BioBasicsBench：AI读懂实验数据，离可靠实验室助手还有多远？

实验室里，一张图像可能不够清晰，一份记录可能前后矛盾，结果也未必支持最初的设想。AI要成为有用的科研助手，需要在这些不完整的证据中判断哪些结论站得住。2026年11月6日，OpenAI与酶设计公司Ligo推出BioBasicsBench，将100项日常湿实验分析任务作为新的评测对象。它提供了一个具体切口：观察模型如何处理未经论文整理的实验材料。（官方研究说明）

湿实验通常涉及对生物样品开展实体实验。这里交给AI的是实验留下的材料，包括图像、实验记录和仪器原始数据；任务要求它据此解释结果、发现问题或指出证据不足，而非直接操纵实验设备。（任务形式说明）

66.7%的分数应该怎样理解

在xhigh推理设置下，GPT-6 Astra平均获得满分的66.7%，GPT-5.6 Sol为43.8%。评分依据各任务的细则，可以给予部分分数；每个模型设置在每项任务上尝试五次。因此，这个数字不能换算成实验成功率，也不能说模型独立完成了约三分之二的实验。它衡量的是回答对结论、测量、推理或证据不足等要求的满足程度。（评测方法与结果）

部分得分适合观察能力变化，却也带来部署上的问题：一道题可能在观察上得分，最终建议仍然错误。对实验室而言，这两种表现的后果差别很大。采购或试用此类系统时，除了看总分，更值得追问会影响下一步决定的错误有哪些、是否容易被人发现，以及模型在证据不足时能否停下来。

科学判断需要经得起反证

原始材料的价值，在于它让模型面对现场证据与既有知识之间的冲突。OpenAI列出的失败案例中，仍有模型让惯常假设压过对照证据的情况。（研究中的能力边界）这提示我们，回答看起来专业、能解释术语，与判断过程可靠之间仍有距离。

从使用角度看，一份有帮助的分析应该把观察、解释和待确认事项分开。读者需要知道模型究竟看到了什么，哪些内容来自背景知识，结论又依赖什么假设。若一段答案把这些层次混在一起，研究人员便很难快速定位问题。相反，即使模型暂时不给明确结论，只要准确指出缺少哪类证据，也可能节省无效讨论。

这也是科学类AI评测值得增加的维度：遇到相互冲突的信息时，模型会不会主动降低结论强度；换一种材料呈现顺序，判断是否依旧稳定；同一事实被重复强调时，会不会挤掉更关键的反例。这些是后续评估建议，并非本次结果已经证明的能力。

把复核放进工作流程

对于希望试用AI分析的团队，较稳妥的起点是范围明确、结果可回查的辅助工作。可以用既有、经过专家确认的材料进行对照评估，先让系统整理证据和列出疑点，再由人员决定哪些内容能进入正式记录。选样时应包含模糊材料与失败情形，避免只挑选结果清楚、容易回答的样本。

复核也需要明确对象。仅让人员在最后点一次确认，很难弥补前面已经丢失的证据。系统最好能把关键判断对应到原始材料的位置，保留版本与修改记录，并区分模型提出的建议和人员确认的结论。这样才能在发现错误后知道哪里需要改进，而不是把责任留在一段流畅的总结里。

同时，专业复核需要时间。若模型给出的每条观察都必须重新检查，表面上的生成速度可能并不等于整体效率提升。试用评价应把复核耗时、错误修正成本和重要遗漏一起记录，才能判断它是否真的减轻了科研人员的负担。

评价还应覆盖系统自身的变化。模型升级、输入格式调整或新增分析工具，都可能改变既有表现。对已经纳入日常流程的助手，团队需要保留一组固定的回归样本，确认改动没有引入新的关键错误。只在采购时测试一次，难以支持之后长期依赖同一套结果。

下一步看可靠性如何落地

BioBasicsBench的意义，在于把AI科研能力的讨论落到日常证据处理上。我的判断是，实验室助手近期更值得追求的产品目标，是让证据更容易检查、让不确定性更早暴露。研究人员能清楚看见系统何时有帮助、何时应当退出，性能提升才有机会转化为可信赖的协作。