El BioBasicsBench de OpenAI sitúa a GPT-6 Astra en el 66.7% en tareas de laboratorio húmedo

OpenAI presentó BioBasicsBench el 6 de noviembre de 2026, describiendo un benchmark de 100 tareas desarrollado con Ligo, una empresa de biotecnología centrada en el diseño de enzimas, para medir cómo los agentes de IA manejan el análisis rutinario de laboratorio húmedo. En el ajuste xhigh, que permite más razonamiento por tarea, GPT-6 Astra obtuvo una media del 66.7% del crédito disponible, en comparación con el 43.8% de GPT-5.6 Sol. [1]

¿Qué evalúa BioBasicsBench?

OpenAI publicó BioBasicsBench el 6 de noviembre de 2026, un benchmark de agentes de laboratorio húmedo de 100 tareas construido con Ligo. [1] OpenAI afirma que los benchmarks existentes basados en gráficos e imágenes seleccionados para artículos científicos pueden pasar por alto la ambigüedad del trabajo diario en el laboratorio, incluidas experimentos fallidos y observaciones contradictorias.

Las 100 tareas cubren cinco áreas del trabajo rutinario de laboratorio húmedo: métodos de proteínas, imagen y citometría, cuantificación y ensayos, métodos de ácidos nucleicos y clonación molecular. [1] Las entradas incluyen imágenes de geles y transferencias, fotografías de placas, pilas de microscopía, lecturas de secuenciación, exportaciones de lectores de placas y vídeos del trabajo en banco.

OpenAI indica que los científicos crearon las tareas utilizando datos de sus propios experimentos y emparejaron cada pregunta con criterios de calificación escritos por expertos. [1] Cada tarea pasó por una revisión interna de un científico de Ligo que no la había escrito, una revisión externa de un científico de laboratorio húmedo con nivel de doctorado y una revisión interna final.

¿Cómo puntuó GPT-6 Astra frente a GPT-5.6 Sol?

En el ajuste xhigh, GPT-6 Astra obtuvo el 66.7% del crédito disponible, en comparación con el 43.8% para GPT-5.6 Sol. [1] OpenAI dice que los resultados muestran progreso en el análisis de laboratorio de rutina, con margen de mejora en imágenes, controles y contexto.

Los agentes devuelven una respuesta estructurada con la conclusión, medición o recomendación solicitada y, cuando se requiere, el razonamiento de apoyo. [1] Las respuestas reciben crédito según criterios individuales de la rúbrica, por lo que el benchmark puede distinguir una conclusión correcta de un análisis parcialmente correcto.

¿Por qué OpenAI afirma que el trabajo diario de laboratorio importa?

OpenAI argumenta que malinterpretar una imagen u pasar por alto un problema con los controles experimentales puede llevar a los científicos a la conclusión errónea y desperdiciar trabajo de seguimiento. [1] En un ejemplo ilustrado, GPT-6 Astra cometió errores de recuento de colonias que incluían marcar agar vacío como colonia y dejar colonias visibles sin marcar.

OpenAI afirma que el seguimiento de estas capacidades también le ayudará a comprender las implicaciones para la bioseguridad y la bioprotección. [1] La publicación presenta BioBasicsBench como un objetivo de mejora más que como una afirmación de que los agentes están listos para reemplazar a los científicos de laboratorio.

Nuestra opinión

Opinión: Un benchmark dedicado de laboratorio húmedo que puntúa geles y placas crudos es más útil que otra clasificación construida sobre figuras de artículos limpios, pero un titular del 66.7% sigue significando que estos agentes pasan por alto una gran parte de las comprobaciones rutinarias que debería detectar un científico en activo.

Lo que no pudimos verificar

• Una línea de fecha de publicación visible en la página en vivo de OpenAI en el extracto de texto que obtuvimos.
• Una puntuación de referencia de un solo experto humano para el conjunto completo de 100 tareas.
• Puntuaciones para otros modelos frontera que OpenAI no destacó en la publicación.