜੇ ਪ੍ਰਯੋਗ ਕਰਨੇ ਹਨ, ਇਹ ਤੈਅ ਕਰਨ ਉੱਤੇ ਵੱਧ ਸਮਾਂ ਲਾ ਸਕਦੇ ਹਨ. ਇਨ੍ਹਾਂ ਸਮਰੱਥਾਵਾਂ ਦੀ ਪ੍ਰਗਤੀ ਉੱਤੇ ਨਜ਼ਰ ਰੱਖਣ ਨਾਲ ਸਾਨੂੰ ਜੈਵਿਕ ਸੁਰੱਖਿਆ ਅਤੇ ਜੈਵਿਕ ਦੁਰਵਰਤੋਂ ਤੋਂ ਸੁਰੱਖਿਆ ਉੱਤੇ ਉਨ੍ਹਾਂ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਵੀ ਮਦਦ ਮਿਲੇਗੀ.