Saltar al contenido
Fuentes. Contexto. Criterio.SEÑALIA SIN RUIDOBoletín gratis
martes, 17 de noviembre de 2026
InvestigaciónNoticia · 2 min de lecturaAnuncio de la empresaConfianza alta

OpenAI estrena BioBasicsBench: sus mejores modelos aún fallan en el laboratorio

Redacción automática SEÑALResponsable editorial: Sergio SallaveraEl hecho: 6 nov 2026

OpenAI ha presentado BioBasicsBench, un banco de pruebas de 100 tareas de laboratorio real desarrollado con la biotech Ligo. Según los resultados publicados, GPT-6 Astra alcanza un 66,7 % de la puntuación disponible, y la propia OpenAI documenta fallos graves del modelo al interpretar controles y recuentos.

Qué ha ocurrido

OpenAI ha introducido BioBasicsBench, un banco de pruebas para medir cómo los agentes de IA interpretan datos experimentales crudos de laboratorio de biología: el trabajo diario de mesa (el «wet lab», donde se manipulan muestras biológicas) que las evaluaciones habituales pasan por alto, porque se construyen con las figuras limpias de los artículos publicados. El banco lo ha desarrollado con Ligo, una biotech dedicada al diseño de enzimas, y lo ha anunciado el 6 de noviembre en su blog.

Las 100 tareas cubren cinco áreas —métodos de proteínas, imagen y citometría, cuantificación y ensayos, métodos de ácidos nucleicos y clonación molecular— y usan evidencia tal como llega a la mesa: imágenes de geles, fotografías de placas de colonias, pilas de microscopía, ficheros de secuenciación y exportaciones de instrumentos. Cada tarea lleva una rúbrica escrita por expertos y pasó por tres revisiones: una interna de un científico de Ligo distinto del autor, otra externa de un doctor en activo en un laboratorio y una revisión interna final.

OpenAI ha evaluado siete de sus modelos en 37 combinaciones de modelo y esfuerzo de razonamiento, con cinco intentos por tarea: 18.500 resultados en total. En el nivel «xhigh» de razonamiento, GPT-6 Astra obtiene una recompensa media del 66,7 % del crédito disponible (intervalo de confianza del 95 %: 60,3–73,1), frente al 43,8 % de GPT-5.6 Sol.

El modelo nuevo, además, gasta menos de la mitad de tokens de salida por tarea que su predecesor: 4.704 frente a 9.099.

Por qué importa

La pieza no vende una victoria: OpenAI abre un apartado de fallos de Astra. En un gel de PCR de colonias, el modelo selecciona las bandas equivocadas —los carriles 4, 6, 7 y 8 en lugar de 5, 9 y 10— porque asume que un producto más grande indica clonación correcta e ignora lo que dicen los controles; la fuente advierte de que eso llevaría a purificar el plásmido incorrecto. También descarta las observaciones que contradicen su interpretación preferida.

En una fotografía de una placa, Astra cuenta de más las colonias cerca de un 12 %: fusiona colonias vecinas, pierde otras visibles y marca agar vacío. Con el volumen sembrado y la dilución fijos, ese recuento excesivo infla en la misma proporción la estimación de eficiencia de transformación.

«Unas puntuaciones más altas en el benchmark no significan todavía que los modelos puedan emitir juicios fiables en el laboratorio», reconoce OpenAI, que enlaza el seguimiento de estas capacidades con la bioseguridad. Dos límites importantes: todas las tareas salen de los experimentos de Ligo —centrados en diseño de enzimas— y solo se han evaluado modelos de la propia OpenAI, así que no hay contraste independiente con los competidores ni se ha anunciado distribución pública del benchmark junto a la nota.

Qué cambió

AntesLos benchmarks de IA científica se construían con figuras seleccionadas para artículos publicados, sin la ambigüedad del día a día del laboratorio.
AhoraBioBasicsBench mide a los agentes sobre evidencia cruda de experimentos reales de Ligo, incluyendo experimentos fallidos y controles engañosos, con rúbricas de expertos.
ConsecuenciaEl progreso en estas tareas da una señal más honesta de cuándo un agente puede asistir en laboratorio, mientras las puntuaciones actuales —máximo 66,7 %— quedan lejos de ese listón.

Qué sabemos · qué no

Confirmado

  • BioBasicsBench tiene 100 tareas en cinco áreas del trabajo de laboratorio, con datos crudos: geles, placas, microscopía, secuenciación y exportaciones de instrumentos.
  • Cada tarea fue escrita por científicos con sus propios experimentos y revisada tres veces, una de ellas por un doctor externo en activo.
  • Se evaluaron siete modelos GPT en 37 combinaciones de esfuerzo con cinco intentos por tarea: 18.500 resultados en total.
  • En esfuerzo xhigh, GPT-6 Astra logra el 66,7 % de la recompensa (IC 95 %: 60,3–73,1) y GPT-5.6 Sol, el 43,8 %.
  • OpenAI documenta fallos concretos de Astra: malas lecturas de controles en un gel, descarte de evidencias contradictorias y un recuento de colonias inflado un 12 %.

Todavía no

  • Cómo se comportan modelos de otros fabricantes: la evaluación solo incluye modelos de OpenAI y no hay comparación independiente.
  • Si el benchmark se distribuirá públicamente: la nota no anuncia descarga ni acceso a las tareas.
  • El rendimiento fuera del laboratorio de Ligo: todas las tareas proceden de sus experimentos, centrados en diseño de enzimas.
  • Qué significa la puntuación para el uso real: OpenAI afirma explícitamente que las cifras no implican juicios fiables en el laboratorio.

La misma claridad, en tu correo.

IA HOY, gratis de lunes a viernes, con fuentes y contexto.

Para ir al grano técnico

Qué vigilamos ahora

La publicación o no del set de tareas y rúbricas, y si algún tercero lo usa para evaluar modelos que no sean los de OpenAI.

Fuentes

Naturaleza de la afirmación principal: Anuncio de la empresa. Fuente primaria consultada y verificable.

  1. OpenAI — Measuring how AI agents handle everyday wet-lab science · nivel 1 · primaria · consultada 9 nov 2026

Más sobre

IA HOY · de lunes a viernes

La misma claridad,
cada día, en tu correo.

Una noticia principal, una selección breve y el contexto o las dudas que conviene seguir. Con fuentes y sin rellenar cupos.

Ver una edición de ejemplo

Para seguir leyendo