VIALS-AA is Artificial Analysis' implementation of Handshake AI's VIALS benchmark. It tests whether language models can interpret scientific images and answer questions about the evidence they contain.
VIALS ist ein Benchmark von Handshake AI für die visuelle Interpretation in professionellen biowissenschaftlichen Arbeitsabläufen. Die 161 Aufgaben umfassen 8 Artefaktdomänen und 174 Originalbilder, darunter Blots, Mikroskopiebilder, Durchflusszytometrie-Diagramme, Plasmidkarten, phylogenetische Bäume und Molekülstrukturen.
Wir bewerten den von Handshake AI veröffentlichten Datensatz mit 161 Aufgaben unabhängig. Die Modelle erhalten die Frage und die Bilddateipfade im Prompt; die Originalbilddateien liegen in einer Sandbox für die Codeausführung mit Python und ohne Netzwerkzugriff. Wir verwenden Stirrup mit Codeausführung, dazu ein Bildbetrachtungstool für Modelle mit Bildeingabe.
Jedes Modell bearbeitet jede Aufgabe in drei unabhängigen Wiederholungen. GPT-6 Luna (medium) bewertet jede finale Antwort mit den ursprünglichen Judge-Prompts und erhält bei Bedarf in einem zweiten Judge-Aufruf die Aufgabenbilder. Eine Wiederholung ohne eingereichte Antwort oder ohne ANSWER:-Zeile erhält null Punkte, auch bei einer Verweigerung.
Die zentrale Kennzahl ist pass^3, der Anteil der Aufgaben, die in allen drei Wiederholungen korrekt beantwortet werden. Durchschnitt aus 3 ist die durchschnittliche Korrektheit über diese Wiederholungen. pass@3 ist der Anteil der Aufgaben, die in drei Wiederholungen mindestens einmal korrekt beantwortet werden.
Alle Evaluationen werden unabhängig von Artificial Analysis durchgeführt. Weitere Informationen finden Sie in unserer Methodik zu VIALS-AA.
VIALS: A Benchmark for Visual Interpretation of Artifacts in the Life Sciences
Elaine Lau, Thanuka Udumulla, Lee Izhaki-Tavor, Francisco Guzmán, Nicholas Magazine und Jonas Mueller.
In professional life sciences workflows, scientists routinely interpret visual artifacts (gel blots, microscopy images, plasmid maps, flow cytometry plots, molecular structures, ...) to inform research decisions. We introduce VIALS, a visual question-answering benchmark with 161 such interpretation tasks, spanning the types of artifacts examined throughout experimental workflows in the biotech industry (rather than polished figures from publications and textbooks). While frontier vision-language models can now fluently describe natural images, we find that they are unable to accurately interpret these scientific images, reflecting limitations in domain knowledge and domain-specific visual reasoning capabilities. In contrast, scientists with relevant domain expertise find these visual interpretation tasks straightforward. AI that cannot similarly interpret such images will have limited utility in professional life sciences workflows, where such artifacts are central to how scientists reason, communicate, and make decisions.
In professional life sciences workflows, scientists routinely interpret visual artifacts (gel blots, microscopy images, plasmid maps, flow cytometry plots, molecular structures, ...) to inform research decisions. We introduce VIALS, a visual question-answering benchmark with 161 such interpretation tasks, spanning the types of artifacts examined throughout experimental workflows in the biotech industry (rather than polished figures from publications and textbooks). While frontier vision-language models can now fluently describe natural images, we find that they are unable to accurately interpret these scientific images, reflecting limitations in domain knowledge and domain-specific visual reasoning capabilities. In contrast, scientists with relevant domain expertise find these visual interpretation tasks straightforward. AI that cannot similarly interpret such images will have limited utility in professional life sciences workflows, where such artifacts are central to how scientists reason, communicate, and make decisions.
Gemini 4 Carbon (High) erzielt bei VIALS-AA Score mit 64% das höchste Ergebnis, gefolgt von GPT-6 Astra (Max) mit einem Ergebnis von 63% und Claude Opus 5.5 (Max, Default Fallback) mit einem Ergebnis von 61%
Kosten pro Aufgabe
GPT-6 Luna (Max) hat mit $0.02 die niedrigsten Kosten pro Aufgabe bei VIALS-AA, gefolgt von GPT-6.1 Sol (Max) mit $0.06 und Claude Haiku 5.5 (Max) mit $0.07
Verwendete Ausgabe-Token
GPT-6 Astra (Max) verwendet mit 356k die wenigsten Ausgabe-Token für die Ausführung von VIALS-AA, gefolgt von GPT-6.1 Sol (Max) mit 410k und GPT-6.1 Terra (Max) mit 1.21M
Ergebnis
VIALS-AA: Score
Anteil der Aufgaben, die in allen drei Wiederholungen korrekt beantwortet werden (pass^3)
No publicly available API
VIALS-AA: Ergebnis vs. Kosten pro Aufgabe
VIALS-AA Score · Kosten pro Aufgabe (USD) · Die Werte werden über die 3 Wiederholungen je Aufgabe gemittelt
Most attractive quadrant
Pareto line
Average cost per task in the evaluation. Costs are split by input, cache hit, cache write, reasoning, and answer token pricing where canonical token counts are available.
VIALS-AA: Score vs. Durchschnitt aus 3 vs. pass@3
Score (pass^3), durchschnittliche Korrektheit über drei Wiederholungen und mindestens eine korrekte Antwort (pass@3)
No publicly available API
Beispielaufgaben
Artefaktdomäne
Blotting
Frage
In the 2D gel electrophoresis image, find the labeled spot 22 and estimate its kDa range by observing its position on the y-axis (MW in kDa). Provide your answer as a kDa range (e.g., 10-20 kDa).
Spot 22 is on the acidic side of the gel, just above the 50 kDa marker and well below the 70 kDa marker. Its label lies between those two y-axis ticks, and the short leader ends on the 50 kDa line, so the spot is at the low end of the 50–70 kDa interval (about 50–55 kDa), not in the 40–50 kDa interval.
ANSWER: 50-70 kDa
Begründung des Judges
The ranges 50-70 kDa and 40-50 kDa do not match; numeric ranges must agree under the strict numeric rule.
Anteil der Aufgaben, die in allen drei Wiederholungen korrekt beantwortet werden, nach Artefaktdomäne. Die Farben werden innerhalb jeder Domäne über alle getesteten Modelle hinweg normalisiert.
Kosten
VIALS-AA: Kosten pro Aufgabe
Durchschnittliche Kosten (USD) pro Aufgabe für die Ausführung von VIALS-AA, berechnet aus Token-Nutzung und Modellpreisen einschließlich repräsentativer Cache-Trefferquoten · Die Werte werden über die 3 Wiederholungen je Aufgabe gemittelt
No publicly available API
Average cost per task in the evaluation. Costs are split by input, cache hit, cache write, reasoning, and answer token pricing where canonical token counts are available.
Token-Nutzung
VIALS-AA: Ausgabe-Token pro Aufgabe
Durchschnittlich verbrauchte Reasoning- und Antwort-Token pro Aufgabe von VIALS-AA · Die Werte werden über die 3 Wiederholungen je Aufgabe gemittelt
No publicly available API
The average number of answer and reasoning tokens produced per benchmark task in this evaluation.
Geschwindigkeit
VIALS-AA: Zeit pro Aufgabe
Geschätzte verstrichene Zeit (Minuten) pro Aufgabe: Antwort- und Reasoning-Generierung plus Werkzeugausführung · Die Werte werden über die 3 Wiederholungen je Aufgabe gemittelt · Lower is better
No publicly available API
Die geschätzte verstrichene Zeit pro Aufgabe ergibt sich aus der Summe der Antwort- und Reasoning-Tokens pro Aufgabe, geteilt durch die kanonische Antwort-Ausgabegeschwindigkeit des Modells, zuzüglich der mittleren Tool-Ausführungszeit pro Aufgabe. Judge-Aufrufe sind ausgeschlossen. Niedriger ist besser.
Turns
VIALS-AA: Mittlere Turns pro Aufgabe
Durchschnittliche Anzahl der Modell-Turns pro Aufgabe von VIALS-AA · Lower is better
No publicly available API
Ein Turn ist eine abgeschlossene Modellantwort, einschließlich einer Antwort mit Aufruf des Finish-Tools. Mehrere Tool-Aufrufe in einer Antwort zählen als ein Turn. Werte pro Aufgabe werden über die erfassten Wiederholungen gemittelt. Die Spannweite zeigt Perzentile über die erfassten Wiederholungen der 161 Aufgaben, mit bis zu 483 Beobachtungen je Modell. Wiederholungen ohne erfasste Turn-Zahl, etwa eine Wiederholung mit sofortiger Sicherheitssperre, werden nicht berücksichtigt.
Werkzeugnutzung
VIALS-AA: Werkzeugaufrufe im Detail
Durchschnittliche Werkzeugaufrufe pro Aufgabe von VIALS-AA, nach Werkzeugtyp
No publicly available API
Aufrufe zum Beenden oder Aufgeben der Aufgabe zählen nicht als Tool-Aufrufe. Werte pro Aufgabe werden über die erfassten Wiederholungen gemittelt, mit bis zu 483 Beobachtungen je Modell. Tool-Aufrufe pro Turn entsprechen der Gesamtzahl gezählter Tool-Aufrufe geteilt durch die Gesamtzahl abgeschlossener Modell-Turns. Wiederholungen ohne erfasste Turn-Zahl, etwa durch eine sofortige Sicherheitssperre, werden nicht berücksichtigt.