BioBasicsBench da OpenAI coloca GPT-6 Astra em 66,7% em tarefas de wet-lab

A OpenAI publicou o BioBasicsBench em 6 de novembro de 2026, um benchmark de agente de wet-lab com 100 tarefas construído com a Ligo. [1] A OpenAI introduziu o BioBasicsBench em 6 de novembro de 2026, descrevendo um benchmark de 100 tarefas desenvolvido com a Ligo, uma empresa de biotech focada em design de enzimas, para medir quão bem agentes de IA lidam com análise de rotina de wet-lab. No setting xhigh, que permite mais raciocínio por tarefa, GPT-6 Astra obteve em média 66,7% do crédito disponível, comparado com 43,8% para GPT-5.6 Sol. [1]

O que o BioBasicsBench testa?

No setting xhigh, GPT-6 Astra obteve 66,7% do crédito disponível, comparado com 43,8% para GPT-5.6 Sol. [1] A OpenAI diz que benchmarks existentes construídos em torno de gráficos e imagens selecionadas para papers científicos podem perder a ambiguidade do trabalho cotidiano de lab, incluindo experimentos falhos e observações conflitantes.

As 100 tarefas cobrem cinco áreas de trabalho de wet-lab de rotina: métodos de proteína, imageamento e citometria, quantificação e ensaios, métodos de ácido nucleico e clonagem molecular. [1] As entradas incluem imagens de gel e blot, fotografias de placas, pilhas de microscopia, leituras de sequenciamento, exportações de plate-reader e vídeos de trabalho no banco.

A OpenAI diz que cientistas criaram as tarefas usando dados de seus próprios experimentos e parearam cada questão com critérios de avaliação escritos por especialistas. [1] Cada tarefa passou por uma revisão interna por um cientista da Ligo que não a escreveu, uma revisão externa por um cientista de wet-lab em nível de PhD e uma revisão interna final.

Como o GPT-6 Astra pontuou contra o GPT-5.6 Sol?

A OpenAI diz que os resultados mostram progresso na análise de rotina de lab, com espaço para melhorar em imagens, controles e contexto. No setting xhigh, GPT-6 Astra obteve 66,7% do crédito disponível, comparado com 43,8% para GPT-5.6 Sol. [1] A OpenAI diz que os resultados mostram progresso na análise de rotina de lab, com espaço para melhorar em imagens, controles e contexto.

Agentes retornam uma resposta estruturada com a conclusão, medição ou recomendação solicitada e, quando exigido, raciocínio de suporte. [1] As respostas recebem crédito contra critérios individuais de rubrica, então o benchmark pode distinguir uma conclusão correta de uma análise parcialmente correta.

Por que a OpenAI diz que o trabalho cotidiano de lab importa?

A OpenAI argumenta que interpretar mal uma imagem ou ignorar um problema com controles experimentais pode levar cientistas à conclusão errada e desperdiçar trabalho de follow-up. [1] Em um exemplo ilustrado, GPT-6 Astra cometeu erros de contagem de colônias que incluíram marcar ágar vazio como colônia e deixar colônias visíveis sem marcação.

A OpenAI diz que rastrear essas capacidades também ajudará a entender implicações para biossegurança e bioproteção. [1] O post apresenta o BioBasicsBench como um alvo para melhoria em vez de uma afirmação de que agentes estão prontos para substituir cientistas de lab.

Nossa leitura

Opinião: Um benchmark dedicado de wet-lab que pontua gels e placas brutas é mais útil do que outro leaderboard construído em figuras de papers limpas, mas um headline de 66,7% ainda significa que esses agentes perdem uma grande parte de verificações de rotina que um cientista trabalhando deveria pegar.

O que não pudemos verificar

• A visible publication-date line on the live OpenAI page in the text extract we obtained.
• A single human-expert baseline score for the full 100-task set.
• Scores for other frontier models that OpenAI did not highlight in the post.