OpenAIは2026年11月4日(現地時間)、人工知能（AI）エージェントが、生化学実験の生データ解釈能力や日常的なウェットラボ作業への対応力を測定する新たなベンチマーク「BioBasicsBench」を発表しました。このベンチマークは、実際の研究現場で直面する生データをAIがどのように解釈し対処できるかを評価することを目的としており、バイオテクノロジー企業のLigoとの共同開発により100のタスクで構成されています。
BioBasicsBenchは、AIエージェントが科学者が日常的に扱う実験データを信頼性高く解釈し、生化学研究を加速させることを目指しています。
従来のベンチマークが科学論文向けに厳選されたチャートや画像に焦点を当てていたのに対し、本ベンチマークは、失敗した実験、曖昧な画像、矛盾する観察といったウェットラボ（wet-lab）における現実的な曖昧さやトラブルシューティングに対応することを目的としています。これは、未加工の実験データを解釈し、潜在的なエラーを特定し、証拠が結論を支持できない状況を正確に認識する能力をAIに要求するものです。
BioBasicsBenchの100のタスクは、タンパク質分析、画像処理・フローサイトメトリー（flow cytometry）、定量・アッセイ、核酸分析、分子クローニングの5つの主要領域を網羅しています。タスクの難易度は、ゲルのDNA分子量を読み取るような比較的単純なものから、詳細なアッセイ分析を要求される複雑なものまで多岐にわたります。
これらのタスクは、科学者自身が実際の実験データを用いて綿密に作成され、Ligoの科学者による厳格な内部レビューと、ウェットラボで現役の博士号取得者による外部レビューを経て最終化されました。評価対象のエージェントは、要求された結論、測定値、推奨事項を含む構造化された回答を返し、必要に応じてその根拠を提示することが求められます。
今回評価されたモデルのうち、GPT-6 Astraは、最も高い推論能力設定である「xhigh」において、平均で66.7%のクレジットを獲得し、GPT-5.6 Solの43.8%を大きく上回る結果を示しました。この進歩は、日常的なラボ分析におけるAIの性能が著しく改善されたことを示唆しています。しかし、同時に画像の解釈、コントロールの確認、実験的文脈の適切な適用といった領域において、さらなる改善の余地があることも明確に示されました。特に、モデルがデータの限界を識別し、不当な結論を導き出さない能力に注目が集まっています。
参考: OpenAI Blog (アーカイブ) — 2026年11月4日 17:00 (JST)