bingdadaBioBasicsBench 是 OpenAI 与 Ligo 合作推出的评测基准，用 100 项常规湿实验任务衡量 AI 智能体解读原始实验数据、识别错误和判断证据充分性的能力。在 xhigh 设置下，GPT‑6 Astra 平均获得 66.7% 的可用分数，高于 GPT‑5.6 Sol 的 43.8%，但图像解读与对照核查仍有提升空间。
在生物实验室里，真正消耗科研人员精力的往往不是高深的假设，而是一张模糊的凝胶电泳图、一块菌落形态异常的培养板，或者一组对照不成立的酶标仪读数。这些日常实验证据充满噪声、失败与矛盾——而现有的大多数评测基准，取材于论文中经过挑选的图表，恰恰过滤掉了这种混乱。
OpenAI News 近期披露的一项工作，正是试图补上这块空白：他们与专注酶设计的生物技术公司 Ligo 合作，推出了 BioBasicsBench，用 100 项常规湿实验任务，衡量 AI 智能体解读原始实验数据、识别错误、并判断“证据是否足以支撑结论”的能力。
这一思路的价值在于，它把评测从“知识问答”拉回到了“实验现场”。误读一张图，或忽略用于验证结果的对照设置问题，都可能让科学家得出错误结论，把时间浪费在无法回答原问题的实验上。
该基准的 100 项任务分布在蛋白质方法、成像与流式细胞术、定量与测定、核酸方法、分子克隆五个方向。任务难度跨度很大：既有“读出凝胶中 DNA 样品的分子量”这类简单请求，也有需要综合判断的详细测定分析。共同点是，这些都属于湿实验科学家应当可靠完成的日常工作。
与常见基准使用整理好的图表不同，BioBasicsBench 的输入保留了科学家实际面对的证据形式：凝胶与印迹图像、培养板照片、显微图像堆栈、测序读段、酶标仪导出文件，甚至包括实验台操作视频。一个任务可能同时包含多种数据类型，并辅以梯度图、质粒图谱等参考材料。
从数据构成看，凝胶与印迹类任务最多（31 项），其次是方案与记录（27 项）、表格与仪器导出（20 项）、实验台与试剂照片（18 项）、显微图像（14 项）、仪器屏幕与曲线（13 项）、测序文件（12 项）、方案视频（7 项）以及琼脂板与菌落（7 项）。这些类别存在重叠，参考材料则作为辅助信息存在。
智能体需要返回结构化答案，包含所要求的结论、测量值或建议，并在必要时给出推理过程。评分依据专家撰写的评分细则逐条给分，因此可以区分“结论正确”与“分析部分正确”。多数任务同时考察多项技能：生物学知识、图像与数据解读、错误检测、方案理解。
任务由科学家基于自身实验数据设计，每题配专家评分标准，并经过三重审核：未参与出题的 Ligo 科学家内部评审、一位在职湿实验博士级科学家的外部评审，以及最终内部复核。
研究团队在 BioBasicsBench 上评测了七款模型：GPT‑5.2、GPT‑5.4、GPT‑5.5、GPT‑5.6 Sol、GPT‑6.1 Sol、GPT‑6 Luna 与 GPT‑6 Astra。评测覆盖 37 种模型与推理强度组合，每种组合在 100 项任务上各尝试 5 次，累计产生 18,500 条结果。
在允许每个任务更多推理的“xhigh”设置下，GPT‑6 Astra 平均获得可用分数的 66.7%，而 GPT‑5.6 Sol 为 43.8%。这一差距说明常规实验分析能力确实在进步，但图像解读、对照核查与实验背景应用仍有明显提升空间。
值得注意的是，这类基准的权威性依赖于任务设计与评审流程的透明性。对关注评测方法论的读者，可参考 Nature 对 AI 基准缺陷的讨论 以及 arXiv 上关于科学智能体评测的综述，理解“基准分数”与“真实可用性”之间的距离。
在海外厂商聚焦通用智能体科研能力评测的同时，国内团队更倾向于把大模型直接嵌入具体实验流程。例如，百度文心、阿里通义千问等平台已推出面向科研的智能体框架，强调与实验室信息管理系统、电子实验记录本的对接；DeepSeek 则以开源推理模型降低了本地化部署门槛，使实验室可在内网处理敏感数据。
差异在于侧重点：BioBasicsBench 这类基准试图建立可比较的“能力刻度”，而国内产品更多解决“能不能用起来”的工程问题。两者并不冲突——前者提供方向标，后者提供落地路径。对国内实验室而言，真正值得关注的是：当智能体开始参与判读凝胶与菌落图像时，数据合规、结果可追溯与人工复核机制是否同步到位。
BioBasicsBench 是由 OpenAI 与生物技术公司 Ligo 合作开发的评测基准，包含 100 项常规湿实验任务，用于衡量 AI 智能体解读原始实验数据、识别错误以及判断证据充分性的能力。
普通基准多取材于论文中经过筛选的图表，而 BioBasicsBench 使用凝胶图、培养板照片、显微图像、测序文件等原始证据，保留了真实实验中常见的失败、模糊与矛盾信息。
在“xhigh”推理设置下，GPT‑6 Astra 平均获得可用分数的 66.7%，高于 GPT‑5.6 Sol 的 43.8%，显示常规实验分析能力在提升，但图像解读与对照核查仍是短板。
不是。评分依据专家撰写的细则逐条给分，可区分结论正确与分析部分正确，多数任务同时考察生物学知识、数据解读、错误检测和方案理解等多项技能。
Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。
编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com
© 2026 Bingdada. 保留所有权利。
SEO & GEO 技术探索者，专注于搜索引擎优化和生成式引擎优化。
OpenAI 与安全团队 Hacktron 建立合作，聚焦第三方服务交互处的漏洞挖掘，并通过 Daybreak Red 扩大前沿模型访问权限。本文从攻防视角拆解这一合作背后的安全逻辑，并对照国内安全智能体的进展。
GPT-6 Cyber 将网络安全智能体的竞争从「能否发现漏洞」推进到「能否在授权边界内行动」。本文解析其能力跃迁、对齐机制与 Daybreak 产品分层，并对比国内安全智能体的差异化路径。
OpenAI 为应对 Codex 带来的并发洪流，自研 Git 后端 Pando，在不改变工作流的前提下将推送延迟降低近 5 倍，日均交付近 1 PB 数据。
최신 SEO·GEO 정보를 받아보세요.
개인정보를 존중합니다. 언제든 구독을 취소할 수 있습니다.
