OpenAI考自家模型读实验数据，最高66.7分，数菌落仍会数多

论文里的实验图都是挑过的：条带齐整，菌落分明，一眼就能看出结果。可真到了实验台上，胶图发糊，菌落挤成一团，对照组还可能没按预期走。

那让 AI 来读这些东西，它读得准吗？

2026年11月6日，OpenAI 发布了 BioBasicsBench，这是它和专做酶设计的生物技术公司 Ligo 一起做的基准，一共 100 个任务，全是湿实验室里的日常分析。我们 AI主线 的看法是：BioBasicsBench 值钱的地方不在榜单上那个分数，而在它把“读原始数据、查对照、看出数据撑不起某个说法”这些实验台上的基本功，变成了一件可以打分的事。

这回考的不是背书，是看胶图和数菌落

100 个任务覆盖五块日常活儿：蛋白方法、成像与细胞术、定量与检测、核酸方法、分子克隆。材料是凝胶照片、菌落平板、显微图像和仪器读数这类原始证据，不是论文里修过的图。

难度跨度不小。简单的像在胶图上读出一段 DNA 的分子量，复杂的要做完整的检测分析。OpenAI 的说法是，这些都是实验员应该稳稳做好的活儿。

打个比方：这就像把一板培养皿递给新来的实习生，问他数数有几个菌落，哪几个该挑出来去验证。考的不是他背没背过教科书，而是他看到的东西和下的判断对不对得上。

评分用的是“平均得分”，OpenAI 的定义是每道题得分占可得分数的百分比。答对一部分也给分，所以别把它当成“做对了多少道题”。

66.7 分，到底算高还是算低

OpenAI 一共测了七个自家模型，从 GPT-5.2 一路到 GPT-6 Astra，每个模型配多种推理强度，每道题每种设置跑五次。推理强度拉到 xhigh 这一档，也就是让模型多想一会儿的设置，GPT-6 Astra 平均拿到 66.7%，GPT-5.6 Sol 是 43.8%。

差了二十多个百分点，看着像跨了一代。先别急。

同一档里，GPT-6.1 Sol 是 62.0%。Astra 的 95% 置信区间是 60.3% 到 73.1%，按 OpenAI 表里的数字，6.1 Sol 的区间是 55.6% 到 68.4%。两段区间重叠了一大块，所以这张表只能看出 Astra 分数略高，看不出它稳赢。真正拉开距离的，是 5.6 Sol 和这一批 6 系列模型之间。

还有一点要提醒：66.7% 是平均拿到了三分之二的可得分，不等于 100 道题里对了 67 道。

最有看头的，是 OpenAI 自己晒的翻车现场

这篇文章里我最服的一点，是 OpenAI 没光晒分，还专门列了 Astra 的失败案例。

数菌落那道题，Astra 标出来的点和真实菌落对不上：挨得近的分不开，看得见的漏掉，空琼脂上还画了点。最后的净结果，是比基准参考多数了约 12%。

12% 听着不多？可菌落数往往要拿去算转化效率，错一成，后面的算式全跟着歪。

另一个例子在分子克隆里。按 OpenAI 的描述，Astra 能看出条带分成了几组，却把各组对应的实验身份判错，样本就选偏了。这种错最麻烦：不是看不懂，而是看懂一半，还很笃定。

OpenAI 自己也把话说在前头：模型在读图、查对照、结合实验背景这几件事上，还有不小的提升空间。

这把尺子怎么用，别硬拿去跟别家比

先把它放进 OpenAI 的路线里看。6月17日它发过 LifeSciBench，750 道专家写的题，覆盖七类研究流程、七个生物学领域，量的是广度。这次的 BioBasicsBench 往下沉了一层，只盯实验台边上最日常的读数据。一个管上层判断，一个管底层基本功，拼起来就是 OpenAI 的生命科学自家考卷。

要小心的是，表里只有它自家七个模型，没有别家的，也没有人类科学家做对照。所以这个分数能回答“OpenAI 的模型一代比一代强多少”，回答不了“跟 Claude、Gemini 比怎么样”。

Benchling 在8月13日也发过一个基准 BenchBench-Protocol，测的是模型会不会改实验方案。按它的说法，Opus 5 拿了 59.2%，GPT 5.6 是 47.1%，Kimi K3 是 45.7%。那边考改方案，这边考读数据，题型和评分方式都不一样，59.2 和 66.7 放在一块比，没有意义。

对做 Agent 的开发者，我觉得值得抄作业的是思路，不是分数：拿带瑕疵的原始证据出题，对“数据撑不住就该说撑不住”这种克制给分。对实验室团队，眼下它更像个能帮忙初筛读图的助手，离放手让它盯整个实验还差得远。

接下来我盯两件事：有没有第三方拿同一批任务去跑别家的模型，还有 OpenAI 下一代模型在“看对照”这类题上能不能补上。AI主线 更在意的是看错的那几类会不会变少，分数涨几点倒是次要的。