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 é um benchmark da Handshake AI para interpretação visual em fluxos de trabalho profissionais das ciências da vida. Suas 161 tarefas abrangem 8 domínios de artefatos e 174 imagens originais, incluindo blots, imagens de microscopia, gráficos de citometria de fluxo, mapas de plasmídeos, árvores filogenéticas e estruturas moleculares.
Avaliamos de forma independente o conjunto de 161 tarefas publicado pela Handshake AI. Os modelos recebem a pergunta e os caminhos dos arquivos de imagem no prompt; os arquivos de imagem originais ficam disponíveis em um sandbox para execução de código com Python e sem acesso à rede. Usamos o Stirrup com execução de código, além de uma ferramenta de visualização de imagens para modelos com entrada visual.
Cada modelo realiza três repetições independentes por tarefa. O GPT-6 Luna (medium) avalia cada resposta final com os prompts originais do avaliador e recebe as imagens da tarefa em uma segunda chamada quando necessário. Uma repetição sem resposta enviada ou sem linha ANSWER: recebe zero ponto, inclusive em caso de recusa.
A pontuação principal é pass^3, a proporção de tarefas respondidas corretamente nas três repetições. Média de 3 é a precisão média dessas repetições. pass@3 é a proporção de tarefas respondidas corretamente pelo menos uma vez em três repetições.
Todas as avaliações são realizadas de forma independente pela Artificial Analysis. Mais informações estão disponíveis em nossa metodologia 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 e 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) alcança a maior pontuação em VIALS-AA Pontuação, com 64%, seguido por GPT-6 Astra (Max), com pontuação de 63% e Claude Opus 5.5 (Max, Default Fallback), com pontuação de 61%
Custo por tarefa
GPT-6 Luna (Max) tem o menor custo por tarefa em VIALS-AA, com $0.02, seguido por GPT-6.1 Sol (Max), com $0.06 e Claude Haiku 5.5 (Max), com $0.07
Tokens de saída usados
GPT-6 Astra (Max) usa a menor quantidade de tokens de saída para executar VIALS-AA, com 356k, seguido por GPT-6.1 Sol (Max), com 410k e GPT-6.1 Terra (Max), com 1.21M
Pontuação
VIALS-AA: Pontuação
Proporção de tarefas respondidas corretamente nas três repetições (pass^3)
No publicly available API
VIALS-AA: Pontuação vs. custo por tarefa
Pontuação do VIALS-AA · Custo por tarefa (USD) · Os valores são calculados pela média das 3 repetições por tarefa
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: Pontuação vs. Média de 3 vs. pass@3
Pontuação (pass^3), precisão média de três repetições e pelo menos uma resposta correta (pass@3)
No publicly available API
Tarefas de exemplo
Domínio de artefatos
Blotting
Pergunta
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
Explicação do avaliador
The ranges 50-70 kDa and 40-50 kDa do not match; numeric ranges must agree under the strict numeric rule.
Proporção de tarefas respondidas corretamente nas três repetições por domínio de artefatos. As cores são normalizadas dentro de cada domínio entre todos os modelos testados.
Custo
VIALS-AA: custo por tarefa
Custo médio (USD) por tarefa para executar o VIALS-AA, calculado a partir do uso de tokens e dos preços dos modelos, incluindo taxas representativas de acerto de cache · Os valores são calculados pela média das 3 repetições por tarefa
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 saída por tarefa
Média de tokens de raciocínio e resposta consumidos por tarefa do VIALS-AA · Os valores são calculados pela média das 3 repetições por tarefa
No publicly available API
The average number of answer and reasoning tokens produced per benchmark task in this evaluation.
Velocidade
VIALS-AA: tempo por tarefa
Tempo total estimado (minutos) por tarefa: geração de resposta e raciocínio mais execução de ferramentas · Os valores são calculados pela média das 3 repetições por tarefa · Lower is better
No publicly available API
O tempo decorrido estimado por tarefa é a soma dos tokens de resposta e raciocínio por tarefa dividida pela velocidade canônica de saída de resposta do modelo, mais o tempo médio de execução de ferramentas por tarefa. Chamadas ao avaliador são excluídas. Quanto menor, melhor.
Turnos
VIALS-AA: Turnos médios por tarefa
Número médio de turnos do modelo por tarefa de VIALS-AA · Lower is better
No publicly available API
Um turno é uma resposta completa do modelo, incluindo uma resposta que chama a ferramenta de finalização. Várias chamadas a ferramentas em uma resposta contam como um único turno. Os valores por tarefa são calculados pela média das repetições registradas. O intervalo mostra percentis das repetições registradas das 161 tarefas, com até 483 observações por modelo. Repetições sem uma contagem de turnos registrada, como uma repetição com bloqueio de segurança imediato, não são incluídas.
Uso de ferramentas
VIALS-AA: Detalhamento de chamadas de ferramentas
Média de chamadas de ferramentas por tarefa de VIALS-AA, por tipo de ferramenta
No publicly available API
Chamadas que finalizam ou abandonam a tarefa são excluídas da contagem de ferramentas. Os valores por tarefa são calculados pela média das repetições registradas, com até 483 observações por modelo. As chamadas por turno são o total de chamadas contabilizadas dividido pelo total de turnos completos do modelo. Repetições sem uma contagem de turnos registrada, como um bloqueio de segurança imediato, não são incluídas.