OpenAI выпустила GPT‑Rosalind: новая модель для биологии и фармацевтики
OpenAI представила обновлённую модель GPT‑Rosalind, ориентированную на исследования в области биологии, фармацевтики и смежных наук. Модель объединяет научное рассуждение, генерацию кода и вызов внешних инструментов, позволяя учёным не только отвечать на вопросы, но и выполнять сложные рабочие процессы с данными, доказательствами и проверяемыми артефактами.
В отличие от обычных чат‑ассистентов, GPT‑Rosalind предназначена для задач, где требуется сопоставлять молекулы, гены, биологические пути, экспериментальные результаты и научные публикации. OpenAI подчёркивает, что модель работает с биологическими данными и специализированными инструментами, а не с типичными потребительскими запросами.
Усиленные возможности в медицинской химии и геномике
В тесте MedChemBench модель достигла 27,5 % точности, превзойдя GPT‑5.5 (25,1 %) и снизив расход токенов на 7,2 %. Тест оценивает понимание химических структур, связь «структура‑активность», прогноз токсичности, потенциала и параметров ADME, а также оптимизацию молекул‑кандидатов.
Для GeneBench, измеряющего решение долгих агентных задач в геномике, GPT‑Rosalind показала 21,6 % точности против 20,4 % у GPT‑5.5, используя на 31 % меньше токенов. В LabWorkBench – бенчмарке для реальных лабораторных протоколов – показатель составил 63,2 % против 55,8 % у GPT‑5.5 при экономии токенов в 5,3 %.
Эти результаты демонстрируют не только улучшение точности, но и повышение эффективности: меньше токенов при более качественных выводах означает более дешёвые и масштабируемые исследования.
LifeSciBench: комплексный бенчмарк полного исследовательского цикла
OpenAI разработала LifeSciBench – бенчмарк, охватывающий шесть ключевых стадий научного процесса: обработка доказательств, анализ, дизайн и оптимизацию, научное рассуждение, валидацию и операции, а также коммуникацию результатов.
Пример из анонса: модель проанализировала пакет данных для подачи в FDA по генной терапии мышечной дистрофии Дюшенна, выявив слабые места в доказательной базе – проблемы измерения микродистрофина, нестабильные контрольные группы, возрастные и биопсийные искажения, а также вопросы безопасности AAV‑вектора.
Это подчёркивает направление OpenAI: от простых объяснений к роли строгого научного рецензента. При этом всё ещё остаётся риск «переоценки» выводов, если модель неправильно интерпретирует границы данных.
Новые плагины Codex для биоинформатики и научного поиска
OpenAI добавила два плагина: Life Sciences Research и Life Sciences NGS Analysis. Они позволяют Codex выполнять повторяемые научные процессы – поиск доказательств, биологическую интерпретацию, анализ омикс‑данных, сохранение артефактов и отслеживание их происхождения.
Life Sciences Research ориентирован на задачи в генетике, функциональной геномике, экспрессии, структуре белков, химии, клинических данных и поиске публикаций. Плагин нормализует сущности, выбирает минимальный набор навыков и формирует ответы с необходимыми оговорками.
Life Sciences NGS Analysis специализируется на анализе данных секвенирования нового поколения: проверка входных файлов, выбор пайплайна, использование публичных воспроизводимых инструментов, генерация QC‑отчётов, логов и манифестов, а также запись контрольных сумм и связей между файлами.
Эти инструменты трансформируют Codex из среды для программирования в полноценную рабочую площадку для биоинформатиков, где важна проверяемость и документирование каждого шага.
Ограниченный доступ для проверенных организаций
GPT‑Rosalind доступна в режиме research preview через структуру trusted‑access deployment. Открыт доступ только проверенным организациям, занимающимся легитимными научными исследованиями, имеющим надзор за безопасностью и корпоративный уровень защиты.
OpenAI упомянула Novo Nordisk как одного из первых пользователей. Компания использует модель для анализа сложных наборов данных, поиска закономерностей и ускорения проверки гипотез. Для организаций без Enterprise‑аккаунта предлагается управляемое рабочее пространство.
Публичный запуск пока не планируется: цены, критерии отбора и сроки расширения доступа не раскрыты, что естественно для моделей, работающих с чувствительными биомедицинскими данными.
Как будет измеряться успех?
Главный показатель эффективности GPT‑Rosalind будет не только бенчмарк‑результаты, а реальная экономия времени в лабораториях. Если модель поможет ускорить путь от вопроса к проверяемому эксперименту, предоставит воспроизводимые отчёты, корректные оговорки и полезные гипотезы, её ценность станет очевидной.
В текущем виде релиз выглядит как шаг к узконаправленным корпоративным решениям для науки. OpenAI формирует закрытый экосистемный контур: модель, Codex, плагины, проверенные организации, управление доступом и биозащитные ограничения. От того, насколько этот контур будет работать в реальных лабораториях, зависит будущее GPT‑Rosalind как практического инструмента или же лишь как демонстрационной витрины.