OpenAI 推出溼實驗基準 BioBasicsBench：GPT-6 Astra 跑出 66.7% 得分

很多人以為生物實驗室裡的 AI 應該天天琢磨怎麼設計全新蛋白質或者攻克癌症。但真正的溼實驗日常，往往是盯著模糊的跑膠圖、在顯微鏡下找細胞，或者在培養皿裡一個一個數菌落。

實驗做不出來、影像充滿噪點、對照組莫名其妙失敗，才是生物科研人員的大多數時間花銷。OpenAI 最近聯合酶設計生物公司 Ligo，推出了一個名為 BioBasicsBench 的評測基準，專門測一測 AI 智慧體能不能應付這些日常溼實驗裡的髒活累活。

拿真實的「實驗翻車現場」考模型

以往很多生物基準，用的都是論文裡精挑細選、修飾乾淨的圖表。但 BioBasicsBench 完全反其道而行之，直接上科學家自己做實驗留下的原始資料。

基準包含 100 項日常溼實驗任務，涵蓋蛋白質方法、成像與細胞計數、定量與分析、核酸方法、分子克隆五大領域。輸入給模型的不是現成的整理文件，而是真實的凝膠電泳圖、顯微鏡切片、測序讀段、孔板讀數儀原始輸出，甚至還有實驗臺操作影片。

每道題目都由科研人員配上了打分細則，並經過 Ligo 內部科學家與一線溼實驗博士的交叉稽核。測試要求模型不僅要給出結論，還要給出推理過程，甚至在資料不充分時主動承認「證據不足以支援結論」。

OpenAI 用 7 款模型做了橫向對比，從 GPT-5.2、GPT-5.4 一路測到 GPT-6 Astra，覆蓋 37 種推理力度設定，總共跑了 18500 次測試。在最高推理設定 xhigh 下，GPT-6 Astra 拿到 66.7% 的分數，遠高於上一代 GPT-5.6 Sol 的 43.8%。

看懂了微小細節，卻依然容易犯低階錯誤

從測試結果來看，GPT-6 Astra 在原生多模態上的進步非常明顯，尤其體現在不再那麼容易過度解讀資料上。

比如在死細胞檢測任務中，GPT-5.6 Sol 看到染色訊號變亮就斷定細胞已死，但 Astra 能看出檢測通道混入了另一種染料的訊號，明確指出僅憑亮度不夠，要求增加對照。在一次克隆實驗裡，Astra 還眼尖地發現負對照平板貼錯了抗生素標籤，直接否定了這組對照的參考價值；看到顯微鏡序列圖時，它也能認出這是焦深變化的 z-stack，而不是細胞憑空消失。

但分數高並不代表它可以直接進實驗室當值班員。在一些需要紮實驗證的環節上，Astra 依然會栽跟頭。

在一次菌落 PCR 分析中，Astra 能區分出條帶，但被「產物分子量越大往往代表克隆成功」這個先驗假設帶偏，直接挑錯了陽性克隆；在液泡對比度判斷上，它會忽視對焦深度對明暗的影響；在菌落計數時，它把培養基的空斑當成菌落，密集的鄰近菌落又分辨不清，最終把菌落數多算了大概 12%。

為什麼重要

我們認為，BioBasicsBench 的聰明之處，在於它打破了 AI 在生物領域那種高大上的幻覺，把評測錨定在了最耗費實驗員精力的日常排錯上。

對一線科研人員來說，最頭疼的不是去網上查已知知識，而是一上午實驗做完，看著手頭一堆充滿噪點的膠圖和顯微照片，想不通到底是哪個對照試劑放過期了。如果 AI 能幫著審閱原始實驗記錄、提前挑出標籤貼錯或染料干擾的問題，能省下大把重複跑實驗的時間。

但現階段，我們不建議任何人讓模型全自動指導實驗流程。菌落多算 12%，會直接導致轉染效率估算偏離；挑錯一條克隆條帶，後續幾週的質粒純化和表達就全白乾了。當模型帶著某種看似合理的假設去強行解釋資料時，它的說服力往往會掩蓋實驗本身的錯誤。

對整個行業而言，這說明前沿模型的比拼正在從純文本的文獻理解，轉向高難度的跨模態實驗推斷。光有生物知識庫已經不夠用了，模型必須學會像真正的實驗員一樣，對異常的噪點保持懷疑，而不是自作聰明地下結論。