OpenAI 发布 BioBasicsBench：与 Ligo 合作的 100 道湿实验日常分析榜，厂商口径 GPT-6 Astra xhigh 约 66.7%

核心背景与行业痛点

湿实验室日常充斥失败实验、模糊影像与矛盾观测；现有生物评测多取材论文精选图，难覆盖「读原图、查对照、判断证据不足」。2026-11-06，OpenAI 联手酶设计公司 Ligo 发布 BioBasicsBench：100 道真实实验常规任务，测 AI Agent 解读原始数据、识别错误，并在证据撑不住时拒下结论。

架构亮点与底层机制

任务覆盖蛋白方法、成像与流式、定量测定、核酸方法、分子克隆。输入保留凝胶/印迹、板图、显微栈、测序 FASTQ、读板导出与操作视频，并附 ladder/质粒参考表。每题配专家量规，经 Ligo 互审、外部湿实验博士审阅与终审；Agent 返回结构化答案并按量规分项计分。

权威 Benchmark 与实测跑分对比

以下均为 OpenAI 官方口径（xhigh，100 题×5 次），非本站复现。GPT-6 Astra 均分约 66.7%（95% CI 60.3–73.1%）；GPT-6.1 Sol 约 62.0%；GPT-5.6 Sol 约 43.8%。官方称 Astra 低推理档也明显优于 GPT-5.6 Sol，但仍易在对照标签、假设盖过证据、菌落计数处出错。

开发者实战落地与开箱指南

先读官方博文核对表格与失败案例。生命科学 Agent 应把「读错凝胶 / 忽略对照 / 过度解读」写入回归；校验抗生素标签与检测通道串扰。本评测追踪日常分析与生物安全相关能力，不宣称可无人值守出结果，生产仍需人类复核。