OpenAI presenta BioBasicsBench, una prueba de referencia de tareas cotidianas de ciencia de laboratorio húmedo

OpenAI presenta BioBasicsBench, una prueba de referencia de 100 tareas rutinarias de laboratorio húmedo, creada junto con Ligo, una empresa biotecnológica centrada en el diseño de enzimas. Las tareas utilizan evidencia experimental sin procesar (imágenes de geles, placas de colonias, microscopía, archivos de secuenciación, exportaciones de instrumentos y videos del trabajo en el laboratorio) en métodos de proteínas, imagenología y citometría, cuantificación y ensayos, métodos de ácidos nucleicos y clonación molecular. Científicos las diseñaron a partir de sus propios experimentos, y las respuestas se califican con rúbricas redactadas por expertos que otorgan crédito parcial.

OpenAI evaluó siete de sus modelos (de GPT-5.2 a GPT-6 Astra) con 37 configuraciones de modelo y nivel de esfuerzo de razonamiento. En la configuración xhigh, estas son sus cifras de recompensa media:

• GPT-6 Astra: 66.7%
• GPT-6.1 Sol: 62.0%
• GPT-5.6 Sol: 43.8%
• GPT-6 Luna: 38.3%
• GPT-5.5: 35.4%

OpenAI afirma que las mejoras de Astra se deben a un manejo multimodal nativo más sólido —por ejemplo, al detectar que una placa de control tenía la etiqueta del antibiótico incorrecta— y a que reconoce cuándo los datos no permiten llegar a una conclusión. También señala en qué aspectos Astra todavía falla: dejar que una suposición prevalezca sobre los controles, restar importancia a observaciones contradictorias y sobrecontar las colonias de una placa en aproximadamente un 12%.