OpenAI 发布 BioBasicsBench：与 Ligo 合作的 100 题湿实验智能体基准；xhigh 下 GPT-6 Astra 66.7%、GPT-5.6 Sol 43.8%

这件事意味着什么

【要点】

OpenAI 于 2026-11-06 发布 BioBasicsBench：与酶设计公司 Ligo 合作的湿实验智能体基准，用 100 道日常实验台任务测模型能否解读原始实验数据、发现错误，并在证据不够时拒绝下结论——而不是只读论文精选图。

一

• 任务覆盖蛋白方法、成像与流式、定量与检测、核酸方法、分子克隆
• 输入保留凝胶/印迹、菌落平板、显微镜 z-stack、测序文件、仪器屏幕与协议视频等「脏」证据。
• 任务由科学家用自有实验数据编写，经 Ligo 内审、外部湿实验 PhD 与最终内审，按细则给分。

二官方 xhigh 结果

• GPT-6 Astra 平均 66.7%（95% CI 60.3–73.1），GPT-5.6 Sol 43.8%
• 同表还有 GPT-6.1 Sol 62.0%、Luna 38.3% 等七模型、37 种设置、每任务五次共 18500 次。
• 文中称 Astra 更能识别通道串扰、错误抗生素标签的假对照与 z-stack，但仍会在菌落 PCR 解读、液泡概括与菌落计数上出错。

三动机

现有生物基准多围绕论文图表，易漏失败实验与歧义观察；误读对照会浪费后续实验，也牵涉生物安全判断。

【我们的判断】

一

• 它把目标从「读懂论文图」挪到「读懂台面原始证据」，与 LifeVal 分处同一能力轴两端：社会日常任务 vs 实验台多模态。
• 对进实验室工作流的智能体，这比再刷精选生物学问答更贴真实失败模式。

二

• 数字全是 OpenAI×Ligo 自测，高分仍伴对照误读；约 65% 说明「靠谱实验助手」还远。
• 横向看，它不同于 DeepMind 密码分析 agent（e/1093）或 OpenAI 自主漏洞流水线（e/1089）——那些是安全攻防，这里是生物证据判读与拒绝能力。

三

• 后续盯开放题目/非 OpenAI 成绩，以及是否并进生物安全评估。
• 在那之前，当作 OpenAI 自研湿实验进度尺，而非行业通用标准。

【可核验】

• 博文
• 官方 X

• 分数为 OpenAI 自报。
• 站内相关但不同：Google Research 湿实验 grounding 文
• OpenAI LifeVal（e/1082，日常任务评测，非湿实验原始数据）。