OpenAI 发布 BioBasicsBench：用 100 项任务考察智能体的湿实验室基本功

OpenAI 在其官网发布 BioBasicsBench，这是一个包含 100 项任务的基准，用来衡量 AI 智能体解读原始实验数据、处理日常湿实验室科学工作的能力。这一定位把评测从“答对题”推向“能不能干活”。

按照 OpenAI 给出的描述，该基准的落点是原始实验数据：智能体面对的不是已经被整理成结论的材料，而是实验过程中产生的一手数据，需要从中读出信息并完成日常科研任务。评测对象因此从知识记忆转向了对实验信息的处理能力。

湿实验室里的工作往往由琐碎环节构成——读仪器输出、核对实验条件、把一批批测量结果整理成研究者可以据以判断的东西。这类环节很难被单轮问答式评测覆盖，却恰恰决定了自动化能否真正进入实验流程。

100 项任务的规模说明它更像一个起点而非终局标准。这个基准有多少参考价值，取决于任务设计是否贴近真实操作，以及评分能否区分“看起来合理”的答案和“科学家真的能用”的答案。

对智能体赛道而言，科研场景长期被视为高价值但难以落地的方向：出错代价高、数据形态不统一、人工复核不可省略。BioBasicsBench 把日常湿实验室工作单独拎出来作为评测对象，等于承认能力评估必须细化到具体工序，而不是停留在笼统的“科学推理”层面。

需要留意的是，基准本身不构成能力证明。任务覆盖面、评分口径和是否公开可复现，都会影响结论的强度；仅仅给出任务数量与目标，还不足以判断某个模型在真实实验环境中的可靠程度。

接下来的看点是各家模型在该基准上的公开表现，以及独立团队能否复现结果。如果实验室和科研工具厂商开始共同采用这类评测，它就可能从发布时的宣传材料，变成采购与研究决策中的参考项。