读懂实验，不等于接管实验室：BioBasicsBench 应改变什么

OpenAI 于 2026 年 11 月 6 日介绍了与 Ligo 合作开发的 BioBasicsBench：包含 100 项基于原始数据的湿实验室任务。公布的百分比衡量评分标准下的得分，并不等于完整任务成功率。

在比较模型排名之前，采购者应先理解这个区别。实验室购买的不是一个平均分，而是一种分配注意力、接受结论并决定下一步行动的方式。助手可能降低其中某个环节的成本，却没有使整段工作适合交给机器独立承担。

三种问题，不是一架通用阶梯

2024 年 7 月 14 日提交的 LAB-Bench 论文介绍了超过 2,400 道生物研究多项选择题。2026 年 8 月 24 日提交的 BenchBench-Protocol 预印本则从科研人员实际修改实验方案的工作中构建了 149 项任务。它们代表不同的测评设计，不是可以直接兑换的进步单位。

选择答案、解释证据和调整计划，对系统提出的要求并不相同。选择题的选项可能提示出题者希望区分的关键情况；开放式助手首先需要判断哪个区别值得关注，然后才能回答。规划助手还要维持各项选择之间的依赖关系。这不证明某一种测试必然更难，而是说明把不同测试压缩成一张排行榜，可能回答了错误的问题。

对采购真正有用的比较，是测试要求模型作出的决定，与使用者准备委托的决定是否一致。如果两者不同，高分应当成为进一步调查的理由，而不是直接上线的许可。

部分得分，也有经济后果

按评分细则给予部分分数，可以让渐进改善变得可见。但组织仍然需要判断：哪些错误可以容忍，哪些能够撤回，哪些代价高昂。两份总分相同的答案，可能产生完全不同的业务后果。一份遗漏了有帮助的说明，另一份却支持了本应保持未定的结论。这是分析上的可能性，不是对该基准某个具体答案评分的指控。

设想一个假想场景：助手审阅一张测量图像，准确描述了可见模式，却没有足够背景在两种解释之间作出选择。如果它提交的是带有限定条件的观察，就能帮助科研人员集中复核；如果它把同一观察写成信心十足的决定，流畅表达反而可能增加工作。输出进入流程的哪个位置，决定了它的价值。这个例子不涉及任何具体实验操作。

这也让通常的生产率计算变得复杂。写出第一版解释所节省的时间，不自动等于取得可靠结论所节省的时间。核验、处理分歧以及从错误决定中恢复，都应计入同一张成本表。更快的初步答案可以是一项有用的产品，同时仍然不能替代有人负责的最终判断。

证据记录也是产品的一部分

我们的判断是，有价值的实验室助手应当让观察与推断的边界可以检查。复核者需要知道输入直接呈现了什么，助手用了哪些背景，以及什么仍然未知。这是一项建议的产品标准，并非上述发布材料已经证明具备的能力。

这样的记录不需要暴露模型私有的内部推理。它需要的是简洁、可以核查、与相关输入对应的陈述，以及明确写出的待决问题。另一位复核者因此可以质疑某项判断，而不必重新拼接整段对话。分歧也就能够提供信息，而不只是制造麻烦。

另一种合理担忧是：过多限定会让专家背负低价值审核。解决办法不是让每句话都更加保守，而是评估系统是否把正确的案例交给人，以及这些审核是否改变了结果。永远不作判断的系统可能少犯显眼的错误，却没有多少贡献；总是作出判断的系统则可能显得高效，直到错误向下游扩散。

扩大使用范围，需要哪一种证据

可信的采用理由，应把表现与明确的岗位职责、相关的输入组合，以及剩余错误的成本联系起来。它应区分辅助分析和自主执行，也应说明输入不完整或不熟悉时会发生什么。评估对象还应是完整的人机协作流程与现有流程，而不是孤立的答案生成速度。

这些是我们对未来证据的要求，不是已经独立测量出的结果。三项来源展示了测评的不同侧面，但单凭这些材料，不能认定实验室可以端到端自主运行，也不能推断它适用于所有实验室。

因此，我们的结论有意比“实验室自主化”的预测更窄：在系统获得最终决定权之前，更好的解释能力就可能有价值。商业机会在于把这项有限贡献做得可靠、清楚，而不是因为基准分数容易宣传，就抹掉它的适用边界。