OpenAI 于 2026 年 11 月 6 日推出 BioBasicsBench。这是一套 100 项任务的基准,用来衡量 AI 智能体解读原始实验数据、处理日常湿实验室科学工作的能力。评测对象是智能体,场景是日常湿实验,而不是生命科学问答或高难度发现。给定材料只确认名称、任务数、目标与发布方,没有成绩和样例。

基准在测什么

公告把能力拆成两块:解读原始实验数据,以及处理日常湿实验科学工作。前者意味着输入更接近实验产出,而不是整理后的摘要;后者意味着任务落在实验室反复出现的工序,而不是一次性突破。合在一起,评测更接近「智能体能否当实验助手」,而不是「会不会背手册」。

任务规模为 100 项,足以做成可重复对照的基准。材料未说明如何抽样、覆盖哪些工种、数据是何格式、是否允许使用工具,因此不能把 100 读成覆盖湿实验全流程,也不能把「日常」读成包含高风险操作。湿实验难点通常在数据脏、步骤碎。方向清楚,难度如何现有材料给不出答案。

它在智能体评测里的位置

近期智能体基准多落在软件工程、浏览和工具调用。这套基准把同一叙事接到湿实验。对开发者,评测轴多了一条:会不会读实验数据。若接到实验室系统或分析流水线,它可能成为对照尺。但发布一把尺子,与它成为行业标准,不是一回事。没有模型成绩,就不能判断当前智能体离日常湿实验有多远。出现基准只证明评测被提出,不证明能力已被验证。

我的判断

价值在于问题定义清楚:对象是智能体,任务量是 100,能力是解读原始数据与处理日常湿实验。对关注科研智能体的人,这是需要跟进的新尺子。适用边界很窄:目前只有公告级描述,不能当选型依据,也不能外推到药物研发、临床或高风险生物操作。局限明确——缺成绩、缺样例、缺误差分析。任何「智能体已经能做湿实验」的说法,都不被现有材料支持。先记下这套百任务基准,等细节公开后再判断它硬不硬。