更直白点说：
- Max模式 = 单个模型火力全开，脑子转得最快；
- Pro模式 = 叫上一群AI小弟组队干活，群策群力，专啃硬骨头。
GeneBench考的是真正的科研实战能力。GPT-5.6 Luna Pro能在这种地狱级难度的测试里打赢上一代旗舰，就像入门款赛车在F1赛道赢了去年的冠军车，这事儿确实离谱。
GeneBench到底是个什么考试
先解释一下GeneBench是啥。这玩意儿跟普通AI跑分测试完全是两码事。普通的编程测试比如HumanEval，考的是让AI写个函数、算个结果，题目是固定的，AI完全可以通过刷题库来提高分数。
但GeneBench考的是多阶段科学数据分析，专门针对基因组学和定量生物学领域。每个题目都给你一堆真实世界的“脏数据”——就像科学家从实验室拿到的那种，有测量误差、有选择偏差、有混杂因素，甚至还有质量控制失败的问题。
你拿到这些数据后，没有标准操作手册告诉你第一步干嘛第二步干嘛。你得自己探索数据、发现问题、清洗数据、选择统计模型，然后一路做下去，最终得出一个定量结论。
关键是每个问题都设计成“级联式”的：前面一步选错了，后面的分析路径完全不一样，最终答案肯定跑偏。每个问题包含3到13个决策节点，平均6个，而且一个决策点只在你真的面临“选了这条路就走不到另一条路”的分叉口时才计算。这种考试，AI没法靠背答案过关。
上一代模型的惨淡成绩
有了这个概念，你再看看GPT-5.5在GeneBench上的表现，就知道这考试有多变态。GPT-5.5 Pro在这个测试里的通过率是33.2%。没错，最强的上一代旗舰，在这103道题里只能做对三分之一。
GPT-5.4 Pro更惨，只有25.6%；GPT-5.2 Pro直接掉到10.8%。最强的外部竞争对手Gemini 3.1 Pro也只有11.2%。
研究者分析失败案例时发现了一个有趣的现象：AI其实能注意到数据里的异常信号，但它不知道怎么把这种“注意到”转化成具体的分析决策。比如它看到某个数据点不对劲，但不知道应该因此换一个统计模型，于是硬着头皮往下做，最后答案全歪了。这就像你考试时发现题目好像有问题，但不知道该不该质疑，还是按原计划乱填一气。
Luna Pro凭什么让人喊“疯了”
现在重头戏来了。GPT-5.6 Luna Pro在GeneBench-Pro（升级版，129道题，难度更高）上拿了23.6%。新一代入门款，价格据说只有GPT-5.5的五分之一，成绩却逼近甚至超过上一代旗舰的33.2%？
等等，严谨一点：Luna Pro的23.6%确实低于GPT-5.5 Pro的33.2%，但别忘了GeneBench-Pro比原版更难，题目更多（129 vs 103），而且54道题被重新设计成更难的版本。所以Luna Pro面对更难的考试拿23.6%，这个含金量跟GPT-5.5 Pro在原版考33.2%比起来，水分小得多。
更爆炸的是，Luna Pro的23.6%已经超过了很多竞品的旗舰。Claude Opus 4.8在GeneBench-Pro上只有16.0%。一个入门款模型，在科研实战级测试里，把竞争对手的旗舰按在地上摩擦，价格还只有人家的零头——这就好比今年新出的丐版手机，跑分比去年安卓机皇还高一截，你肯定觉得这世界疯了。
这背后的意味
这事儿到底多离谱，你得这么想。GeneBench考的是真正的科研能力——面对脏数据自己摸索、自己判断、自己纠错。这比写个函数难一万倍。
Luna Pro能在这种测试里逼近上一代旗舰的表现，说明AI能力的提升不是靠堆参数量堆出来的，而是靠推理效率的飞跃。Sol（旗舰）在GeneBench-Pro上Pro版本拿31.5%，Luna Pro拿23.6%，差距不到8个百分点，但价格差了5倍。
这意味着什么？意味着你花小钱就能买到接近顶配的科研辅助能力。以前只有大企业烧得起钱用AI做生物信息分析，现在小实验室可能也能上车了。这就是为什么Reddit上那人要连发三个❤️——不是因为数字好看，是因为这东西有可能把科研的门槛砸低一大截。
总结
AI的进步从来不体现在“做对了多少道题”，而体现在“面对一坨烂数据，它能不能像人一样摸爬滚打找出答案”。Luna Pro做到了，而且只收了白菜价。但讽刺的是，这么强的玩意儿美国政府说只能给20个人用，普通人连摸都摸不着。