**2026 年 11 月 6 日,OpenAI 发布 BioBasicsBench,一套包含 100 道日常湿实验任务的新基准。它由 OpenAI 与专注酶设计的生物技术公司 Ligo 联合开发,测试 AI 智能体能否读懂原始实验数据、识别实验错误,以及判断证据是否足以支持结论。
在允许模型投入更多推理的 xhigh 设置下,GPT-6 Astra 的平均得分为 66.7%,GPT-6.1 Sol 为 62.0%,GPT-5.6 Sol 为 43.8%。Astra 相比 GPT-5.6 Sol 高出 22.9 个百分点。这些结果来自 OpenAI 公布的评测。
七个模型在 xhigh 设置下的平均得分,误差线为官方报告的 95% 置信区间。蓝色为 GPT-6 系列,橙色为 GPT-5 系列(图源:BioTender 据 OpenAI 公布数据整理)
把实验台上的原始文件交给 AI这 100 道题覆盖蛋白方法、成像与细胞计量、定量与检测、核酸方法、分子克隆五个领域。**出题科学家使用自己实验中的数据,将原始证据与具体问题配对。任务既包括读取凝胶中的 DNA 片段大小,也包括更完整的检测分析,聚焦湿实验人员日常需要处理的工作。输入材料保留了实验现场的多种形态:凝胶与印迹图、菌落平板照片、多通道显微镜影像、深度扫描序列,以及测序和仪器文件。**31 道题包含凝胶或印迹,27 道包含实验方案、记录或规格资料,20 道包含表格与仪器导出文件。**同一道题可以同时涉及多种材料,各类数量存在重叠。
各类输入材料涉及的任务数;类别可重叠,灰色参考资料用于辅助解读。原始文件包括 FASTQ、FASTA、GenBank 和流式细胞术 FCS 文件(图源:BioTender 据 OpenAI 公布数据整理)
66.7% 的分数怎样算出来每道题都配有专家编写的评分细则,类似一张逐项核对的评分表,分别检查结论、数值、推理过程和对证据充分性的判断。**题目经过三轮审查:另一位 Ligo 科学家的内部审查、外部湿实验博士级科学家的审查,以及最终内部审查。**智能体按要求返回结构化答案,并在需要时提供支持理由。66.7% 表示平均获得了可用分值的 66.7%,不能直接换算成完整答对的题目比例或实验成功率。本次共评估 7 个模型、37 种模型与推理强度组合,每种组合对每道题作答 5 次,共 18,500 次。官方同时报告输出长度:xhigh 下,Astra 平均每题输出 4,704 个 token,GPT-5.6 Sol 为 9,099 个。
xhigh 设置下,各模型平均每题的输出 token 数;该指标描述输出长度,不等同于运行耗时或费用(图源:BioTender 据 OpenAI 公布数据整理)
先判断荧光信号来自哪里在官方展示的一道细胞图像任务中,GPT-5.6 Sol 根据一种用于检测死细胞的染料信号,将细胞判定为死亡。**这道题还需要考虑另一个染料的光,也可能进入同一检测通道。**图像的亮度涉及信号来源,直接影响细胞状态的判断。原文列出的两个检测窗口分别为 470--540 nm 和 525--580 nm,重叠区间为 525--540 nm。**Astra 识别出这种信号干扰的可能性,提出需要更合适的对照来区分信号。**官方还说明,两通道采用各自独立的线性强度标尺,不能直接跨通道定量比较亮度;实际干扰量尚未测定。
SYTOX 标记通道与 FUN-1 绿色通道的检测波长窗口,浅黄色标出 525--540 nm 的重叠区间;此图仅展示窗口范围,不表示测得的干扰强度(图源:BioTender 据 OpenAI 官方案例整理)
平板边缘的标签,也属于实验证据另一道题要求模型解读 DNA 克隆实验。GPT-5.6 Sol 观察到阴性对照平板没有菌落,并据此展开判断。**Astra 进一步读到了平板边缘的标签,发现这块对照平板使用的抗生素与实验要求不符。**原图中的手写文字,成为判断对照是否有效的依据。标签写着"LB Kan50",指向卡那霉素;这项实验使用的抗生素则是氨苄青霉素。Astra 因此拒绝将这块平板作为可靠对照。这一案例把图像中的菌落情况、标签文字和实验条件放在同一道题中,检验模型能否结合这些信息作答。
克隆实验平板原图,黄色圈线标出了边缘的"LB Kan50"标签;该抗生素与题目实验使用的氨苄青霉素不同(图源:OpenAI 官方发布稿)
细胞逐渐模糊,对应的是一次深度扫描在一组显微镜画面中,细胞陆续进入焦点,又逐渐变得模糊。**GPT-5.6 Sol 尝试为细胞看起来"消失"的现象寻找生物学解释;Astra 识别出这是一组 z-stack。**同一位置在不同图像中的可见程度,随着扫描深度而改变。可以把这类图像理解为在样品的不同深度逐层拍摄,形成一叠光学切片。**z-stack 的解读需要把焦平面的变化纳入判断。**官方展示了视频播放位置为 0、3、6、9、12、15 秒的六帧画面,并用虚线框标出同一位置,帮助对照深度扫描中的成像变化。
深度扫描案例的六帧官方画面,虚线框标出同一位置;秒数为所提供视频的播放位置,画面由 BioTender 拼排(图源:OpenAI 官方发布稿)
同一套评测,也记录具体的作答偏差OpenAI 同时展示了 Astra 尚未正确完成的任务。在一道菌落 PCR 题中,模型正确区分了两组条带,随后依据"更大的 PCR 产物代表目标构建"的假设,选出第 4、6、7、8 泳道。**评分参考依据实验对照,选择的则是第 5、9、10 泳道。****原图第 3 泳道提供原始质粒的参考条带,第 2 泳道包含两种条带模式。**该案例的参考解读通过对照比较,确定应挑选的菌落。Astra 对条带的视觉分组与参考一致,对这些分组所对应的实验身份判断发生了颠倒,最终选中了另一组菌落。
菌落 PCR 案例:1 为标记物,2 为克隆混合物,3 为原始质粒,4--10 为菌落样本;绿色标号为参考选择,粉色标号为 Astra 的选择(图源:OpenAI 官方发布稿)
在菌落计数任务中,官方展示了三类标记偏差:未分开识别相邻菌落、遗漏可见菌落,以及把空白琼脂区域标为菌落。**在这块平板上,Astra 的最终计数比基准参考值高约 12%。**原文指出,在涂板体积和稀释条件不变时,这会使转化效率估计按相同比例偏高。BioBasicsBench 当前评估的能力,集中在原始实验数据解读、对照检查和证据判断。OpenAI 将其定位为改进日常实验辅助能力的评测工具,并明确说明,更高的基准得分尚不代表模型已能在实验室中作出可靠判断。减少排错时间、帮助科学家选择后续实验,是团队提出的应用方向。
三组菌落计数局部图:左列为原图,右列为模型标记;A 为相邻菌落,B 为遗漏菌落,C 为空白区域误标。红圈为 Astra 的计数位置,黑箭头为官方编辑标记;画面由 BioTender 拼排(图源:OpenAI 官方发布稿)