讀懂實驗，不等於接管實驗室：BioBasicsBench 應改變什麼

OpenAI 於 2026 年 11 月 6 日介紹了與 Ligo 合作開發的 BioBasicsBench：包含 100 項基於原始資料的濕實驗室任務。公布的百分比衡量評分標準下的得分，並不等於完整任務成功率。

在比較模型排名之前，採購者應先理解這個區別。實驗室購買的不是一個平均分，而是一種分配注意力、接受結論並決定下一步行動的方式。助手可能降低其中某個環節的成本，卻沒有使整段工作適合交給機器獨立承擔。

三種問題，不是一架通用階梯

2024 年 7 月 14 日提交的 LAB-Bench 論文介紹了超過 2,400 道生物研究多項選擇題。2026 年 8 月 24 日提交的 BenchBench-Protocol 預印本則從研究人員實際修改實驗方案的工作中構建了 149 項任務。它們代表不同的測評設計，不是可以直接兌換的進步單位。

選擇答案、解釋證據和調整計畫，對系統提出的要求並不相同。選擇題的選項可能提示出題者希望區分的關鍵情況；開放式助手首先需要判斷哪個區別值得關注，然後才能回答。規劃助手還要維持各項選擇之間的依賴關係。這不證明某一種測試必然更難，而是說明把不同測試壓縮成一張排行榜，可能回答了錯誤的問題。

對採購真正有用的比較，是測試要求模型作出的決定，與使用者準備委託的決定是否一致。如果兩者不同，高分應當成為進一步調查的理由，而不是直接上線的許可。

部分得分，也有經濟後果

按評分細則給予部分分數，可以讓漸進改善變得可見。但組織仍然需要判斷：哪些錯誤可以容忍，哪些能夠撤回，哪些代價高昂。兩份總分相同的答案，可能產生完全不同的業務後果。一份遺漏了有幫助的說明，另一份卻支持了本應保持未定的結論。這是分析上的可能性，不是對該基準某個具體答案評分的指控。

設想一個假想情境：助手審閱一張測量影像，準確描述了可見模式，卻沒有足夠背景在兩種解釋之間作出選擇。如果它提交的是帶有限定條件的觀察，就能幫助研究人員集中複核；如果它把同一觀察寫成信心十足的決定，流暢表達反而可能增加工作。輸出進入流程的哪個位置，決定了它的價值。這個例子不涉及任何具體實驗操作。

這也讓通常的生產力計算變得複雜。寫出第一版解釋所節省的時間，不自動等於取得可靠結論所節省的時間。核驗、處理分歧以及從錯誤決定中恢復，都應計入同一張成本表。更快的初步答案可以是一項有用的產品，同時仍然不能替代有人負責的最終判斷。

證據紀錄也是產品的一部分

我們的判斷是，有價值的實驗室助手應當讓觀察與推斷的邊界可以檢查。複核者需要知道輸入直接呈現了什麼，助手用了哪些背景，以及什麼仍然未知。這是一項建議的產品標準，並非上述發布材料已經證明具備的能力。

這樣的紀錄不需要暴露模型私有的內部推理。它需要的是簡潔、可以核查、與相關輸入對應的陳述，以及明確寫出的待決問題。另一位複核者因此可以質疑某項判斷，而不必重新拼接整段對話。分歧也就能夠提供資訊，而不只是製造麻煩。

另一種合理擔憂是：過多限定會讓專家背負低價值審核。解決辦法不是讓每句話都更加保守，而是評估系統是否把正確的案例交給人，以及這些審核是否改變了結果。永遠不作判斷的系統可能少犯顯眼的錯誤，卻沒有多少貢獻；總是作出判斷的系統則可能顯得高效，直到錯誤向下游擴散。

擴大使用範圍，需要哪一種證據

可信的採用理由，應把表現與明確的工作職責、相關的輸入組合，以及剩餘錯誤的成本聯繫起來。它應區分輔助分析和自主執行，也應說明輸入不完整或不熟悉時會發生什麼。評估對象還應是完整的人機協作流程與現有流程，而不是孤立的答案生成速度。

這些是我們對未來證據的要求，不是已經獨立測量出的結果。三項來源展示了測評的不同側面，但單憑這些材料，不能認定實驗室可以端到端自主運行，也不能推斷它適用於所有實驗室。

因此，我們的結論有意比「實驗室自主化」的預測更窄：在系統獲得最終決定權之前，更好的解釋能力就可能有價值。商業機會在於把這項有限貢獻做得可靠、清楚，而不是因為基準分數容易宣傳，就抹掉它的適用邊界。