OpenAI’s BioBasicsBench setzt GPT-6 Astra bei 66,7 % bei Wet-Lab-Aufgaben ein

OpenAI stellte BioBasicsBench am 6. November 2026 vor und beschrieb einen 100-Aufgaben-Benchmark, der mit Ligo entwickelt wurde, einem auf Enzymdesign spezialisierten Biotech-Unternehmen, um zu messen, wie gut KI-Agenten routinemäßige Wet-Lab-Analysen bewältigen. Bei der xhigh-Einstellung, die mehr Reasoning pro Aufgabe erlaubt, erreichte GPT-6 Astra durchschnittlich 66,7 % der verfügbaren Punkte, verglichen mit 43,8 % für GPT-5.6 Sol. [1]

Was testet BioBasicsBench?

OpenAI veröffentlichte BioBasicsBench am 6. November 2026, einen 100-Aufgaben-Wet-Lab-Agenten-Benchmark, der mit Ligo entwickelt wurde. [1] OpenAI sagt, bestehende Benchmarks, die um für wissenschaftliche Papers ausgewählte Diagramme und Bilder herum aufgebaut sind, könnten die Mehrdeutigkeit alltäglicher Laborarbeit übersehen, einschließlich fehlgeschlagener Experimente und widersprüchlicher Beobachtungen.

Die 100 Aufgaben decken fünf Bereiche routinemäßiger Wet-Lab-Arbeit ab: Proteinmethoden, Bildgebung und Zytometrie, Quantifizierung und Assays, Nukleinsäuremethoden sowie molekulares Klonen. [1] Eingaben umfassen Gel- und Blot-Bilder, Plattenfotografien, Mikroskop-Stapel, Sequenzierdaten, Plattenreader-Exporte und Videos von Laborarbeiten.

OpenAI sagt, Wissenschaftler erstellten die Aufgaben mit Daten aus ihren eigenen Experimenten und kombinierten jede Frage mit von Experten geschriebenen Bewertungskriterien. [1] Jede Aufgabe durchlief eine interne Prüfung durch einen Ligo-Wissenschaftler, der sie nicht geschrieben hatte, eine externe Prüfung durch einen promovierten Wet-Lab-Wissenschaftler sowie eine abschließende interne Prüfung.

Wie schnitt GPT-6 Astra im Vergleich zu GPT-5.6 Sol ab?

Bei der xhigh-Einstellung erreichte GPT-6 Astra 66,7 % der verfügbaren Punkte, verglichen mit 43,8 % für GPT-5.6 Sol. [1] OpenAI sagt, die Ergebnisse zeigen Fortschritte bei der routinemäßigen Laboranalyse, mit Verbesserungsbedarf bei Bildern, Kontrollen und Kontext.

Agenten geben eine strukturierte Antwort mit der gewünschten Schlussfolgerung, Messung oder Empfehlung zurück und, wo erforderlich, unterstützende Begründung. [1] Antworten erhalten Punkte nach einzelnen Rubrik-Kriterien, sodass der Benchmark eine korrekte Schlussfolgerung von einer teilweise korrekten Analyse unterscheiden kann.

Warum sagt OpenAI, dass alltägliche Laborarbeit wichtig ist?

OpenAI argumentiert, dass das Fehlinterpretieren eines Bildes oder das Übersehen eines Problems mit experimentellen Kontrollen Wissenschaftler zu falschen Schlussfolgerungen führen und Folgearbeiten verschwenden kann. [1] In einem illustrierten Beispiel machte GPT-6 Astra Fehler beim Koloniezählen, darunter das Markieren leerer Agar als Kolonie und das Nichtmarkieren sichtbarer Kolonien.

OpenAI sagt, die Verfolgung dieser Fähigkeiten werde auch helfen, Implikationen für Biosicherheit und Biosecurity zu verstehen. [1] Der Post stellt BioBasicsBench als Ziel für Verbesserungen dar und nicht als Behauptung, dass Agenten bereit seien, Lab-Wissenschaftler zu ersetzen.

Unsere Einschätzung

Meinung: Ein dedizierter Wet-Lab-Benchmark, der rohe Gele und Platten bewertet, ist nützlicher als ein weiteres Leaderboard, das auf aufbereiteten Paper-Abbildungen basiert, aber eine 66,7 %-Schlagzeile bedeutet immer noch, dass diese Agenten einen großen Anteil routinemäßiger Kontrollen verpassen, die ein arbeitender Wissenschaftler erkennen sollte.

Was wir nicht überprüfen konnten

• Eine sichtbare Veröffentlichungsdatumszeile auf der live OpenAI-Seite im erhaltenen Textextrakt.
• Eine einzelne menschliche Experten-Baseline-Punktzahl für den vollständigen 100-Aufgaben-Satz.
• Punktzahlen für andere Frontier-Modelle, die OpenAI im Post nicht hervorgehoben hat.