BioBasicsBench : OpenAI et Ligo testent les agents IA sur 100 tâches ordinaires de laboratoire de biologie
OpenAI a publié le 6 novembre BioBasicsBench, conçu avec la biotech Ligo à partir de données brutes de paillasse : gels, boîtes de culture, microscopie, fichiers de séquençage. GPT-6 Astra y obtient 66,7 % des points, contre 43,8 % pour GPT-5.6 Sol, mais seuls des modèles d'OpenAI ont été évalués.
La plupart des tests scientifiques pour l’IA utilisent des figures déjà propres, sélectionnées pour des articles publiés. Le travail réel d’un laboratoire de biologie est plus brouillon : expériences ratées, images ambiguës, contrôles qui se contredisent. C’est ce que veut mesurer BioBasicsBench, présenté le 6 novembre par OpenAI et conçu avec Ligo, une biotech spécialisée dans la conception d’enzymes (annonce).
Des données de paillasse, pas des figures d’article
Le benchmark compte 100 tâches courantes, du simple (lire la taille d’un fragment d’ADN sur un gel) à l’analyse détaillée d’un dosage, réparties en cinq domaines : protéines, imagerie et cytométrie, quantification, acides nucléiques, clonage. Les données sont celles que manipulent les chercheurs : photos de gels et de boîtes de culture, piles d’images de microscopie, fichiers de séquençage bruts, exports de lecteurs de plaques, vidéos de gestes de paillasse, notes manuscrites photographiées.
Chaque tâche a été écrite par un scientifique à partir de ses propres expériences, avec une grille de notation d’expert, puis relue trois fois, dont une fois par un docteur extérieur. La notation accorde des points critère par critère, y compris pour avoir reconnu que les données ne permettent pas de conclure.
Astra en tête d’un classement 100 % OpenAI
Au réglage de raisonnement le plus élevé commun à tous les modèles, GPT-6 Astra obtient 66,7 % des points, devant GPT-6.1 Sol (62,0 %) et loin devant GPT-5.6 Sol (43,8 %). OpenAI met en avant des exemples parlants : Astra remarque qu’une boîte de contrôle porte l’étiquette d’un mauvais antibiotique et la rejette, ou reconnaît qu’une série d’images où des cellules « disparaissent » est en fait un balayage en profondeur du microscope.
L’entreprise montre aussi les ratés. Astra choisit les mauvaises colonies parce qu’une hypothèse familière l’emporte sur ce que disent les contrôles, écarte des observations qui contredisent sa conclusion et surestime d’environ 12 % un comptage de colonies. OpenAI le dit elle-même : ces scores ne signifient pas encore qu’un modèle peut porter des jugements fiables en laboratoire.
Notre lecture
BioBasicsBench vise juste : c’est sur les tâches ingrates, comme lire un gel ou vérifier un contrôle, qu’un assistant de laboratoire fait gagner ou perdre des semaines. Le choix de récompenser le « je ne peux pas conclure » est le point le plus intéressant, car la sur-interprétation est l’erreur la plus coûteuse en science. Mais le tableau a une limite évidente : seuls des modèles d’OpenAI sont évalués, sur un benchmark conçu par OpenAI et un partenaire. Tant que d’autres modèles n’auront pas été mesurés, on sait surtout qu’Astra progresse nettement sur la génération précédente, pas où il se situe face à la concurrence. OpenAI précise enfin que suivre ces capacités l’aidera à en mesurer les conséquences pour la biosécurité, un enjeu qui pèsera davantage à mesure que les scores monteront.
Sources
- OpenAI — Measuring how AI agents handle everyday wet-lab science (6 novembre 2026) Source primaire
- AI Affairs — OpenAI introduces BioBasicsBench to test AI agents on wet-lab tasks (7 novembre 2026) Source secondaire
Une source primaire émane directement de l'entreprise, du laboratoire ou de l'organisme concerné. Une source secondaire rapporte l'information sans en être l'auteur : nous la signalons comme telle. Une erreur ? Consultez notre politique de correction.
