BioBasicsBench 社交封面：显微镜与培养皿
OpenAI BioBasicsBench 官方社交图（1600×900，已转 WebP）。, OpenAI

要点

  • 规模：100 题，五类日常湿实验（蛋白、成像与流式、定量与测定、核酸、分子克隆）；输入含凝胶、平板、显微、测序与仪器导出等原始证据。
  • 流程：Ligo 科学家用自有实验数据出题并写评分细则；经非作者内部审、外部湿实验博士审、再内部终审。
  • xhigh 结果：GPT-6 Astra 66.7%（60.3-73.1），GPT-5.6 Sol 43.8%（37.6-50.0）；七模型、37 个设置、每题五次，共 18,500 条结果。
  • 可证伪点是平均分、置信区间与文内失败案例；不是「agent 已能独立、安全地做湿实验」。

OpenAI 在 2026 年 11 月 6 日发布 BioBasicsBench，与专注酶设计的生物技术公司 Ligo 合作。基准问的是：面对凝胶、平板、显微与仪器导出这类日常原始证据，agent 能否读数、找错，并在证据不够时拒绝下结论。

xhigh 设置下，GPT-6 Astra 平均拿到 66.7% 可用分，GPT-5.6 Sol 为 43.8%。博文同时公开 Astra 仍会让熟悉假设压过对照、漏计或错计菌落。检验应落在这些分数与案例，而不是落在「AI 已经能安全值守湿实验台」。

[1]

硬事实（https://openai.com/index/measuring-how-ai-agents-handle-wet-lab-science/；Published November 6, 2026；经公开镜像与转载交叉核对，访问于上海时区当日）：

  • 合作方：Ligo（酶设计方向生物技术公司）。
  • 任务：100 道；五域为 protein methods、imaging and cytometry、quantification and assays、nucleic acid methods、molecular cloning。
  • 数据形态（可重叠）：gels & blots 31、protocols/notes/specs 27、tables & instrument exports 20、bench/apparatus/reagent photos 18、microscopy 14、instrument screens & plots 13、sequencing files 12、protocol videos 7、agar plates & colonies 7、reference sheets 21。
  • 出题与审阅：科学家用自有实验数据出题并写专家评分细则；经未参与出题的 Ligo 科学家内部审、外部湿实验博士审、再内部终审。
  • 评分：按细则逐条给分，区分结论正确与分析部分正确；多数题同时测生物学知识、图像/数据解读、错误检测与协议理解。
  • 评测规模：七模型（GPT-5.2、5.4、5.5、5.6 Sol、6.1 Sol、6 Luna、6 Astra）；37 个模型与推理强度组合；每题五次尝试；共 18,500 条结果。报告 mean reward（可用分百分比），误差条为按整题重采样的 95% CI。
  • xhigh 表：Astra 66.7%（60.3-73.1，约 4704 output tokens/题）；6.1 Sol 62.0%；5.6 Sol 43.8%（37.6-50.0，约 9099 tokens）；Luna 38.3%；5.5 35.4%；5.4 33.2%；5.2 31.2%。
  • 改进例：Astra 识别染料通道重叠而不单靠亮度判死细胞；发现阴性对照平板抗生素标错；把显微序列认成 z-stack 而非细胞「消失」。
  • 失败例：菌落 PCR 上 Astra 选 4、6、7、8 道，参考答案为 5、9、10；液泡对比度以偏概全；菌落计数相对参考约多计 12%。
[1]

证据强度：官方基准说明，带模型表、置信区间与具体失败截图叙述。66.7% 对 43.8%、18,500 次尝试、三轮审阅流程都可以对照原文复核。失败案例写明参考车道与 Astra 车道，属于可核对的负例，不是口号式谦虚。

可检验路径：打开博文核对 xhigh 表与 CI；抽查 PCR 车道、液泡对比度与菌落计数三节是否仍写着同样的参考/模型分歧。若后续独立复现把 Astra 拉到接近满分且失败模式消失，再谈「日常湿实验读数已过关」；目前分数仍留出大约三分之一可用分缺口。

钢人：用原始、含歧义的实验证据出题，比只用论文精选图更接近实验室排错。细则逐条计分能分开「结论碰巧对」与「分析站得住」。

[1]

最强钢人：日常湿实验里失败实验、模糊图像与冲突观察是常态。BioBasicsBench 把「证据不够就该停」写进评分，比再堆一份漂亮图表问答更贴近真实风险：误读一张胶或忽略对照，会浪费后续实验。

钢人风险：任务与细则由合作公司与 OpenAI 流程生产，外部尚难独立重跑全套原始文件。领先分 66.7% 仍意味着大量细则未拿满；文内自己展示假设压过对照、计数误差等模式。基准测的是读数与判断，不是动手操作、试剂处理或完整生物安全流程。

「进步」指相对 GPT-5.6 Sol 的 mean reward 差距，不是宣称 agent 已可无人值守。

[1]

对实验室与生物安全关注者，未来六个月可观察的是：独立团队能否复现或扩展这 100 题；Astra 类模型在对照检查与计数上的失败率是否下降；OpenAI 是否把同类能力用于 biosafety / biosecurity 监测叙述并给出可核对指标。对读者，验收应是公开分数、CI 与失败案例，而不是「AI 科学家已经会做胶图」。

[1]

BioBasicsBench 的检验对象应是 xhigh 下 GPT-6 Astra 66.7%（60.3-73.1）对 GPT-5.6 Sol 43.8%（37.6-50.0）、100 题与 18,500 条结果的设定，以及文内仍存在的对照/计数失败；不是「agent 已能安全地独立做湿实验」。分数差距写清楚了，它是一次可核对的日常读数压力测试；把 66.7% 读成上岗许可，就离开了原文。

【No.2】

[1]