11月9日、My Electric Sparksが「GPT-6 Astra Tops OpenAI BioBasicsBench Wet Lab Test With 66.7 Percent」と題した記事を公開した。AIがピペットを握る時代はまだ先だとしても、実験データを読み解き、ゲル画像からエラーを検出し、「証拠が不十分なら判断しない」と宣言できるモデルは、すでに登場しつつある。OpenAIがバイオテック企業Ligoと共同で開発したウェットラボ向けベンチマーク「BioBasicsBench」において、GPT-6 Astraが**66.7%**のスコアで首位を獲得した。ただし、採点も設計もOpenAI自身が担っており、スコアの独立した重みを論じるにはまだ早い。
BioBasicsBenchとは何か
BioBasicsBenchは、AIエージェントが実際のウェットラボ（試薬や生体材料を実際に扱う物理的な実験室。対義語はシミュレーション主体の「ドライラボ」）業務をどれだけ正確に処理できるかを測る評価指標だ。OpenAIと酵素設計に特化したバイオテック企業Ligoが共同で構築し、2026年11月6日に結果を公表した。
ベンチマークは以下の5領域にわたる100タスクで構成されている。
- タンパク質解析（Protein Methods）
- 画像解析・フローサイトメトリー（Imaging and Cytometry）※フローサイトメトリーとは、細胞や粒子をレーザー光で一個ずつ計測・分類する手法
- 定量・アッセイ（Quantification and Assays）
- 核酸解析（Nucleic Acid Methods）
- 分子クローニング（Molecular Cloning）
各タスクの入力はゲル画像、コロニープレート、顕微鏡画像、機器の出力データなど「生の実験データ」だ。モデルはそこからエラーを検出し、証拠が結論を支持できない場合は「判断不可」と宣言しなければならない。これはラボワークの核心的なスキルであり、単なる選択式クイズとは次元が異なる。
スコアの読み方：「正答率」ではなく「部分点の平均」
ここは誤読しやすいポイントなので注意が必要だ。
GPT-6 Astraが記録した66.7%は「タスクの66.7%を正解した」ということではない。部分クレジット方式（partial credit）の平均報酬（mean reward）であり、各タスクで得られる可能性のある点数の平均2/3を獲得したことを意味する。部分クレジット方式とは、完全正解・完全不正解の二択ではなく、回答の正確さに応じて段階的に点数を与える採点方式だ。95%信頼区間は60.3〜73.1%。
OpenAIは7モデル・37の推論設定の組み合わせで、各タスクに5回ずつ試行し、計18,500件の結果を収集した。主要モデルのスコア比較は以下のとおりだ。なお、GPT-6 AstraおよびGPT-6.1 Solは2026年時点でOpenAIが展開する最新世代のモデル群であり、GPT-5系との比較はバージョン間の進化幅を示している。
| モデル | スコア |
|---|---|
| GPT-6 Astra（xhigh effort） | 66.7% |
| GPT-6.1 Sol | 62.0% |
| GPT-5.6 Sol | 43.8% |
GPT-6 AstraはGPT-5.6 Solを約23ポイント上回り、直近世代との差は大きい。また、Astraのタスクあたり出力トークン数は4,704トークンで、GPT-5.6 Solの約半分。トークン効率が上がりつつ精度が向上している点は、実用面でも意味のある改善だ。画像読み取り能力の向上がスコア差を説明する主な要因としてOpenAIは挙げている。
「できた」だけでなく「できなかった」も公開
Astraが失敗したケースもOpenAIは公表している。クローニングゲルから誤ったコロニーを選択した事例や、コロニープレートの計数で約12%の過剰カウントが発生した事例が示されている。
OpenAIは「スコアが高くなっても、まだ信頼できるラボ判断を単独で下せる段階ではない」と明言している。失敗例を公開することで透明性を確保しようとする姿勢は、ベンチマーク結果の読み方として参考になる。
独立検証が存在しないという問題
このベンチマークには構造的な課題もある。現時点では、データセット・採点ルーブリック・コードのいずれも公開されていない。ルーブリックとは、評価基準を段階ごとに記述した採点表のことで、これが非公開である以上、外部チームが結果を再現・検証する手段がない状態だ。また、OpenAI以外のモデルや人間の専門家をベースラインとして含めていないため、外部との比較軸もない。
タスク設計の質は担保されている。LigoのサイエンティストがLigo自身の実験からタスクを作成し、各タスクは3回のレビューを経ており、うち1回はPhDレベルの外部ウェットラボ研究者によるものだ。採点ルーブリックは「わからない」と回答した場合にも部分点を与える設計になっており、不確実性の表明を評価する珍しい構造を持つ。ただし、丁寧に設計されたテストであっても、現状はOpenAI自身が実施した自己評価にとどまっている。
データセットが外部公開され、他のラボがモデルを走らせることで、このスコアは初めて独立した重みを持つ。その判断は今後の対応次第だ。
詳細はGPT-6 Astra Tops OpenAI BioBasicsBench Wet Lab Test With 66.7 Percentを参照していただきたい。
