2026-11-06 · ← Noticias
BioBasicsBench enfrenta a los agentes con datos brutos de laboratorio. Astra logra un 66,7 %
OpenAI y Ligo han creado 100 tareas de trabajo cotidiano de laboratorio en las que los agentes interpretan geles, microscopía, tablas y vídeo. GPT-6 Astra obtuvo el 66,7 % de los puntos, pero el benchmark aún no demuestra que un modelo pueda decidir sin un científico.
No se pudo cargar la imagen.
OpenAI ha presentado BioBasicsBench, un conjunto de 100 tareas creado con la biotecnológica Ligo. En vez de preguntas de manual, los agentes reciben materiales brutos del trabajo habitual de un laboratorio húmedo.
Cien tareas miden si el agente sabe leer un experimento
Las tareas abarcan cinco áreas, desde métodos de proteínas hasta microscopía, citometría, ácidos nucleicos y clonación. El modelo debe analizar imágenes de geles, fotos de colonias, exportaciones de instrumentos, protocolos o vídeo y devolver una conclusión, una medición o el siguiente paso recomendado.
Los autores prepararon rúbricas que conceden crédito parcial. Diecinueve tareas también comprueban si el agente reconoce que las pruebas no permiten concluir. OpenAI informa de que GPT-6 Astra obtuvo una media del 66,7 % con el nivel común más alto de reasoning. GPT-5.6 Sol alcanzó el 43,8 %.
En el laboratorio, una duda justificada vale más que una respuesta segura
El valor práctico está en interpretar pruebas desordenadas. Un científico suele necesitar saber si falló un control, cuántas colonias crecieron o si una medición permite afirmar algo, no otra definición de un libro de biología.
Esto también debería cambiar la compra de AI para investigación. Los equipos necesitan evaluaciones basadas en sus propios instrumentos, protocolos y fallos, no solo una clasificación científica general. BioBasicsBench ofrece un patrón más útil, aunque su tabla no sustituye la validación local.
Una puntuación del fabricante no demuestra autonomía segura
OpenAI publicó resultados de sus propios modelos. El anuncio no ofrece el conjunto completo de tareas y el código de evaluación, y ningún equipo independiente ha reproducido las cifras. Tampoco hay una referencia medida con científicos humanos, por lo que el 66,7 % no equivale a una proporción de trabajo que pueda automatizarse con seguridad.
Cien tareas en cinco áreas son una muestra útil, pero siguen representando una parte pequeña de la práctica. Una media puede ocultar un error que resta pocos puntos y, sin embargo, arruina una semana de trabajo real.
Las pruebas públicas y los ensayos ciegos dirán si el resultado se sostiene
La siguiente señal útil será que equipos externos ejecuten las mismas tareas con modelos rivales y personal de laboratorio experimentado. Serán aún mejores los ensayos ciegos con datos de otros instrumentos, protocolos y centros.
La decisión de desplegar dependerá del tipo de errores. Un laboratorio necesita saber cuándo el agente interpreta mal una imagen, ignora un control fallido o inventa una conclusión con pruebas débiles. Un único porcentaje no puede cumplir esa función.
El veredicto de Lilith
Un agente ante el microscopio puede ahorrar horas, pero un solo control defectuoso que pase por alto devuelve al científico al inicio del experimento. Un 66,7 % invita a una prueba ciega, no a un turno sin supervisión.