OpenAI 推出湿实验基准 BioBasicsBench：GPT-6 Astra 跑出 66.7% 得分

很多人以为生物实验室里的 AI 应该天天琢磨怎么设计全新蛋白质或者攻克癌症。但真正的湿实验日常，往往是盯着模糊的跑胶图、在显微镜下找细胞，或者在培养皿里一个一个数菌落。

实验做不出来、图像充满噪点、对照组莫名其妙失败，才是生物科研人员的大多数时间花销。OpenAI 最近联合酶设计生物公司 Ligo，推出了一个名为 BioBasicsBench 的评测基准，专门测一测 AI 智能体能不能应付这些日常湿实验里的脏活累活。

拿真实的「实验翻车现场」考模型

以往很多生物基准，用的都是论文里精挑细选、修饰干净的图表。但 BioBasicsBench 完全反其道而行之，直接上科学家自己做实验留下的原始数据。

基准包含 100 项日常湿实验任务，涵盖蛋白质方法、成像与细胞计数、定量与分析、核酸方法、分子克隆五大领域。输入给模型的不是现成的整理文档，而是真实的凝胶电泳图、显微镜切片、测序读段、孔板读数仪原始输出，甚至还有实验台操作视频。

每道题目都由科研人员配上了打分细则，并经过 Ligo 内部科学家与一线湿实验博士的交叉审核。测试要求模型不仅要给出结论，还要给出推理过程，甚至在数据不充分时主动承认「证据不足以支持结论」。

OpenAI 用 7 款模型做了横向对比，从 GPT-5.2、GPT-5.4 一路测到 GPT-6 Astra，覆盖 37 种推理力度设置，总共跑了 18500 次测试。在最高推理设置 xhigh 下，GPT-6 Astra 拿到 66.7% 的分数，远高于上一代 GPT-5.6 Sol 的 43.8%。

看懂了微小细节，却依然容易犯低级错误

从测试结果来看，GPT-6 Astra 在原生多模态上的进步非常明显，尤其体现在不再那么容易过度解读数据上。

比如在死细胞检测任务中，GPT-5.6 Sol 看到染色信号变亮就断定细胞已死，但 Astra 能看出检测通道混入了另一种染料的信号，明确指出仅凭亮度不够，要求增加对照。在一次克隆实验里，Astra 还眼尖地发现负对照平板贴错了抗生素标签，直接否定了这组对照的参考价值；看到显微镜序列图时，它也能认出这是焦深变化的 z-stack，而不是细胞凭空消失。

但分数高并不代表它可以直接进实验室当值班员。在一些需要扎实验证的环节上，Astra 依然会栽跟头。

在一次菌落 PCR 分析中，Astra 能区分出条带，但被「产物分子量越大往往代表克隆成功」这个先验假设带偏，直接挑错了阳性克隆；在液泡对比度判断上，它会忽视对焦深度对明暗的影响；在菌落计数时，它把培养基的空斑当成菌落，密集的邻近菌落又分辨不清，最终把菌落数多算了大概 12%。

为什么重要

我们认为，BioBasicsBench 的聪明之处，在于它打破了 AI 在生物领域那种高大上的幻觉，把评测锚定在了最耗费实验员精力的日常排错上。

对一线科研人员来说，最头疼的不是去网上查已知知识，而是一上午实验做完，看着手头一堆充满噪点的胶图和显微照片，想不通到底是哪个对照试剂放过期了。如果 AI 能帮着审阅原始实验记录、提前挑出标签贴错或染料干扰的问题，能省下大把重复跑实验的时间。

但现阶段，我们不建议任何人让模型全自动指导实验流程。菌落多算 12%，会直接导致转染效率估算偏离；挑错一条克隆条带，后续几周的质粒纯化和表达就全白干了。当模型带着某种看似合理的假设去强行解释数据时，它的说服力往往会掩盖实验本身的错误。

对整个行业而言，这说明前沿模型的比拼正在从纯文本的文献理解，转向高难度的跨模态实验推断。光有生物知识库已经不够用了，模型必须学会像真正的实验员一样，对异常的噪点保持怀疑，而不是自作聪明地下结论。