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 es un benchmark de Handshake AI para la interpretación visual en flujos de trabajo profesionales de las ciencias de la vida. Sus 161 tareas abarcan 8 dominios de artefactos y 174 imágenes originales, como inmunotransferencias, imágenes de microscopía, gráficos de citometría de flujo, mapas de plásmidos, árboles filogenéticos y estructuras moleculares.
Evaluamos de forma independiente el conjunto de 161 tareas publicado por Handshake AI. Los modelos reciben la pregunta y las rutas de los archivos de imagen en el prompt; los archivos de imagen originales están disponibles en un sandbox para ejecutar código con Python y sin acceso a la red. Usamos Stirrup con ejecución de código, además de una herramienta de visualización de imágenes para modelos con entrada visual.
Cada modelo realiza tres repeticiones independientes por tarea. GPT-6 Luna (medium) evalúa cada respuesta final con los prompts originales del evaluador y recibe las imágenes de la tarea en una segunda llamada cuando hace falta. Una repetición sin respuesta entregada o sin línea ANSWER: recibe cero puntos, incluso si es una negativa.
La puntuación principal es pass^3, la proporción de tareas respondidas correctamente en las tres repeticiones. Promedio de 3 es la exactitud media de esas repeticiones. pass@3 es la proporción de tareas respondidas correctamente al menos una vez en tres repeticiones.
Artificial Analysis realiza todas las evaluaciones de forma independiente. Puede encontrar más información en nuestra metodología de 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 y 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) obtiene la puntuación más alta en VIALS-AA Puntuación, con 64%, seguido de GPT-6 Astra (Max), con una puntuación de 63% y Claude Opus 5.5 (Max, Default Fallback), con una puntuación de 61%
Costo por tarea
GPT-6 Luna (Max) tiene el menor costo por tarea en VIALS-AA, con $0.02, seguido de GPT-6.1 Sol (Max), con $0.06 y Claude Haiku 5.5 (Max), con $0.07
Tokens de salida utilizados
GPT-6 Astra (Max) utiliza la menor cantidad de tokens de salida para ejecutar VIALS-AA, con 356k, seguido de GPT-6.1 Sol (Max), con 410k y GPT-6.1 Terra (Max), con 1.21M
Puntuación
VIALS-AA: Puntuación
Proporción de tareas respondidas correctamente en las tres repeticiones (pass^3)
No publicly available API
VIALS-AA: Puntuación vs. costo por tarea
Puntuación de VIALS-AA · Costo por tarea (USD) · Los valores se promedian entre las 3 repeticiones por tarea
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: Puntuación vs. Promedio de 3 vs. pass@3
Puntuación (pass^3), exactitud media de tres repeticiones y al menos una respuesta correcta (pass@3)
No publicly available API
Tareas de ejemplo
Dominio de artefactos
Blotting
Pregunta
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
Explicación del evaluador
The ranges 50-70 kDa and 40-50 kDa do not match; numeric ranges must agree under the strict numeric rule.
Proporción de tareas respondidas correctamente en las tres repeticiones por dominio de artefactos. Los colores se normalizan dentro de cada dominio entre todos los modelos evaluados.
Costo
VIALS-AA: costo por tarea
Costo promedio (USD) por tarea de ejecutar VIALS-AA, calculado a partir del uso de tokens y los precios de los modelos, con tasas representativas de aciertos de caché · Los valores se promedian entre las 3 repeticiones por tarea
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.
Uso de tokens
VIALS-AA: tokens de salida por tarea
Promedio de tokens de razonamiento y respuesta consumidos por tarea de VIALS-AA · Los valores se promedian entre las 3 repeticiones por tarea
No publicly available API
The average number of answer and reasoning tokens produced per benchmark task in this evaluation.
Velocidad
VIALS-AA: tiempo por tarea
Tiempo total estimado (minutos) por tarea: generación de respuesta y razonamiento más ejecución de herramientas · Los valores se promedian entre las 3 repeticiones por tarea · Lower is better
No publicly available API
El tiempo transcurrido estimado por tarea es la suma de los tokens de respuesta y razonamiento por tarea dividida entre la velocidad canónica de salida de respuesta del modelo, más el tiempo promedio de ejecución de herramientas por tarea. Se excluyen las llamadas al evaluador. Menor es mejor.
Turnos
VIALS-AA: Turnos medios por tarea
Número promedio de turnos del modelo por tarea de VIALS-AA · Lower is better
No publicly available API
Un turno es una respuesta completa del modelo, incluida una respuesta que llama a la herramienta de finalización. Varias llamadas a herramientas en una respuesta cuentan como un solo turno. Los valores por tarea se promedian entre las repeticiones registradas. El rango muestra percentiles de las repeticiones registradas de las 161 tareas, con hasta 483 observaciones por modelo. Las repeticiones sin un recuento de turnos registrado, como una repetición con un bloqueo de seguridad inmediato, no se incluyen.
Uso de herramientas
VIALS-AA: Desglose de llamadas a herramientas
Llamadas promedio a herramientas por tarea de VIALS-AA, por tipo de herramienta
No publicly available API
Las llamadas que finalizan o abandonan la tarea se excluyen del recuento de herramientas. Los valores por tarea se promedian entre las repeticiones registradas, con hasta 483 observaciones por modelo. Las llamadas por turno son el total de llamadas contabilizadas dividido entre el total de turnos completos del modelo. Las repeticiones sin un recuento de turnos registrado, como un bloqueo de seguridad inmediato, no se incluyen.