OpenAI 发了 BioBasicsBench：和生物公司 Ligo 一起，用 100 个常规湿实验任务，测 AI Agent 读原始实验证据的能力——凝胶、菌落板、显微镜图、仪器导出，还有失败和对照。

官方数字：在最高推理档，GPT-6 Astra 平均拿到 66.7% 的分数；前代 GPT-5.6 Sol 是 43.8%。进步明显，但官方自己也写：分数高，还不等于能在实验室里做可靠判断。

我更盯它强调的失败模式：假设压过对照、只挑对自己有利的现象、把空琼脂也数成菌落。

这跟现场干活一个道理。证据不够，就别急着下结论；对照没看清，就别把活往下推。

OpenAIAI智能体人工智能人工智能超话