Benchmarks mit sauberen Paper-Grafiken sagen wenig über den Laboralltag. BioBasicsBench testet stattdessen Gel-Fotos, Mikroskopie-Stacks und Geräteexporte – samt Fehlern und Mehrdeutigkeiten.
Was der Benchmark misst
Am 6. November 2026 stellte OpenAI BioBasicsBench vor, entwickelt mit dem Biotech-Company Ligo. 100 Aufgaben aus fünf Bereichen – Proteinmethoden, Bildgebung und Zytometrie, Quantifizierung, Nukleinsäure-Methoden und molekulares Klonen – prüfen, ob Agenten Rohdaten interpretieren, Fehler erkennen und merken, wenn die Daten keine Schlussfolgerung tragen. Bewertet wird nach von Fachleuten geschriebenen Rubriken.
Die Ergebnisse
Auf der höchsten gemeinsamen Reasoning-Stufe („xhigh“) erreicht GPT-6 Astra laut OpenAI 66,7 Prozent der möglichen Punkte, GPT-6.1 Sol 62,0 Prozent und GPT-5.6 Sol 43,8 Prozent. Astra benötigt dabei weniger Output-Token pro Aufgabe. OpenAI führt die Verbesserungen vor allem auf stärkere native Multimodalität zurück.
Wo Modelle noch scheitern
OpenAI dokumentiert selbst typische Fehler: Annahmen, die Kontrollen überstimmen, ignorierte widersprüchliche Bildbereiche und rund 12 Prozent Überzählung bei Bakterienkolonien. Höhere Scores bedeuten laut OpenAI ausdrücklich noch keine verlässlichen Urteile im Labor.
AIVergleich-Einordnung
Ein Hersteller-Benchmark mit eigenen Modellen – nützlich als Fähigkeits-Signal für multimodale Analyse, nicht als neutrale Rangliste. Für Forschungsteams in AT/EU: KI-Auswertungen nur mit menschlicher Kontrolle der Kontrollen einsetzen. Im Katalog unter „Forschung & Analyse“ als Kontext zu GPT-6 Astra führen.
Diese Einordnung basiert auf der verlinkten Primärquelle. Produktangaben können sich nach Veröffentlichung ändern.



