OpenAI BioBasicsBench-ы таһаарда: ИИ агеннар сырой лабораторнай дааннайы хайдах ааҕалларын бэрэбиэркэлиир
2026 сыл сэтинньи 6 күнүгэр OpenAI Ligo (фермент дизайна) кытта оҥорбут BioBasicsBench-ы биллэрдэ: 100 соруктаах бенчмарк сырой «сииктээх» лаборатория дааннайын ИИ хайдах өйдүүрүн сыаналыыр; xhigh режимигэр GPT-6 Astra 66,7% ылбыт (95% ДИ 60,3–73,1%) утары GPT-5.6 Sol 43,8%.
OpenAI 2026 сыл сэтинньи 6 күнүгэр BioBasicsBench-ы биллэрдэ — фермент дизайнынан дьарыктанар биотех тэрилтэ Ligo кытта оҥорбут бенчмарк. Кини ИИ агеннар күннээҕи «сииктээх» лаборатория сырой экспериментальнай дааннайдарын — сатамматах холобурдары, икки өрүттээх ойуулары уонна сөп түбэспэт кэтээн көрүүлэри — хайдах өйдүүллэрин кээмэйдиир.
Бенчмарк тугу бэрэбиэркэлиирий
Набор 100 соруктаах, биэс эйгэлээх: белок ньымалара, ойуулааһын уонна цитометрия, кээмэйдээһин уонна анализтар, нуклеиновай кислота ньымалара уонна молекулярнай клонирование. Киириилэргэ геллэр уонна блоттар (31 сорук), протоколлар уонна суруктар (27), таабылыцалар уонна прибор выгрузкалара (20), үлэ миэстэтин хаартыскалара (18), микроскопия (14), прибор экрааннара уонна графиктар (13), секвенирование файллара (12), протокол видеонара (7) уонна агар чашкалара (7); категориялар холбоһоллор. Учуонайдар бэйэлэрин эксперименнэриттэн эксперт рубрикаларынан суруйбуттар; хас биирдии сорук Ligo учуонайын (суруйбатаҕын) иһинээҕи бэрэбиэркэтин, PhD таһымнаах сииктээх лаборатория учуонайын тас бэрэбиэркэтин уонна бүтэһик иһинээҕи көрүүнү ааспыт.
OpenAI бэйэтин сэттэ моделын 37 модель-уонна-усилие туруоруутугар сыаналаабыт, хас сорукка биэс холонуу — барыта 18 500 түмүк. xhigh режимигэр GPT-6 Astra ортотунан 66,7% ылбыт (95% ДИ 60,3–73,1%, сорукка сөп түбэһиннэрэн 4704 выходной токен кэриҥэ) утары GPT-5.6 Sol 43,8% (95% ДИ 37,6–50,0%, 9099 токен кэриҥэ). Атын xhigh сыаналар: GPT-6.1 Sol 62,0%, GPT-6 Luna 38,3%, GPT-5.5 35,4%, GPT-5.4 33,2% уонна GPT-5.2 31,2%.
Хааччахтар
Бу OpenAI бэйэтин моделлэрин бэйэтин сыанабыла; компания бэйэтин линейкатын эрэ тэҥнээбит, тус-туспа толору хаттааһын манна биллэриллибэтэх. OpenAI этэринэн үрдүк баал «өссө моделлэр лабораторияҕа итэҕэллээхтик быһаарар кыахтаахтарын билэрбэт», контролга, колония ааҕыытыгар (биир чашкаҕа үрдэтэн ааҕыы 12% кэриҥэ) уонна экспериментальнай контекстка сыыһалар хаалаллар. Бенчмарк күннээҕи аналиһы кээмэйдиир, автономнай лабораторнай үлэни эбэтэр клиническай быһаарыыны буолбатах.