要点
- BioBasicsBench：100 题，覆盖蛋白方法、成像/流式、定量与测定、核酸方法、分子克隆；与 Ligo 用科学家自有实验数据共建。
- 输入保留脏现场：凝胶/印迹（31）、方案与笔记（27）、表格/导出（20）、台面照片（18）、显微（14）、仪器屏（13）、测序（12）、操作视频（7）、琼脂平板（7）。
- 评测：7 个模型、37 档设置、每题 5 次共 18,500 条结果；报告平均得分与按整题重采样的 95% 置信区间。
- xhigh：Astra 66.7%（60.3–73.1），GPT-6.1 Sol 62.0%，GPT-5.6 Sol 43.8%；Astra 在多模态细节与歧义识别上更好，仍会在菌落计数（一例约高估 12%）与假设—对照冲突上失手。
- OpenAI 把它写成科学智能体的日常可靠性目标，也写成生物安全/生物安保的跟踪面。
2026 年 11 月 6 日，OpenAI 与生物技术公司 Ligo 发布 BioBasicsBench：一百道日常湿实验分析题，材料是原始实验证据，而不是论文里挑过的图。软叙事是「AI 帮科学家」。更硬的句子更窄。一个注意不到对照平板抗生素标签写错、或把菌落多数约 12% 的模型，即便平均得分 66.7%，也还不是可信的实验搭档。 若后续版本在同一细则上修好对照核对与「证据不足」拒答，且没有把题变成套路匹配，主张成立。若总分上涨而这类失败仍在，基准就只是另一张漂亮图。
[1]实际发布了什么
题目覆盖五类日常湿实验。科学家用自有数据写提问与专家评分细则。每题经非命题 Ligo 科学家内审、外部在职博士湿实验审阅，再做终审。智能体交结构化答案；按细则分项给分，可把「结论对、推理弱」与「部分分析」拆开。
证据形态本身就是主张的一部分。凝胶与印迹最多。方案笔记、仪器 CSV、流式 FCS、显微栈、FASTQ 与短操作视频并列。分子量标准与质粒图谱等参考页是辅助材料。设计目标是论文配图删掉的那些含糊：失败实验、染料通道重叠、贴错标签的平板。
[1]台面上的证据
OpenAI 称 GPT-6 Astra 即使在低推理力度下也明显优于 GPT-5.6 Sol；xhigh 上 Astra 平均得分 66.7%，Sol 43.8%，公布表中的 95% 区间不重叠。Token 成本也变了：Astra 每题约 4,700 输出 token，Sol 约 9,100。
比排行榜更有信息量的是失败案例。多通道细胞术里，Sol 把死细胞染料亮度当成定论，而检测窗与另一染料重叠；Astra 指出歧义并要求更好对照。克隆平板照片里，Sol 相信空的阴性对照；Astra 读到皿缘「LB Kan50」，发现实验用的是氨苄而不是卡那，否定该对照。显微深度扫描视频里，Sol 找细胞「消失」的生物学解释；Astra 把它认成 z-stack。
同文也展示 Astra 仍会失手：菌落 PCR 条带分组对了，却相对对照把「目标构建」组别弄反；在同一视野里见过更亮的液泡后，仍概括「液泡一般更暗」；在一块平板上合并相邻菌落、漏标可见菌落、把空白琼脂标成菌落，相对参考约高 12%。
[1]钢人与缺口
钢人。 OpenAI 在给决定科学家会不会白忙一周的「无聊活」打分。分项细则加原始输入，比看论文配图更严。公开残留失败，更像实验手记而不是发布预告。与 Ligo 合作，让做酶设计的一线科学家进入命题。
缺口仍在。这是公司评自家模型；文中没有独立实验室记分板。题目来自单一合作方语料。「平均得分」摊平细则碎片；模型可以看起来能干，却在一次对照漏读上不安全。生物安全含义被点名，但未量化。公开材料也未细说是否排除了对相似凝胶外观的污染或过拟合。
[1]谁该在意，下一步看什么
考虑让智能体做凝胶初读的湿实验组，应把对照核对率与「证据不足」拒答率当录用标准，而不是总分。基准作者应少只靠论文配图。安全与生物安保审阅者多了一个具体面：会传导成错误下一实验的日常误读。
未来六个月看三件可观察事：独立组能否用公布细则重跑或扩展 BioBasicsBench；OpenAI 或对手是否公布对照类错误率而不只平均分；菌落计数与「假设压过对照」类失败是否在题目不被悄悄撤掉的前提下下降。
[1]收束
BioBasicsBench 耐看的主张，不是 GPT-6 Astra 已可无人值守上实验台，而是：日常湿实验可靠性已是可度量的产品要求，而今天公布的最佳分数仍留下会送错质粒、或抬高转化效率估计的失败。 六个月后，要么对照敏感指标公开移动，要么这张 66.7% 的图只会老成又一张能力明信片。
[1]