أعلنت OpenAI في 6 نوفمبر معيارًا جديدًا اسمه BioBasicsBench، طوّرته مع شركة Ligo المتخصصة في تصميم الإنزيمات، عشان يقيس كيف يتعامل وكلاء الذكاء الاصطناعي مع التحليل اليومي في المختبر الرطب، يعني المختبر اللي تجري فيه تجارب على عيّنات حيوية. والمعيار فيه 100 مهمة تختبر هل الوكيل يقدر يفسر بيانات تجريبية خام، ويكتشف أخطاء، ويعرف متى الدليل ما يكفي عشان تستنتج منه نتيجة.
وتقول الشركة إن العمل اليومي في هالمختبرات فيه تجارب تفشل وصور مبهمة وملاحظات متعارضة، وإن المعايير الحالية اللي تعتمد على رسوم وصور مختارة للأوراق العلمية ممكن تفوت هالغموض. والمهام تغطي خمسة مجالات: طرق البروتينات، والتصوير وقياس التدفق الخلوي، والقياس والتحاليل، وطرق الأحماض النووية، والاستنساخ الجزيئي. والبيانات الخام تشمل صور الجل وأطباق المستعمرات والمجهر وقراءات الأجهزة.
وفي إعداد «xhigh»، اللي يعطي مجال أوسع للاستدلال في كل مهمة، حقق نموذج GPT-6 Astra متوسط 66.7% من الدرجة المتاحة، مقابل 43.8% لنموذج GPT-5.6 Sol. وقيّمت الشركة سبعة نماذج على 37 إعدادًا للجهد الاستدلالي، بخمس محاولات لكل مهمة، بمجموع 18,500 نتيجة. وتقول إن Astra تحسّن بشكل واضح حتى مع جهد استدلالي منخفض، وإن القدرات المتعددة الوسائط الأصلية قد تكون مفتاح التحسّن.
وأكدت OpenAI إن ارتفاع الدرجة ما يعني بعد إن النماذج تقدر تصدر أحكامًا موثوقة في المختبر. ومن أمثلة القصور: النموذج افترض إن ناتج PCR الأكبر يعني استنساخًا ناجحًا واختار مسارات غير اللي يعتمدها المرجع، وأخطأ في عدّ المستعمرات بزيادة تقارب 12%. وتقول الشركة إن تتبّع هالقدرات يساعد أيضًا يفهمون آثارها على السلامة والأمن الحيوي.
OpenAI announced on 6 November a new benchmark called BioBasicsBench, developed with Ligo, a biotech company focused on enzyme design, to measure how well AI agents handle everyday analysis in the wet lab, where scientists run experiments with biological samples. The benchmark has 100 tasks that test whether an agent can interpret raw experimental data, spot errors and recognise when the evidence cannot support a conclusion.
OpenAI says everyday wet-lab work includes failed experiments, ambiguous images and conflicting observations, and that existing benchmarks built around charts and images selected for papers may miss that ambiguity. The tasks cover five areas: protein methods, imaging and cytometry, quantification and assays, nucleic acid methods, and molecular cloning. The raw evidence includes gel images, colony plates, microscopy and instrument readouts.
At the xhigh setting, which allows more reasoning per task, GPT-6 Astra earned an average of 66.7% of the available credit, compared with 43.8% for GPT-5.6 Sol. The company evaluated seven models across 37 model and reasoning-effort settings, with five attempts on each of the 100 tasks per setting, for 18,500 results in total. It says Astra improves substantially on GPT-5.6 Sol even at low reasoning effort, and that stronger native multimodal capabilities may be key to better everyday lab analysis.
OpenAI stresses that higher benchmark scores do not yet mean models can make reliable judgments in the lab. In one example, Astra assumed a larger PCR product would identify successful cloning and picked the wrong lanes compared with the reference; in another, it overcounted colonies by about 12%. The company says tracking these capabilities will also help it understand implications for biosafety and biosecurity.
وش يعني لك؟What it means for you
لو تشتغل في مختبر أو تتابع أبحاثًا حيوية، هذا المعيار يقيس قراءة البيانات الخام واكتشاف الخطأ، مو اكتشاف علمي جاهز. لا تقرأ النسبة كأنها ضمان إن الوكيل يقدر يقرر عن تجربة حقيقية لوحده.If you work in a lab or follow biological research, this benchmark measures reading raw data and spotting errors, not a ready scientific discovery. Do not read the score as a guarantee that an agent can judge a real experiment on its own.
المصدرSource: OpenAI · 6 Nov 2026 ↗
كتبنا الخبر بأسلوبنا اعتمادًا على المصدر الأصلي. للتفاصيل الكاملة ارجع للمصدر.Written in our own words from the original source. See the source for full details.