OpenAI 发布 BioBasicsBench：GPT‑6 Astra 在湿实验室任务 xhigh 设置下得分 66.7%

2026 年 11 月 5 日，OpenAI 发布 BioBasicsBench，这是与酶设计公司 Ligo 合作开发的基准，用来测量 AI 智能体处理湿实验室日常分析的能力。基准含 100 个任务，覆盖蛋白方法、成像与流式细胞术、定量与测定、核酸方法、分子克隆五个方向。关键差别在输入：不是论文中挑选的图表，而是凝胶与印迹图、菌落平板照片、显微图像栈、测序读长等原始证据。OpenAI 称，真实实验充满失败、模糊图像与矛盾观察，而这些常被论文图表过滤掉。

设计：原始证据与专家细则

任务由 Ligo 科学家用自己实验产生的数据撰写，每题配专家评分细则，并经过三道审核：未参与命题的 Ligo 科学家内部审核、一位在职湿实验室博士级科学家的外部审核，以及最终内部复核。评分按细则逐条给分，因此能区分“结论正确”与“分析部分正确”。多数任务同时考察生物知识、图像解读、错误识别与流程理解。要注意：以上是来源陈述；按细则给分意味着，基准测的是与参考解读的一致程度，而非自然界层面的唯一答案。

评测覆盖 7 个模型、37 个模型与推理强度组合，每个组合在 100 个任务上各试 5 次，共 18,500 条结果。xhigh 设置下，GPT‑6 Astra 平均获得 66.7% 的可用分数（60.3–73.1%），每题平均输出 4,704 个 token；GPT‑6.1 Sol 为 62.0%（55.6–68.4%），GPT‑5.6 Sol 为 43.8%（37.6–50.0%）。括号内为整题重采样得到的 95% 置信区间。Astra 与 GPT‑6.1 Sol 的区间大幅重叠，“Astra 优于 6.1 Sol”并不稳固；较有把握的是 Astra 明显高于 GPT‑5.6 Sol，因两段区间不重叠。

进步与失败并存的案例

来源用几个案例说明进步。在 SYTOX 与 FUN‑1 双通道成像中，GPT‑5.6 Sol 仅凭亮度把细胞判为死亡；Astra 指出两个检测窗口在 525–540 nm 重叠、亮度不足以支撑结论，并建议补充分离信号的对照。来源注明，各通道使用独立线性标尺，通道间不能做定量亮度比较。另一题中，标着“LB Kan50”的平板被当作氨苄青霉素实验的阴性对照，Astra 认出标签与实验抗生素不符，拒绝将其视为可靠对照。还有一题，细胞在显微图中时隐时现，GPT‑5.6 Sol 寻找生物学解释，Astra 认出那是不同深度的 z 栈。

这些案例也暴露失败模式。在菌落 PCR 凝胶题中，Astra 把条带正确分成两组，却把实验身份认反：它假设较大的 PCR 产物代表成功克隆，选择 4、6、7、8 泳道；参考答案依据对照比较选择 5、9、10。液泡对比度题中，它注意到对比度随焦距变化，最终仍只保留“液泡通常更暗”的概括，忽略同一视野中更亮的液泡。菌落计数题中，它未能分开相邻菌落、漏标可见菌落、把空琼脂标成菌落，净结果相对参考答案多计约 12%；接种体积与稀释度固定时，这会以相同比例抬高转化效率的估算。

边界与验证方法

作为证据，这个基准有几条边界：只有 100 个任务，全部来自单一合作方的实验数据；受测的七个模型均为 GPT 系列，基准也由 OpenAI 参与开发，来源未报告第三方独立复现；评分依赖专家细则，来源未报告评分者一致性、任务难度分布或分歧处理方式；评测是静态的，模型面对已采集的数据，而不是自己设计并执行实验；来源也未说明任务数据是否与模型训练语料重叠。

要验证“智能体能否胜任日常分析”，可在未公开的新实验数据上复测，单列“证据不足”识别的命中率与误报率，按技能标签做误差分解，并由独立实验室做前瞻性评估。token 效率是另一个观察点：Astra 每题 4,704 个 token，少于 GPT‑5.6 Sol 的 9,099，说明高分不是靠更长输出堆出来的；但来源没有价格或延迟数据，不能换算为成本优势。作者推论是，失败案例的共同点不是“看不清”，而是中间观察没有进入最终决策。若 Astra 的优势可复现且能迁移到新数据，才足以支撑“可用于日常分析”的说法。