AI资讯

OpenAI 发布 BioBasicsBench:100 项湿实验室任务,GPT-6 Astra 拿到 66.7% 分数

发布时间:2026年11月07日 10:40:00

11 月 6 日,OpenAI 与酶设计公司 Ligo 合作发布 BioBasicsBench,包含 100 项来自真实实验的湿实验室数据分析任务,覆盖凝胶图、菌落平板、显微图像与仪器读数。GPT-6 Astra 在最高推理档位拿到 66.7% 的可用分数,高于 GPT-5.6 Sol 的 43.8%,但模型在读图与实验对照检查上仍明显不足。


事件:给科学智能体一套「真实实验题」

11 月 6 日,OpenAI 发布 BioBasicsBench,与酶设计公司 Ligo 合作构建。这套基准包含 100 项任务,数据不是合成的,而是来自科学家自己的原始实验材料:

  • 凝胶电泳图;
  • 菌落平板;
  • 显微图像;
  • 仪器读数。

任务的考察点不是「背知识」,而是三件实验室里的基本能力:

  1. 解读结果:从图像和读数中判断实验发生了什么;
  2. 发现错误:识别操作或数据里的异常;
  3. 判断证据边界:知道现有证据不足以支持某个结论。

分数:Astra 66.7%,Sol 43.8%

在最高推理档位下:

模型得分
GPT-6 Astra66.7%
GPT-5.6 Sol43.8%

这个提升幅度不小,但 OpenAI 自己也承认,模型在读图和检查实验对照两项上仍然明显不足。

读图是湿实验室任务的核心:凝胶条带的深浅、菌落形态的差异、显微视野里的细胞状态,都需要视觉判断。语言模型再强,如果看不准图,结论就不可靠。对照检查则要求模型理解实验设计逻辑——没有对照组的结论,在科学上不成立。

为什么值得单独做一个基准

过去两年,科学智能体的演示大多是「让模型读论文、写综述、提假设」。这些任务看起来高级,但很难验证:假设对不对,可能要几年实验才知道。

BioBasicsBench 反其道而行,选了最基础、最可验证的任务:一张凝胶图跑完是什么结果,实验员看一眼就知道。这让评测有了客观标准。

它的设计思路值得借鉴:

设计用意
真实原始数据避免合成数据里的「教科书式干净图」
100 项任务规模适中,可人工复核
三项能力分开考区分「看懂」与「想对」
允许「证据不足」考察模型是否会过度推断

最后一条尤其重要。科学里最危险的不是答错,而是在证据不足时给出确定结论。

对科学智能体开发者的意义

如果你在做实验室方向的智能体,这套基准提供了三个可直接使用的东西:

  • 可对标的任务集:不用自己从零设计评测;
  • 失败模式清单:读图、对照检查、证据边界,是当前模型的共性短板;
  • 产品设计提示:智能体的输出应该包含「置信度」与「缺失信息」,而不是只给结论。

局限:100 项任务不等于真实科研

需要冷静看待这套基准:

  1. 任务规模有限:100 项覆盖不了生物实验的多样性;
  2. 单点能力为主:真实科研是长周期、多轮迭代,基准是单轮任务;
  3. 与 Ligo 合作构建:数据来源带有单一合作方色彩,后续需要更多机构补充。

OpenAI 的表述也比较克制:分数说明的是「这些任务上的表现」,不是「能替代实验员」。

判断:科学 AI 进入「可测量」阶段

这次发布最重要的不是分数,而是把科学智能体拉进了可测量的轨道。

在此之前,科学 AI 的进展主要靠案例演示:某模型提出一个新假设、某智能体设计出一个实验。这类故事很吸引人,但无法比较、无法复现、无法判断进步速度。

BioBasicsBench 提供了一个低门槛、高客观性的起点。接下来值得关注的是两件事:会不会有更多机构发布同类基准,以及模型在「证据不足时说不」这项能力上能提升多快。

对国内团队,这也是一个提醒:做行业智能体,评测集比模型选型更值得先投入。没有评测,就只能靠演示说服客户;有了评测,才能回答「比上次好多少」。