实验室里的AI，不能只会背课本答案。比如看一张凝胶图，它不仅要读出结果，还得检查对照是否可靠，并判断证据够不够支撑结论。OpenAI于11月6日发布BioBasicsBench——一套统一任务和评分规则，与酶设计公司Ligo合作，用100项日常湿实验分析任务检验AI Agent处理真实实验材料的能力。
任务来自科学家自己的实验数据，覆盖蛋白质、成像与流式细胞术、核酸及分子克隆等五个领域，材料包括显微图像、测序文件和仪器输出。每题还经过非出题科学家、外部在职湿实验博士级科学家及内部复核。OpenAI评测了7个模型、37种模型与推理强度组合，共得到18,500个结果。在共同报告的最高推理强度下，GPT-6 Astra平均取得66.7%的可用分数，GPT-5.6 Sol为43.8%。不过OpenAI也承认，模型在图像解读、对照检查和实验语境运用上仍有明显提升空间。它的价值不在于证明AI已经能做实验，而是把科学AI的考场，从干净的教科书题目推向含噪、可能矛盾的实验现场。