OpenAI推出BioBasicsBench，用日常湿实验数据测试AI智能体

OpenAI于2026年11月6日发布BioBasicsBench。该基准与专注酶设计的生物技术公司Ligo共同开发，用于衡量AI智能体如何解读日常湿实验中的原始实验数据——包括失败实验、含糊图像和相互矛盾的观察。

基准测什么

全套共100项任务，覆盖五个领域：蛋白质方法、成像与细胞术、定量与测定、核酸方法以及分子克隆。输入包括凝胶与印迹（31项）、方案与笔记（27项）、表格与仪器导出（20项）、实验台照片（18项）、显微成像（14项）、仪器屏幕与曲线（13项）、测序文件（12项）、操作视频（7项）和琼脂平板（7项）；类别有重叠。科学家用自己的实验数据编写任务并配上专家评分细则；每项任务经过未参与编写的Ligo科学家内部审阅、外部博士级湿实验科学家审阅，以及最终内部审阅。

OpenAI评估了其七个模型在37种模型与推理力度组合下的表现，每项任务五次尝试，共计18,500条结果。在xhigh推理设置下，GPT-6 Astra平均获得可用分数的66.7%（95%置信区间60.3–73.1%，每项任务约4,704个输出token），GPT-5.6 Sol为43.8%（95%置信区间37.6–50.0%，约9,099个token）。其他xhigh得分包括：GPT-6.1 Sol 62.0%、GPT-6 Luna 38.3%、GPT-5.5 35.4%、GPT-5.4 **33.2%**和GPT-5.2 31.2%。

限制

上述为OpenAI对其自有模型的自评；公司只比较了自家产品线，此处未见独立复现报道。OpenAI表示，更高分数“并不意味着模型已能在实验室中做出可靠判断”，并指出在对照、菌落计数（某平板约**12%**高估）和实验语境方面仍有错误。该基准衡量的是常规分析，而非自主实验操作或临床决策。