BioBasicsBench: új mérce a laboratóriumi AI-ügynökök értékelésére

Az OpenAI és a Ligo 100 valós laboratóriumi feladaton méri, mennyire értelmezik megbízhatóan az AI-modellek a nyers kísérleti adatokat.

BioBasicsBench: új mérce a laboratóriumi AI-ügynökök értékelésére

Új értékelési rendszer a kutatólaboroknak

Az OpenAI 2026. november 6-án mutatta be a Ligo biotechnológiai vállalattal közösen kidolgozott BioBasicsBench benchmarkot. Ez nem új, kereskedelmi AI-alkalmazás, hanem egy kutatási értékelési módszer, amely 100 hétköznapi laboratóriumi feladatot foglal magában.

Mit vizsgál?

A feladatok között mikroszkópos képek, gélek, mérőműszer-adatok, táblázatok, laborjegyzetek és kísérleti protokollok értelmezése szerepel. Az értékelés nemcsak a helyes eredményt vizsgálja, hanem azt is, felismeri-e az AI a hibás kontrollokat és az elégtelen bizonyítékokat.

Eredmények és korlátok

Az OpenAI közlése szerint a GPT-6 Astra 66,7%-os átlagos pontszámot ért el a legmagasabb gondolkodási beállításon, míg a GPT-5.6 Sol 43,8%-ot. Ezek a kutatási benchmark eredményei, nem a laboratóriumi alkalmazhatóság általános garanciái. A fejlesztők szerint a modelleknek továbbra is vannak hiányosságaik a képek és kísérleti kontextus értelmezésében.

Elérhetőség és jelentőség

A módszertant és az eredményeket az OpenAI nyilvános kutatási közleményben ismerteti. A megközelítés a biotechnológiai és gyógyszeripari AI-rendszerek értékelésében lehet fontos: a hiteles eredményhez a nyers adatok és a bizonytalanság kezelése is hozzátartozik.

Elsődleges forrás: OpenAI, 2026. november 6.

Eredeti forrás: OpenAI ↗