新評估不是新模型
OpenAI 在 2026 年 11 月 6 日介紹 BioBasicsBench。這是一項新的評測，用來量 AI 代理讀不讀得懂日常濕實驗室的原始資料，不是新模型發布。題目有 100 題，分布在五類日常工作：蛋白質方法、影像與流式細胞儀、定量與測定、核酸方法、分子選殖。和 Ligo 一起做。Ligo 是做酵素設計的生技公司。題目來自科學家自己的實驗，每題有評分規準。撰寫者以外的 Ligo 科學家先內部審，濕實驗室的博士級科學家外部審，再做一次內部審。
代理要交結論、測量或建議，並在需要時寫理由。分數打在個別規準上，所以結論對了但理由不完整，和整題都對，可以分開。多數題同時考生物知識、讀圖與數據、抓錯誤，以及是否看得出證據不夠。
類別會重疊，不能把下表加總成 100。參考圖表是輔助材料。
| 資料類型 | 含有該類資料的題數 |
|---|---|
| 膠體與轉漬 | 31 |
| 流程、筆記與規格 | 27 |
| 表格與儀器匯出 | 20 |
| 實驗台與試劑照片 | 18 |
| 顯微影像 | 14 |
| 儀器畫面與圖 | 13 |
| 定序檔 | 12 |
| 流程影片 | 7 |
| 菌落培養皿 | 7 |
| 參考圖表（輔助） | 21 |
官方說明，圈出的盤緣標籤寫著 LB Kan50，指 kanamycin，和該實驗使用的 ampicillin 不同。GPT-5.6 Sol 看到陰性對照沒有菌落就下結論。GPT-6 Astra 注意到標籤上的抗生素不對，拒絕把這盤當成可靠對照。這是評測裡的一次判讀，不是實驗步驟。封面為了 16:9 在左右補了深色邊，正文這張是同一張照片、沒有那些邊。
比例高仍會看反對照
他們評了七個 OpenAI 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。一共 37 種模型與推理力度組合，每種對 100 題各做 5 次，共 18,500 筆。這不是全產業排名。
報告的是 mean reward：每題得分佔該題可得分數的平均比例。不是答對題數，也不是診斷準確率。95% 信賴區間用整題重抽，同一題的 5 次放在一起。xhigh 是這七個模型都有報告的最高推理力度。頁面上還有一張互動圖，橫軸是每題平均輸出 token、對數刻度，橘虛線是 GPT-5，藍實線是 GPT-6，細鬚是 95% 信賴區間。那張圖是網頁元件，沒有單獨的圖片檔，本文不另畫一張。
| 模型 | 平均報酬 | 95% 信賴區間 | 每題輸出 token |
|---|---|---|---|
| GPT-6 Astra | 66.7% | 60.3 至 73.1% | 4,704 |
| GPT-6.1 Sol | 62.0% | 55.6 至 68.4% | 5,238 |
| GPT-5.6 Sol | 43.8% | 37.6 至 50.0% | 9,099 |
| GPT-6 Luna | 38.3% | 32.3 至 44.5% | 13,120 |
| GPT-5.5 | 35.4% | 29.7 至 41.0% | 11,135 |
| GPT-5.4 | 33.2% | 28.3 至 38.4% | 13,717 |
| GPT-5.2 | 31.2% | 26.2 至 36.3% | 27,620 |
每一列都是 100 題、每題 5 次。xhigh 的 Astra 66.7% 高於 Sol 的 43.8%，但 Luna 的 38.3% 低於 Sol。輸出 token 更多，不代表這張表上的平均報酬更高。官方把部分 max effort 結果放在上方那張互動圖，不在這張表的每一列。
即使平均報酬較高，Astra 仍會把熟悉的假設蓋過對照。它分得出兩組菌落條帶，卻把較大的產物當成選殖成功，挑了泳道 4、6、7、8。參考答案依對照比較，選的是 5、9、10。視覺上的分組沒錯，身份對反了。官方寫，這樣會在後面拿到不對的質體。本文不把這張圖改寫成操作步驟。
圖上粉紅色編號是 4、6、7、8，青綠色是 5、9、10。第 2 道有青綠框，第 3 道有粉紅框，中間各有一條粉紅虛線與一條青綠虛線。官方圖說：粉紅編號對應舊質體條帶，青綠編號對應新產物條帶。
同一張圖有相反外觀
另一類錯誤是把不合自己解釋的觀察放下。Astra 結論說細胞裡的液泡通常比周圍暗，但同一張影像裡也有較亮的。對焦深度一變，對比可以反過來，所以較暗的例子不能變成通則。它看過對比會隨焦點變，仍在最後答案只留下較暗的描述。
這不是臨床判讀，也不是顯微鏡操作說明。
菌落數仍會多算
計數標記對不上單一菌落：靠太近的沒分開、看得到的沒標、空白培養基被標成菌落。官方寫，這一盤相對基準大約多算 12%。在鋪盤體積與稀釋倍數不變時，多算的比例會同樣抬高效率估計。這句是在說明計數誤差的後果，不是稀釋或轉殖步驟。
分數變高，還不等於可以在實驗室做可靠判斷，更不能取代研究員，也不能當成臨床診斷。官方最後寫，追蹤這些能力也是為了理解對生物安全與生物安保的含意。本文停在判讀限制，不提供實驗做法。
