OpenAI发布BioBasicsBench：GPT-6 Astra在100项湿实验室任务中拿到66.7%，仍会算错菌落

2026年11月6日，OpenAI联合酶设计公司Ligo正式发布BioBasicsBench——一个覆盖100项湿实验室日常任务的AI评测基准。七个模型参与测试，GPT-6 Astra在最高推理设定（xhigh）下获得66.7%的平均部分得分，是所有参测模型中最高的，而得分最低的GPT-5.2仅为31.2%，差距超过一倍。这是目前公开发布的规模最大、来源最接近真实实验室环境的生物科学AI评测之一。

这份基准的核心设计取向，与主流的学术型科学基准形成了鲜明对比。多数现有生物学评测依赖经过整理的论文附图、教科书插图或已知答案的选择题，而BioBasicsBench使用的是实验室科学家从自己实验中产生的原始证据：凝胶和印迹图像、培养板照片、显微镜堆叠图像、测序读取结果、酶标仪导出文件，以及实际台面操作的视频片段。

五个领域，三轮审核，19道"无法判断"题

BioBasicsBench将100项任务分布在五个领域：蛋白质方法（25题）、成像与细胞计量（23题）、定量与检测（19题）、核酸方法（17题）、分子克隆（16题）。每道题由Ligo的科学家根据自己的实验数据设计，配备专家撰写的评分细则，并依次经过三轮审核：一名未参与题目创作的Ligo内部科学家初审，一名实验室在职湿实验PhD外审，最后再经内部终审。根据kingy.ai的分析，OpenAI报告的模型得分尚未经过外部第三方独立复现。

评分采用部分得分制——答对结论但量化数字有误，与结论和数字都答错，拿到的分不同。此外，100题中有19题专门测试模型能否识别"证据不足以作出判断"的情形。

七个模型的分层结果

在xhigh推理设定下，七个模型的平均部分得分如下（来源：OpenAI，2026年11月6日）：

• GPT-6 Astra：66.7%（95%置信区间 60.3–73.1%），每任务输出4,704个token
• GPT-6.1 Sol：62.0%（55.6–68.4%），每任务5,238个token
• GPT-5.6 Sol：43.8%（37.6–50.0%），每任务9,099个token
• GPT-6 Luna：38.3%（32.3–44.5%），每任务13,120个token
• GPT-5.5：35.4%（29.7–41.0%），每任务11,135个token
• GPT-5.4：33.2%（28.3–38.4%），每任务13,717个token
• GPT-5.2：31.2%（26.2–36.3%），每任务27,620个token

从GPT-5.6 Sol的43.8%到GPT-6 Astra的66.7%，提升幅度约23个百分点，是整个测试序列中最大的单次跨代跃升，而GPT-5系列内部从GPT-5.2到GPT-5.6 Sol的提升也仅约12个百分点。这说明GPT-6架构对图像推理能力有结构性提升，而不只是参数量的线性扩展。

GPT-6 Astra每任务输出4,704个token，而GPT-5.4和GPT-5.2分别消耗13,717和27,620个token——后者是前者的将近六倍，但得分仅为33.2%和31.2%。据cellcog.ai的分析，OpenAI将GPT-6 Astra的token效率归因于其更强的原生图像读取能力：模型能直接从图像中提取信息，而无需大量文字推导来填补视觉理解的缺口。

GPT-6 Astra在哪里做对了，又在哪里出错

cellcog.ai的分析呈现了OpenAI在发布报告中披露的具体案例。在成功侧，GPT-6 Astra识别出了一个被标注为错误抗生素的对照培养板，并发现了Sol将重叠荧光通道误判为死细胞的错误。

但在同一批测试中，GPT-6 Astra在克隆凝胶任务里挑选了错误的菌落，并将一个培养板的菌落数量多计了约12%。

OpenAI在发布报告中明确写道："更高的基准分数目前还不意味着模型能在实验室中做出可靠的判断。"

谁需要这份基准，它填补了什么空缺

对生命科学企业的采购和研发团队来说，BioBasicsBench提供了一个此前不存在的参照系。在此之前，AI供应商向实验室用户展示的通常是大模型能力的通用基准（如MMLU生物学子集、GPQA等），而这些基准的评测场景与真实实验室操作的距离相当远。

对AI研发团队来说，这份基准揭示了一个具体的技术方向：在湿实验室任务中，token效率和图像推理能力的关联比模型参数量更能预测实际表现。GPT-5系列中，GPT-5.2用了GPT-6 Astra近六倍的token却只拿到后者不到一半的分数。

对竞争格局而言，这份基准的发布相当于OpenAI在生命科学AI赛道上设置了一个对话坐标。Google DeepMind的AlphaFold系列在蛋白质结构预测上的领先地位广为人知，但蛋白质结构预测是一个相对封闭、输入输出格式高度标准化的任务；而BioBasicsBench测量的是实验室日常操作中非结构化证据的解读能力。目前公开数据中没有Google、Anthropic或其他主要AI公司在BioBasicsBench上的测试结果。

开发者和企业用户的可执行结论

对计划在实验室流程中引入AI代理的团队，这份基准提供了几个具体的操作起点：首先，BioBasicsBench包含19道"证据不足"识别题，这类能力直接对应实际部署中最需要防范的场景。在选型测试中优先用这类任务考察候选模型，比总分更有价值。其次，不同任务领域的得分分布目前未被完整披露（总分和置信区间已知，但分领域细目尚未公开）；在采购决策中，应要求供应商提供与自身业务领域（如成像、核酸）对应的分项分数，而非只看平均分。第三，token消耗数据在BioBasicsBench中是公开的，高token消耗往往指向模型在视觉理解上的不足。