读懂｜OpenAI湿实验榜只测了自家模型

OpenAI 11月6日公布BioBasicsBench：100道湿实验原始数据题；xhigh下Astra自报66.7%，Sol为43.8%，未测外部模型。

厂商自评新增用原始实验材料考多模态读图，但榜上仍只有自家模型的自报分。

答案先说清：据 OpenAI 11 月 6 日发布的 BioBasicsBench，在对各模型都报告的 xhigh 推理设置下，GPT-6 Astra 平均拿到可用分的 66.7%，GPT-5.6 Sol 为 43.8%。

七个被测模型全部来自 OpenAI，没有外部对照。

这是评测口径变化，不是诊疗产品上线。本篇只核对考卷怎么出、分怎么报，不讨论患者诊疗或医院部署。

考卷考的是原始材料，不是论文配图

据 OpenAI，BioBasicsBench 共 100 道题，与酶设计公司 Ligo 合作出题，覆盖蛋白方法、成像与流式、定量与测定、核酸方法、分子克隆五块。

输入刻意保留实验台常见形态：凝胶与印迹、菌落平板、显微图像、仪器导出表、测序文件、操作视频。官方对照说法是：现有不少科学基准用的是论文里选好的图，容易漏掉失败实验、模糊图像和对照出问题之后该不该下结论。

每道题配专家写的评分细则；答案按细则逐项给分，所以「结论对、推理半对」可以分开计。AI Affairs 对同一发布的转述也停在：100 题、原始实验证据、与 Ligo 合写细则。

官方表在 xhigh 上列出七个模型：Astra 66.7%（95% 区间约 60.3–73.1），GPT-6.1 Sol 62.0%，GPT-5.6 Sol 43.8%，其后是 Luna、GPT-5.5、GPT-5.4、GPT-5.2。

每个设置对 100 题各跑五次，共约 1.85 万次结果。

分差大约二十三个百分点，只说明在这套自建题与自跑设置里，Astra 比 Sol 吃到更多细则分。它不证明 Astra 在别家湿实验流水线上更强，也不证明任何外部模型的名次。

有人会说「自家进步幅度已经够大，可以当选型依据」。反方站不住：入榜名单没有竞争对手；基准与被测方同一主体，证据等级只能标企业宣称。跨厂比较要等第三方复现或公开题面与外部模型成绩。

同一篇文章用反例说明：更高分还不等于可靠判断。Astra 仍会出现用先验假设压过对照、丢掉与偏好结论冲突的观察、菌落计数漏标或空琼脂误计等情况。

这些例子的用途是界定尺子量什么——读原始材料、查对照、承认证据不够——不是替实验室背书「已经能放手让模型做主」。官方收束也写：更高基准分还不意味着模型能在台上做可靠判断。

模型竞争里，新基准常被写成「谁赢了科学」。这一次公开文本先改的是题怎么出（原始材料 vs 论文图），再给的是同一家产品线内部的自报分差。把 66.7% 对 43.8% 读成行业总排名，越过了证据。

硬结论：BioBasicsBench 现在不值得拿来做跨厂选型；只值得记下 OpenAI 在自家湿实验读图考卷上，Astra 比 Sol 多拿约二十三分（企业宣称）。名单扩到外部模型、并有独立复现之前，把它当对照尺，不当排行榜。