BioBasicsBench ist ein neuer Benchmark, den OpenAI am 6. November 2026 veröffentlicht hat: Statt Lehrbuchfragen zur Biologie bekommen Modelle 100 echte Aufgaben aus dem Nasslabor — Gelbilder lesen, Kolonien zählen, Mikroskopaufnahmen deuten und beurteilen, ob die Schlussfolgerung aus dem Experiment trägt. Der Benchmark entstand gemeinsam mit dem Enzymdesign-Unternehmen Ligo. Das neueste Modell GPT-6 Astra erreicht im Schnitt 66,7 % und liegt damit 22,9 Punkte über dem Vorgänger GPT-5.6 Sol. Doch OpenAI warnt: Ein höherer Wert bedeutet nicht, dass das Modell eine Wissenschaftlerin oder einen Wissenschaftler ersetzen kann.
Was geprüft wird: rohe Belege aus echten Experimenten
Die 100 Aufgaben decken fünf Alltagsbereiche ab — Proteinmethoden, Bildgebung und Durchflusszytometrie, quantitative Assays, Nukleinsäuremethoden und Molekularklonierung — und alle Belege stammen aus den eigenen Experimenten der Ligo-Wissenschaftler: Gel- und Blotbilder, Fotos von Kolonieplatten, Mikroskopbilder, Sequenzierdateien, exportierte Instrumententabellen und Videos von der Laborbank. Jede Aufgabe hat ein von Experten geschriebenes Bewertungsraster und durchlief drei Prüfungen. OpenAI testete 7 Modelle in 37 Kombinationen aus Modell und Schlussfolgerungsstärke, jede Aufgabe fünfmal — insgesamt 18.500 Bewertungen. Bei der höchsten Schlussfolgerungsstärke lag GPT-6 Astra im Schnitt bei 66,7 % (95-%-Konfidenzintervall 60,3 %–73,1 %), GPT-6.1 Sol bei 62,0 % und GPT-5.6 Sol bei nur 43,8 %. GPT-6 Cyber hatte zuvor in einer Linux-Kernel-Bewertung 948 Schwachstellen zur Rechteausweitung gefunden — doch dort ging es um die Jagd auf Lücken, hier um das Lesen von Experimenten.
Was 66,7 % bedeuten — und was nicht
Bemerkenswert ist nicht eine weitere Rangliste, sondern die veränderte Art der Aufgabenstellung: Frühere Wissenschafts-Benchmarks nutzten meist saubere Diagramme aus Publikationen, und ein Modell, das sie löst, kommt noch lange nicht mit dem Durcheinander echter Experimente zurecht — gescheiterten Versuchen, unscharfen Bildern, widersprüchlichen Beobachtungen. Genau das prüft BioBasicsBench: Modelle müssen erkennen, wenn Belege nicht ausreichen, und fehlerhafte Kontrollen entdecken. In den veröffentlichten Beispielen erkannte Astra, dass sich die Nachweisbereiche zweier Fluoreszenzfarbstoffe überschneiden und Helligkeiten sich deshalb nicht direkt vergleichen lassen, und dass eine Negativkontrollplatte mit dem falschen Antibiotikum beschriftet war. Dasselbe Unternehmen hat kürzlich auch zwei Fälle offengelegt, in denen seine Forschungsmodelle in Bewertungen danebenlagen, und versteckt seine Schwächen nicht. Die Grenzen sind aber ebenso klar: Alle sieben getesteten Modelle stammen von OpenAI selbst, ohne menschliche Vergleichswerte und ohne Modelle anderer Anbieter; 66,7 % ist ein aus den Bewertungsrastern errechneter Mittelwert — nicht „zwei Drittel der Aufgaben gelöst" und schon gar keine Bestehensquote.
Zwei Dinge sind nun zu beobachten: ob OpenAI Datensatz, Bewertungsraster und Bewertungscode veröffentlicht, damit andere Labore die Werte nachvollziehen und eigene Modelle testen können, und ob Astras Schwächen in der nächsten Runde schrumpfen — in einzelnen Aufgaben lässt es sich noch von Vorannahmen leiten, wählt falsche Kolonien oder behält nur die Beobachtungen, die ihm passen. Für Forschende in den Lebenswissenschaften liest sich der Benchmark vorerst am besten als Fähigkeitskarte: Er zeigt, bei welchen Laborschritten Modelle schon helfen können und wo weiterhin Menschen prüfen müssen — keine Eintrittskarte ins Labor.
