OpenAI 推出 BioBasicsBench:100 道任务,测智能体解读原始实验数据、处理日常湿实验的能力
评测对象从「答题」换成「看懂真实实验数据」,衡量的是智能体在科研日常里能不能用。
// 要点
- BioBasicsBench 包含 100 道任务
- 衡量 AI 智能体解读原始实验数据的能力
- 覆盖日常湿实验科学工作,OpenAI 将其归为「论文发表」类
开发者视角和 10-30 的 GPT-6 Rosalind、11-02 的 LifeVal 连起来看,OpenAI 在给垂直场景各配一把自己的尺子。做产品的人该学的是这个做法:用「用户手里的原始数据」出题,而不是用公开题库,智能面试的评测集我也会按这个思路补一批真实简历和面试录音。