BioBasicsBench : OpenAI mesure des agents sur des données wet-lab brutes, pas encore un assistant de labo

En une phrase : Le 6 novembre 2026, OpenAI a publié BioBasicsBench, un banc de 100 tâches de science wet-lab développé avec Ligo : à l’effort xhigh, GPT-6 Astra obtient 66,7 % du crédit disponible, contre 43,8 % pour GPT-5.6 Sol, et OpenAI précise qu’un score plus élevé ne signifie pas encore que les modèles peuvent porter des jugements fiables au laboratoire.

Le titre qui circulera (« OpenAI domine la biologie », « Astra lit déjà les gels ») n’est pas ce que dit la page publiée le 6 novembre 2026. BioBasicsBench ne classe pas des découvertes. Il mesure si des agents IA savent interpréter des données expérimentales brutes — celles que l’on obtient vraiment sur une paillasse, pas les figures déjà choisies pour un article. Pour un chercheur, une biotech ou quiconque suit les agents scientifiques, la question utile est concrète : peut-on déjà confier à Astra une lecture de gel, un contrôle ou un comptage de colonies ? La réponse d’OpenAI, chiffrée, est non. Le Latent n’a testé aucun modèle : tous les scores, intervalles et cas ci-dessous viennent de cette page, consultée le 8 novembre 2026.

Ce que BioBasicsBench mesure vraiment

Le banc a été développé avec Ligo, une biotech que la page d’OpenAI présente comme spécialisée dans la conception d’enzymes. Sur son site, Ligo se décrit de la même façon : elle construit des outils pour manipuler la chimie et la biologie, en commençant par le design d’enzymes. Les 100 tâches portent sur le travail wet-lab de routine — le laboratoire « humide », celui où l’on manipule des échantillons biologiques, par opposition au travail uniquement numérique.

Cinq domaines sont couverts, d’après OpenAI : les méthodes protéiques (protein methods) ; l’imagerie et la cytométrie ; la quantification et les dosages ; les méthodes sur acides nucléiques ; le clonage moléculaire. Les tâches vont d’une demande simple, comme lire la masse moléculaire d’un échantillon d’ADN sur un gel, jusqu’à l’analyse détaillée d’un dosage. Toutes relèvent, selon OpenAI, d’un travail qu’un scientifique de paillasse devrait pouvoir mener de façon fiable.

Le point méthodologique le plus utile pour comprendre ce que le chiffre représente : les agents ne voient pas des figures de papier. Ils reçoivent les formes d’évidence avec lesquelles travaillent les expérimentateurs — gels et blots, photos de boîtes, piles d’images de microscopie, exports d’appareils, vidéos de gestes de banc. Une tâche peut mélanger plusieurs types de données. OpenAI le souligne : les bancs existants, bâtis autour de graphiques et d’images déjà sélectionnés pour des publications, ratent souvent l’ambiguïté du terrain et le dépannage qu’elle impose. Mal lire une image ou passer à côté d’un problème de contrôles peut faire conclure à tort, et faire perdre du temps sur des expériences qui n’avanceront pas la question.

Source : tableau « What the agent is given » d’OpenAI, 6 novembre 2026, consulté le 8 novembre 2026. Les catégories se chevauchent : une tâche peut apparaître dans plusieurs lignes, et les 21 fiches de référence sont un matériel d’appui. On ne doit pas additionner ces effectifs pour retrouver 100.

Les scientifiques ont créé les tâches à partir des données de leurs propres expériences, en associant chaque question à une grille de notation rédigée par un expert. Chaque tâche a ensuite suivi, d’après OpenAI, trois relectures : une relecture interne par un scientifique Ligo qui ne l’avait pas écrite ; une relecture externe par un scientifique de niveau doctorat travaillant en wet-lab ; puis une relecture interne finale. Les relecteurs ont vérifié la consigne, les données expérimentales, la grille, les notes de l’auteur et une tentative de modèle déjà notée.

Les agents renvoient une réponse structurée : conclusion, mesure ou recommandation demandée et, le cas échéant, le raisonnement qui la soutient. La note n’est pas un simple vrai/faux. Chaque critère de la grille (rubric) reçoit ou non son crédit, ce qui permet de distinguer une conclusion correcte d’une analyse seulement en partie juste. La plupart des tâches mélangent plusieurs compétences : connaissances biologiques, interprétation d’images et d’autres données, détection d’erreurs, compréhension de protocole.

Ce que montrent les scores à xhigh

OpenAI a évalué sept modèles : GPT-5.2, GPT-5.4, GPT-5.5, GPT-5.6 Sol, GPT-6.1 Sol, GPT-6 Luna et GPT-6 Astra. L’évaluation couvre 37 réglages (modèle × effort de raisonnement), avec cinq essais sur chacune des 100 tâches pour chaque réglage, soit 18 500 résultats.

Le chiffre publié est une récompense moyenne (mean reward) : le score moyen de tâche, exprimé en pourcentage du crédit disponible. Ce n’est pas un taux de tâches entièrement réussies. Les intervalles de confiance à 95 % sont obtenus en rééchantillonnant des tâches entières, en gardant ensemble les cinq essais d’une même tâche. Le réglage xhigh est, d’après OpenAI, l’effort de raisonnement le plus élevé rapporté pour les sept modèles.

Source : tableau « Performance at xhigh reasoning effort » d’OpenAI, 6 novembre 2026, consulté le 8 novembre 2026. Chaque ligne porte sur les 100 tâches et cinq essais par tâche.

L’écart mis en avant par OpenAI est celui entre GPT-6 Astra (66,7 %) et GPT-5.6 Sol (43,8 %). Astra consomme aussi nettement moins de jetons de sortie par tâche (4 704) que GPT-5.2 (27 620). OpenAI affirme qu’Astra progresse nettement par rapport à GPT-5.6 Sol, y compris à faible effort de raisonnement, et y voit un signal que de meilleures capacités multimodales natives pourraient compter pour l’analyse wet-lab de tous les jours. La page ne publie pas, dans le tableau de xhigh, les scores de ces réglages bas : Le Latent ne les reconstitue pas à partir du graphique.

Ce que ces chiffres ne disent pas

D’abord, ils ne disent pas qu’un modèle est un assistant de laboratoire fiable. OpenAI l’écrit sans détour : des scores plus élevés ne signifient pas encore que les modèles peuvent porter des jugements fiables au labo. L’intervalle de GPT-6 Astra à xhigh va de 60,3 % à 73,1 % du crédit : même la borne haute laisse une part importante de critères non obtenus.

Ensuite, c’est un banc de l’éditeur des modèles évalués, comme LifeVal avant lui. Aucun modèle d’Anthropic, de Google ou de Mistral n’apparaît. On mesure les progrès d’OpenAI contre sa propre cible, pas un classement du secteur.

Le mode de calcul compte aussi. Une récompense moyenne de 66,7 % n’équivaut pas à deux tâches sur trois entièrement justes. Un agent peut obtenir une partie du crédit sur presque toutes les grilles, ou tout le crédit sur certaines et très peu sur d’autres : OpenAI ne décompose pas cette répartition. Les tâches viennent des expériences des scientifiques de Ligo ; OpenAI ne dit pas dans quelle mesure ce mélange (une biotech de design d’enzymes) représente le quotidien d’un laboratoire académique ou hospitalier français. La langue des consignes n’est pas précisée.

BioBasicsBench évalue l’interprétation de données déjà produites, pas l’exécution physique de l’expérience. Il y a bien 7 tâches avec des vidéos de protocole, mais l’agent n’inocule rien et ne charge pas lui-même un gel. OpenAI indique aussi que suivre ces capacités aidera à en comprendre les implications pour la biosécurité et la biosûreté, sans publier de chiffre supplémentaire sur ce point.

Où Astra avance, selon OpenAI

OpenAI illustre l’écart Astra / Sol par trois situations tirées du banc. Ce ne sont pas des essais du Latent.

Sur des canaux de fluorescence qui se chevauchent, GPT-5.6 Sol classe des cellules comme mortes d’après le signal d’un colorant destiné à repérer les cellules mortes. Le détecteur peut pourtant capter aussi la lumière d’un second colorant : la seule luminosité ne suffit pas à conclure. Astra reconnaît l’ambiguïté et demande de meilleurs contrôles pour séparer les signaux. Les fenêtres publiées par OpenAI sont 470–540 nm pour le canal SYTOX et 525–580 nm pour le canal FUN-1 vert, soit un recouvrement de 525–540 nm. OpenAI précise que cette fenêtre partagée rend une interférence possible, et que son ampleur n’a pas été mesurée.

Sur un clonage d’ADN, où les contrôles sont essentiels, Sol voit l’absence de colonies sur la boîte témoin négatif et s’appuie sur cette observation. Astra lit l’étiquette « LB Kan50 » sur le rebord : cela désigne la kanamycine, un autre antibiotique que l’ampicilline utilisée dans l’expérience. Astra rejette donc ce contrôle comme non fiable.

Sur une série d’images de microscope où des cellules apparaissent et disparaissent, Sol cherche une explication biologique à cette disparition apparente. Astra reconnaît un z-stack : une série d’images prises à des profondeurs différentes, où les cellules entrent et sortent simplement de la zone de netteté.

Dans ces trois cas, le gain décrit par OpenAI n’est pas une « meilleure note en biologie ». C’est le fait de voir ce que les données peuvent, et ne peuvent pas, montrer : un chevauchement de canaux, une étiquette qui invalide un témoin, une série optique plutôt qu’un phénomène cellulaire.

Où les modèles pèchent encore

La même page documente, toujours avec Astra, des échecs qui restent décisifs avant d’automatiser une lecture de gel.

Dans l’un des cas, Astra sépare correctement deux groupes de bandes obtenues par PCR de colonies, mais suppose qu’un produit plus grand identifie un clonage réussi. Sur cette hypothèse, il propose les pistes 4, 6, 7 et 8. La référence, qui compare les bandes aux contrôles, sélectionne les pistes 5, 9 et 10. La légende publiée par OpenAI identifie la piste 1 comme le marqueur, la piste 2 comme le mélange de clonage, la piste 3 comme le plasmide d’origine, et les pistes 4 à 10 comme les échantillons de colonies. La piste 3 ne contient que le PCR du plasmide d’origine (position de référence de l’ancien plasmide) ; la piste 2 mélange les deux motifs, parce qu’un assemblage incomplet laisse de l’ancien gabarit à côté du nouveau produit. Les colonies peuvent donc porter l’un ou l’autre plasmide. Astra groupe bien les bandes visuellement, mais inverse les identités expérimentales attachées à ces groupes. Il sélectionnerait donc les mauvaises colonies, ce qui, écrit OpenAI, conduirait à purifier le mauvais plasmide en aval.

Dans un autre cas, Astra généralise que les vacuoles, des compartiments à l’intérieur des cellules, sont plus sombres que le reste de la cellule, alors que certaines apparaissent plus claires sur la même image. Les deux aspects comptent : changer la mise au point du microscope peut inverser le contraste. OpenAI note qu’Astra inspecte plusieurs régions et commente même que le contraste varie avec le focus, puis accorde plus de poids aux cellules qu’il juge mieux mises au point et ne retient, dans la réponse finale, que la description « vacuoles plus sombres ». Les régions plus claires, pourtant vues, ne pèsent plus dans la conclusion.

Sur une boîte, les marques de comptage d’Astra ne correspondent pas de façon fiable à des colonies individuelles : le modèle sépare mal des voisines trop proches, oublie des colonies visibles et compte de l’agar vide comme une colonie. Le résultat net, sur cette plaque, est un surcomptage d’environ 12 % par rapport à la référence du banc. Un comptage inexact change directement l’estimation de l’efficacité de transformation — la facilité avec laquelle l’ADN a été introduit dans les cellules. Volume étalé et dilution étant fixés, un surcomptage gonfle cette estimation dans la même proportion.

Un autre banc, un autre terrain : LifeVal

Quatre jours plus tôt, le 2 novembre 2026, OpenAI avait publié LifeVal, un tout autre banc : 169 tâches de la vie courante (garde d’enfants, santé, démarches, finances, courses). GPT-6 Astra y obtient une récompense moyenne de 80,6 %, contre 80,0 % pour GPT-5.6. Sur ce terrain-là, le dernier modèle haut de gamme n’apporte presque rien de plus que le précédent. Sur BioBasicsBench, l’écart Astra / GPT-5.6 Sol à xhigh est au contraire large : 66,7 % contre 43,8 %. Les deux chiffres ne se contredisent pas, parce qu’ils ne mesurent pas le même travail. Comparer 80,6 % et 66,7 % pour en déduire qu’Astra « réussit moins bien la biologie que les courses » n’a pas de sens : ni les tâches, ni le mode de notation, ni même le nom exact du modèle de comparaison (LifeVal écrit « GPT-5.6 », BioBasicsBench « GPT-5.6 Sol ») ne sont alignés.

Un autre signal, côté usage plutôt que capacité, complète le tableau. Dans son analyse de 207 000 sessions scientifiques Claude, Anthropic constate que l’idéation et la collecte physique restent sous-représentées, et que la paillasse plafonne l’accélération possible en sciences de banc. BioBasicsBench ne comble pas ce trou : il n’évalue pas la collecte physique. Il évalue l’étape d’après — lire ce que la paillasse a déjà produit — et montre que, même là, le jugement n’est pas encore fiable.

GPT-6 Astra a aussi servi d’outil dans une tout autre mesure, l’expérience de Weight-Space Programming du MIT CSAIL, où le modèle retouche les poids d’un petit réseau. Là encore, le chiffre publié ne dit rien de la lecture d’un gel.

Ce que ça change pour un labo ou un chercheur en France

Si tu diriges une équipe, tu évalues un outil d’aide à l’analyse ou tu suis les agents scientifiques, trois lectures concrètes de la page d’OpenAI :

1. Ne pas automatiser une lecture de gel ou un comptage sans relecture humaine. À xhigh, le meilleur score publié reste à 66,7 % du crédit, avec un intervalle qui descend à 60,3 %. Sur le comptage de colonies cité par OpenAI, un écart d’environ 12 % suffirait à fausser, dans la même proportion, une estimation d’efficacité de transformation.
2. Traiter Astra, au mieux, comme un second regard qui peut signaler une ambiguïté — pas comme le juge de l’expérience. Les cas où il avance (chevauchement de canaux, témoin étiqueté avec le mauvais antibiotique, z-stack pris pour une disparition cellulaire) sont précisément ceux où un humain pressé peut aussi se tromper. Les cas où il échoue encore (hypothèse qui inverse le choix des colonies, généralisation abusive sur le contraste, surcomptage) sont ceux qui feraient partir une purification ou un chiffre d’efficacité dans la mauvaise direction.
3. Ne pas importer le score de LifeVal dans un dossier scientifique. Les 80,6 % de LifeVal parlent de tâches du quotidien, souvent américaines, pas d’une PCR de colonies. Un comité, un financeur ou un industriel qui lit « Astra à plus de 80 % » sans regarder le banc se trompe de mesure.

Le même réflexe vaut en robotique, où Ai2 annonce un transfert de la simulation au réel mesuré sur 30 essais : voir ce que valent les chiffres de ToyBlocks.

OpenAI ne dit pas si ces modèles sont autorisés par ton établissement, ni comment ils traitent des données non publiées, des souches ou des protocoles confidentiels. Le banc ne le dit pas non plus. Il dit seulement, sur 100 tâches conçues avec Ligo et notées critère par critère, jusqu’où ses propres agents savent lire une évidence ambiguë — et où une hypothèse, une étiquette ou un voisinage de colonies suffisent encore à faire dévier le jugement.