KI SpotlightNewsBioBasicsBench: OpenAI und Ligo prüfen KI-Agenten an echten Labordaten
Im Benchmark mit 100 Nasslabor-Aufgaben liegt GPT-6 Astra bei rund 67 Prozent, GPT-5.2 bei 31,2 Prozent. Die Zahlen sind Selbstangaben, und die Quellen weichen leicht voneinander ab.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- OpenAI stellt BioBasicsBench vor, einen Benchmark mit 100 Aufgaben für KI-Agenten im Nasslabor.
- Der Benchmark entstand gemeinsam mit Ligo, einem Unternehmen für Enzymdesign, und erschien am 6. November 2026.
- Die 100 Aufgaben stammen aus Experimenten von Ligo-Wissenschaftlern und umfassen Rohdaten wie Gelbilder und Sequenzierreads.
- Die Aufgaben verteilen sich auf fünf Bereiche, 88 der 100 Aufgaben sind multimodal.
- Bewertet wird mit expertenverfassten Rubriken; die Kennzahl ist der mittlere Reward über fünf Versuche pro Aufgabe.
OpenAI und Ligo lassen KI-Agenten Laborrohdaten auswerten
OpenAI hat am 6. November 2026 zusammen mit dem Enzymdesign-Unternehmen Ligo den Benchmark BioBasicsBench vorgestellt. Er umfasst 100 Aufgaben. Gemessen wird, wie gut KI-Agenten experimentelle Rohdaten deuten und Routinearbeiten aus dem Nasslabor bewältigen.
GPT-6 Astra liegt mit 66,7 Prozent auf der höchsten Reasoning-Einstellung (xhigh) vorn. GPT-5.2 steht mit 31,2 Prozent am unteren Ende. Der Abstand beträgt mehr als das Doppelte. Ai-tldr.dev nennt weitere Werte: GPT-6.1 Sol kommt demnach auf 62,0 Prozent, GPT-5.6 Sol auf 43,8 Prozent und GPT-5.5 auf 35,4 Prozent.
Echte Ligo-Experimente, einschließlich Fehlläufen, bewertet mit Expertenrubriken
Die Aufgaben stammen aus eigenen Experimenten von Ligo-Wissenschaftlern. Dazu gehören auch fehlgeschlagene Läufe und mehrdeutige Bilder. Das Material reicht von Gel- und Blotbildern über Kulturplatten-Fotos und Mikroskopie-Stacks bis zu Sequenzierreads, Plate-Reader-Exporten und Videos von Laborarbeit. 88 der 100 Aufgaben sind multimodal.
Verteilt sind sie auf fünf Bereiche: Proteinmethoden (25), Bildgebung und Zytometrie (23), Quantifizierung und Nachweis (19), Nukleinsäure-Methoden (17) und Molekulares Klonieren (16). Ein Fachmedium hebt den Unterschied zu bisherigen Biologie-Benchmarks hervor. Die nutzen eher kuratierte Paper-Abbildungen oder Multiple-Choice-Fragen.
Bewertet wird mit expertenverfassten Rubriken, die Teilpunkte pro Kriterium vergeben. Sie prüfen Messgenauigkeit, schlüssige Argumentation und benannte Unsicherheit. Kennzahl ist der mittlere Reward über fünf Versuche pro Aufgabe, kein Pass@k. Jede Aufgabe durchlief drei Prüfrunden. Eine davon führte ein externer Wet-Lab-Wissenschaftler auf PhD-Niveau durch. Laut Fachmedium gibt es 19 Fragen, bei denen die Evidenz keine eindeutige Entscheidung zulässt. Getestet wurden sieben Modelle in 37 Konfigurationen, insgesamt 18.500 bewertete Antworten.
Spitzenmodell kippt richtige Gel-Deutung, Scores weichen je nach Quelle ab
Dass die Ergebnisse Grenzen haben, zeigt ein Beispiel von rdworldonline.com. Das Spitzenmodell erkannte die Bandenmuster im Agarosegel korrekt. Dann kehrte es jedoch die Deutung um, die durch die Kontrollen gestützt war, und empfahl Kolonien, die noch das Ausgangsplasmid trugen.
Die Scores sind Selbstangaben der Anbieter. BenchLM führt den Benchmark nur als Referenz und nicht im Gesamtranking. Dort werden leicht abweichende Werte genannt: GPT-6 Astra 67,0 Prozent, GPT-6.1 Sol 62,6 Prozent, GPT-5.6 Sol 45,6 Prozent. Die Ursache der Differenz ist im Material nicht belegt. Eine Quelle nennt außerdem ausschließlich eigene OpenAI-Modelle als getestet. Vergleichswerte anderer Anbieter fehlen deshalb.
Ob der Benchmark zu den größten gehört oder sein Material zu den realitätsnächsten, lässt sich nicht eindeutig zuordnen. Das kann eine Wertung des Fachmediums sein oder eine Eigeneinschätzung. Ob die Zahlen gegenüber früheren OpenAI-Berichten neu sind, lässt sich aus dem Material nicht beurteilen.
