OpenAI 湿实验新基准：GPT-6 Astra 读实验数据进步多大

OpenAI 发布了一个新基准 BioBasicsBench，专门测 AI 智能体能不能看懂"湿实验室"里最日常的实验数据。湿实验指拿生物样本动手做的实验，比如跑胶、涂平板、看显微镜。

结果先说：在 xhigh 推理档位下，GPT-6 Astra 平均拿到 66.7%，GPT-5.6 Sol 只有 43.8%。进步明显，但离"放心交给它判断"还有距离，OpenAI 自己也列了它犯的错。

这个基准测的是什么

以往的科学评测大多用论文里精挑细选的图表，而真实实验会失败、照片会模糊、对照组本身也可能有问题。BioBasicsBench 测的正是这种"脏数据"下的判断力。

几个关键设定：

• 100 道题，和专注酶设计的生物技术公司 Ligo 一起开发，覆盖蛋白方法、成像与流式、定量与检测、核酸方法、分子克隆五个方向。
• 数据都是真实实验产出的：凝胶和印迹图像、平板照片、显微镜图像序列、测序原始文件、读板仪导出表，还有台面操作视频。
• 题目由科学家用自己的实验数据出，每题配专家写的评分细则，并经过 Ligo 内部、外部博士级湿实验科学家和最终内部三轮审核。
• 按细则给分，看结论、数值、推理过程，也看模型能否意识到"证据不够"。

最后一点很关键：科研常见的坑是过度解读，数据只能说明 A，却得出了 B。这个基准专门给"知道自己不知道"留了分。

成绩：七个模型、18500 次结果

OpenAI 测了七个模型：GPT-5.2、GPT-5.4、GPT-5.5、GPT-5.6 Sol、GPT-6.1 Sol、GPT-6 Luna、GPT-6 Astra，总共 37 种模型与推理档位组合，每题跑 5 次，合计 18500 个结果。

在 xhigh 档位下的平均得分：

• GPT-6 Astra：66.7%，每题平均输出约 4704 个 token
• GPT-6.1 Sol：62.0%，约 5238 个 token
• GPT-5.6 Sol：43.8%，约 9099 个 token
• GPT-6 Luna：38.3%，约 13120 个 token
• GPT-5.5：35.4%
• GPT-5.4：33.2%
• GPT-5.2：31.2%，每题要用约 27620 个 token

我觉得这组数字最值得看的不是排名，而是分数和 token 的反向关系：Astra 分最高，用的 token 却最少，只有 GPT-5.2 的六分之一左右。OpenAI 的解释是，Astra 即使在低推理档位也明显强于 GPT-5.6 Sol，更强的原生多模态能力可能是关键。换句话说，看图看得准，比靠长篇推理硬想更管用。

Astra 具体强在哪

OpenAI 举了三类例子，都挺有画面感：

一是知道数据能说明什么、不能说明什么。 一道用染料判断细胞死活的题里，检测通道和另一种染料的发光范围重叠。GPT-5.6 Sol 直接按亮度判定细胞死亡，Astra 指出信号分不开，建议加对照。

二是看图更细。 一道克隆题的阴性对照平板上没有菌落，GPT-5.6 Sol 据此下结论；Astra 注意到平板边缘标签写的抗生素和实验用的不一致，判定对照不可靠。

三是能记住实验背景。 一组显微镜图像里细胞时隐时现，GPT-5.6 Sol 去找生物学原因，Astra 认出这是不同深度连拍的 z-stack，只是焦平面变了。

它还会犯哪些错

OpenAI 也列出了 Astra 的几类失误：

• 让熟悉的假设压过对照证据：一道菌落 PCR 题里，它分组分对了，却默认"产物更大的就是克隆成功的"，结果选错了菌落，参考答案恰好相反。照它的选择做下去，会纯化出错误的质粒。
• 忽略和自己结论矛盾的数据：它明明检查到部分液泡看起来更亮，最终结论却只写"液泡更暗"。
• 数菌落数不准：漏掉相邻菌落、把空白处也标上，整体多数了约 12%。

这些错误很"像人"，所以更危险：推理看似完整、表述自信，结论却错了。

对普通用户和开发者意味着什么

大多数人不会用 ChatGPT 判读凝胶图，但这个基准透露的信息对日常使用同样有参考价值。

第一，新一代模型的看图能力确实上了一个台阶。 如果你经常让 AI 读截图、表格照片、仪器界面、手写笔记，GPT-6 系列的提升会比较直观，尤其是"注意到小细节"这类能力。

第二，不要把自信的结论当成正确的结论。 Astra 的失误说明，模型会被自己的预设带偏，也会选择性忽略反例。凡是涉及实验、财务、医疗这类决策，让 AI 先列出"支持和反对这个结论的证据各有哪些"，比直接要答案稳妥得多。

第三，推理档位不是越高越好。 Astra 用更少 token 赢了旧模型。日常先用默认档位，确实不够再拉高，省时间也省额度。

想在国内体验 GPT-6 系列的看图和推理能力，可以从这里开通：

👉 国内开通 ChatGPT Plus｜支付宝微信

我的判断

BioBasicsBench 把评测从"论文里的漂亮图"拉回到"实验台上的真实数据"。66.7% 说明进步实打实，同时公开失败案例，也比单纯报分可信。

但这仍是自家模型在自家基准上的成绩，七个参测模型全是 GPT 系列，没有横向对比。当成"GPT-6 多模态分析明显进步"的证据可以，当成"AI 能替代实验员判读"就言过其实了。

信息来源

• OpenAI News：Measuring how AI agents handle everyday wet-lab science
• best2ai 条目：Measuring how AI agents handle everyday wet-lab science

OKAI66 为独立第三方服务平台，非 OpenAI/xAI 官方网站。

更多每日 AI 热点见 best2ai.com