Le BioBasicsBench d’OpenAI place GPT-6 Astra à 66,7 % sur les tâches de laboratoire humide

OpenAI a introduit BioBasicsBench le 6 novembre 2026, en décrivant un benchmark de 100 tâches développé avec Ligo, une société de biotechnologie spécialisée dans la conception d’enzymes, pour mesurer la capacité des agents IA à gérer l’analyse de laboratoire humide de routine. Au réglage xhigh, qui permet plus de raisonnement par tâche, GPT-6 Astra a obtenu en moyenne 66,7 % du crédit disponible, contre 43,8 % pour GPT-5.6 Sol. [1]

Que teste BioBasicsBench ?

OpenAI a publié BioBasicsBench le 6 novembre 2026, un benchmark d’agent de laboratoire humide à 100 tâches construit avec Ligo. [1] OpenAI indique que les benchmarks existants construits autour de graphiques et d’images sélectionnés pour des articles scientifiques peuvent manquer l’ambiguïté du travail de laboratoire quotidien, y compris les expériences ratées et les observations contradictoires.

Les 100 tâches couvrent cinq domaines du travail de laboratoire humide de routine : méthodes protéiques, imagerie et cytométrie, quantification et dosages, méthodes d’acides nucléiques et clonage moléculaire. [1] Les entrées incluent des images de gels et de transferts, des photographies de plaques, des piles de microscopie, des lectures de séquençage, des exports de lecteurs de plaques et des vidéos de travail sur paillasse.

OpenAI indique que les scientifiques ont créé les tâches à partir de données de leurs propres expériences et ont associé chaque question à des critères de notation rédigés par des experts. [1] Chaque tâche a fait l’objet d’un examen interne par un scientifique de Ligo qui ne l’avait pas rédigée, d’un examen externe par un scientifique de laboratoire humide titulaire d’un doctorat, et d’un examen interne final.

Comment GPT-6 Astra a-t-il été noté par rapport à GPT-5.6 Sol ?

Au réglage xhigh, GPT-6 Astra a obtenu 66,7 % du crédit disponible, comparé à 43,8 % pour GPT-5.6 Sol. [1] OpenAI indique que les résultats montrent des progrès sur l’analyse de laboratoire de routine, avec de la marge pour s’améliorer sur les images, les contrôles et le contexte.

Les agents renvoient une réponse structurée avec la conclusion, la mesure ou la recommandation demandée et, si nécessaire, le raisonnement associé. [1] Les réponses reçoivent un crédit selon des critères individuels de la grille, de sorte que le benchmark peut distinguer une conclusion correcte d’une analyse partiellement correcte.

Pourquoi OpenAI estime-t-il que le travail de laboratoire quotidien compte ?

OpenAI fait valoir qu’une mauvaise interprétation d’une image ou le fait de négliger un problème de contrôles expérimentaux peut conduire les scientifiques à une conclusion erronée et gaspiller du travail de suivi. [1] Dans un exemple illustré, GPT-6 Astra a commis des erreurs de comptage de colonies, notamment en marquant de l’agar vide comme une colonie et en laissant des colonies visibles non marquées.

OpenAI indique que le suivi de ces capacités l’aidera également à comprendre les implications pour la biosécurité et la biosûreté. [1] Le billet présente BioBasicsBench comme une cible d’amélioration plutôt que comme une affirmation que les agents sont prêts à remplacer les scientifiques de laboratoire.

Notre lecture

Opinion : Un benchmark dédié au laboratoire humide qui note les gels et plaques bruts est plus utile qu’un autre classement construit sur des figures d’articles nettoyées, mais un titre à 66,7 % signifie toujours que ces agents manquent une grande part des vérifications de routine qu’un scientifique en activité devrait attraper.

Ce que nous n’avons pas pu vérifier

• Une ligne de date de publication visible sur la page OpenAI en direct dans l’extrait texte que nous avons obtenu.
• Un score de référence humain-expert unique pour l’ensemble des 100 tâches.
• Des scores pour d’autres modèles de pointe qu’OpenAI n’a pas mis en avant dans le billet.