OpenAI lanza BioBasicsBench para poner a prueba a agentes de IA con datos cotidianos de laboratorio húmedo

OpenAI presentó el 6 de noviembre de 2026 BioBasicsBench, un referente desarrollado con Ligo, una biotecnológica centrada en el diseño de enzimas, para medir qué tan bien interpretan los agentes de IA los datos experimentales crudos del trabajo cotidiano de laboratorio húmedo, incluidos experimentos fallidos, imágenes ambiguas y observaciones contradictorias.

Qué evalúa el referente

El conjunto tiene 100 tareas en cinco áreas: métodos de proteínas, imagen y citometría, cuantificación y ensayos, métodos de ácidos nucleicos y clonación molecular. Las entradas incluyen geles y blots (31 tareas), protocolos y notas (27), tablas y exportaciones de instrumentos (20), fotos del banco (18), microscopía (14), pantallas de instrumentos y gráficos (13), archivos de secuenciación (12), videos de protocolos (7) y placas de agar (7); las categorías se solapan. Los científicos redactaron las tareas a partir de sus propios experimentos con rúbricas expertas; cada una tuvo revisión interna de un científico de Ligo que no la escribió, revisión externa de un científico de laboratorio con nivel de doctorado y una revisión interna final.

OpenAI evaluó siete de sus modelos en 37 combinaciones de modelo y esfuerzo de razonamiento, con cinco intentos por tarea, para 18.500 resultados. En el ajuste xhigh, GPT-6 Astra obtuvo de media el 66,7% del crédito disponible (IC 95% 60,3–73,1%, unos 4.704 tokens de salida por tarea), frente al 43,8% de GPT-5.6 Sol (IC 95% 37,6–50,0%, unos 9.099 tokens). Otras puntuaciones xhigh: GPT-6.1 Sol 62,0%, GPT-6 Luna 38,3%, GPT-5.5 35,4%, GPT-5.4 33,2% y GPT-5.2 31,2%.

Límites

Son evaluaciones de la propia OpenAI sobre sus propios modelos; la empresa comparó solo su gama y aquí no se informa de una reproducción independiente. OpenAI afirma que las puntuaciones más altas «aún no significan que los modelos puedan emitir juicios fiables en el laboratorio», y cita errores restantes en controles, recuento de colonias (un sobrecuento de cerca del 12% en una placa) y contexto experimental. El referente mide el análisis rutinario, no el trabajo autónomo de laboratorio ni las decisiones clínicas.