OpenAI a présenté, le 6 novembre 2026, BioBasicsBench, un benchmark conçu avec la biotech Ligo pour évaluer la capacité d’agents IA à analyser des données de laboratoire. L’objectif n’est pas de les interroger sur des notions de biologie déjà résumées dans un manuel, mais de les confronter à des éléments bruts et parfois ambigus, proches du travail quotidien en laboratoire.
Le test rassemble 100 tâches couvrant cinq domaines : méthodes sur les protéines, imagerie et cytométrie, quantification et essais, méthodes sur les acides nucléiques et clonage moléculaire. Les agents doivent notamment interpréter des images de gels et de blots, des boîtes de culture, des images de microscopie, des relevés d’instruments, des fichiers de séquençage ou encore des vidéos de manipulation. Ils doivent aussi détecter des erreurs et reconnaître quand les données ne permettent pas de conclure.
Les tâches proviennent d’expériences menées par des scientifiques. Elles sont accompagnées de critères de notation rédigés par des experts et ont fait l’objet de plusieurs relectures, dont une évaluation externe par un scientifique de niveau doctorat travaillant en laboratoire.
OpenAI a évalué sept modèles dans 37 configurations associant modèle et effort de raisonnement. Avec cinq tentatives pour chacune des 100 tâches, l’ensemble représente 18 500 résultats. Au niveau de raisonnement xhigh, GPT-6 Astra obtient en moyenne 66,7 % des points disponibles, contre 43,8 % pour GPT-5.6 Sol.
Le résultat ne vaut toutefois pas démonstration de fiabilité en conditions réelles. OpenAI documente plusieurs échecs de GPT-6 Astra : des contrôles mal interprétés, une hypothèse qui prend le dessus sur les données, ou encore un comptage de colonies surestimé d’environ 12 % sur une boîte. BioBasicsBench met donc autant en lumière les progrès des modèles multimodaux que leur difficulté persistante à gérer l’incertitude expérimentale.
