信息核对于 2026-11-07。来源：OpenAI 官方文章。
做生命科学的人，平时真正花时间的往往不是写论文，而是看凝胶清不清楚、对照对不对、显微图到底有没有信号。OpenAI 在 2026 年 11 月 6 日和生物技术公司 Ligo 一起发布了 BioBasicsBench：专门测 AI 代理能不能读懂这些实验室里的日常证据。
先说结论：GPT-6 Astra 比前代进步明显，但还不能替人下最终实验结论。这份基准适合用来了解模型分析原始实验数据的能力，不应直接等同于某个 ChatGPT 套餐的实际表现。
基准在测什么
BioBasicsBench 一共 100 项任务，横跨五个常见湿实验方向：
- 蛋白方法。
- 成像与流式细胞。
- 定量与检测。
- 核酸方法。
- 分子克隆。
和很多精选论文图片的基准不同，这里使用原始实验证据，包括凝胶与印迹、菌落平板、显微图像堆栈、测序读段、仪器导出文件，甚至台面操作视频。
问题不仅是“这张图是什么”，还包括对照是否有效、实验结果能不能支撑结论、下一步应该检查什么。
官方按数据类型列出的任务包括凝胶与印迹 31 题、协议与笔记 27 题、表格与仪器导出 20 题、台面与试剂照片 18 题、显微图像 14 题、仪器屏幕与曲线 13 题、测序文件 12 题、操作视频 7 题、平板与菌落 7 题。类别之间可以重叠，不能简单相加。
每道题都有专家编写的评分细则，并经过内部科学家和外部湿实验研究人员复核。模型按细则逐项得分，因此能区分“最后结论碰巧答对”和“分析过程也完整”。
GPT-6 Astra 的成绩单
在官方报告的 xhigh 推理设置下，两组值得关注的数据是：
| 模型 | 平均得分 | 95% 置信区间 | 每任务平均输出 token |
|---|---|---|---|
| GPT-6 Astra | 66.7% | 60.3%–73.1% | 4,704 |
| GPT-5.6 Sol | 43.8% | 37.6%–50.0% | 9,099 |
Astra 在这份基准中得分更高，平均输出也更短。但这里的 token 是评测输出量，不是 ChatGPT 套餐扣除额度的对照表，不能据此推导“购买某个套餐更省额度”。
同一份结果里，GPT-6.1 Sol 为 62.0%，GPT-6 Luna 为 38.3%。模型属于同一代，也不代表在实验读图任务里表现完全相同。
进步主要体现在哪
官方举出的例子，很贴近真实实验中容易忽略的细节。
一是更能识别证据不足。 染料检测窗口重叠时，不能只凭亮度就判断细胞状态，还需要合适的对照。
二是更注意图里的细节。 在一个克隆实验案例中，Astra 注意到对照平板边缘的抗生素标签问题，而不是看到“没长菌落”就直接接受对照有效。
三是更能结合实验上下文。 显微图像里的细胞忽隐忽现，可能是不同焦深切片造成的，不一定需要用生物学变化解释。
这些例子说明，模型的帮助不只在于回答知识题，也可能在于提醒你检查被忽略的标签、对照和拍摄条件。
仍然会在哪些地方出错
官方同时公开了失败案例：
- 在菌落 PCR 分析里，模型虽然看出了不同条带分组，却被“更大的产物代表成功克隆”的假设带偏，选错泳道。
- 面对明暗不一致的图像，分析过程中承认存在多种解释，最后结论却丢掉了部分反证。
- 菌落计数仍可能漏标、合并相邻菌落，或把空白位置误标为菌落。一个案例相对参考值多计约 12%。
因此，分数上升不等于可以把实验判断全部交给模型。尤其是涉及挑选样本、估算转化效率和决定下一轮实验时，需要人工复核。
科研用户可以怎么用
比较适合的用途：
- 辅助读取原始图片，标出需要核对的位置。
- 整理实验笔记与协议。
- 列出对照检查清单。
- 对已有分析提出可能的替代解释。
- 辅助编写数据处理脚本。
上传材料时，尽量保留标签、对照布局和仪器参数。只截一张局部图片，可能刚好裁掉最关键的判断依据。
这份基准本身不说明你的账号能选到哪些模型。实际使用前，还要单独检查产品入口、模型列表和套餐说明。
需要 ChatGPT 订阅时，先看实际用途
科研写作、笔记整理和辅助编程，可以结合自己的任务选择 ChatGPT 套餐。AI Boxy 支持本人账号开通 Plus / Pro，支付宝、微信付款，订单可查，并提供售后质保服务。