BioBasicsBench ya puso a GPT-6 Astra frente al trabajo que ningún titular celebra: leer un gel borroso, revisar una placa de cultivo y admitir que los datos no alcanzan para concluir nada. OpenAI presentó la prueba el 6 de noviembre, creada con Ligo, una empresa de biotecnología dedicada al diseño de enzimas. Son 100 tareas sacadas de experimentos reales, de esos donde se trabaja con muestras vivas, y el modelo más nuevo de la casa quedó primero con un 66,7 % del crédito disponible. Ojo con la lectura de ese dato: es crédito parcial por criterio, no tareas resueltas.
La tabla completa ordena el examen. En el ajuste «xhigh», el mayor nivel de razonamiento comparable, GPT-6.1 Sol marcó 62,0 % y GPT-5.6 Sol se quedó en 43,8 %. Astra logró su marca con 4.704 tokens de salida por tarea, cerca de la mitad de los 9.099 de su antecesor. OpenAI atribuye el avance a su capacidad multimodal nativa: ver mejor las fotos y los videos de la mesa, no razonar más tiempo.
El contraste pesa porque el mismo modelo arrastra otra medición incómoda de estos días: GPT-6 Astra rindió menos en las pruebas de seguridad cuando la etiqueta del examen era de seguridad. En el laboratorio la historia cambia de signo: rinde más cuando la evidencia es visual y el error está escrito a mano en el borde de una placa.
Cien tareas con geles, notas a mano y placas de verdad
BioBasicsBench no usa el material limpio de los artículos publicados, donde cada figura llega elegida por un editor. 31 tareas traen imágenes de geles y transferencias, 27 incluyen protocolos y notas de laboratorio, 20 usan tablas y exportaciones de instrumentos, 18 muestran fotos de la mesa, los reactivos y los tubos, y 14 trabajan con microscopía. El resto se reparte entre pantallas de equipos, archivos de secuenciación, videos de protocolo y placas con colonias. Cada tarea nació de un experimento de un científico de Ligo, lleva una rúbrica de corrección escrita por expertos y pasó tres revisiones, una externa, de un doctorado activo en laboratorio.
La evaluación sumó 18.500 resultados: siete modelos, 37 combinaciones de modelo y esfuerzo, cinco intentos por tarea. En un ejercicio de clonación molecular, la diferencia se vio en un detalle mínimo. GPT-5.6 Sol aceptó como válido un control negativo porque la placa estaba vacía, y Astra leyó la etiqueta escrita en el borde, «LB Kan50», y detectó que la placa llevaba kanamicina, un antibiótico distinto de la ampicilina del experimento. Ese control no servía como referencia, y Astra lo rechazó.
Otras dos tareas muestran el mismo patrón. Unas células aparecían y desaparecían entre imágenes sucesivas; Sol buscó una explicación biológica y Astra reconoció una pila en Z, una serie de fotos tomadas a distintas profundidades del microscopio. Ante un tinte de células muertas, Astra se negó a declararlas muertas: un segundo tinte se solapaba con el primero entre 525 y 540 nanómetros, y el brillo, solo, no bastaba para afirmarlo. Saber frenar a tiempo es parte del puntaje: la rúbrica da crédito por declarar que la evidencia no sostiene la conclusión.
El 66,7 % también cuenta colonias que no existen
OpenAI publicó los fallos con el mismo nivel de detalle que los aciertos, y ahí la prueba muerde. En una tarea de PCR de colonias, GPT-6 Astra agrupó bien los carriles del gel, pero partió de una suposición equivocada: que el producto de PCR más grande marcaba la clonación exitosa. Eligió las colonias 4, 6, 7 y 8; la referencia correcta era 5, 9 y 10. Ese error, en un laboratorio real, termina purificando el plásmido equivocado y perdiendo días de trabajo. En otra imagen, generalizó que las vacuolas celulares se ven más oscuras e ignoró las que se veían más claras en el mismo campo, pese a haber notado que el contraste cambia con el enfoque. Y al contar colonias de una placa, marcó agar vacío como si fuera colonia, dejó colonias visibles sin marcar y sobrecontó el total en torno a un 12 %: ese porcentaje inflaría igual la estimación de eficiencia de transformación del ADN.
La letra pequeña limita la lectura del resultado. Solo compitieron modelos de OpenAI: ningún Claude, ningún Gemini y ningún modelo de pesos abiertos pasó por las mismas 100 tareas. Las tareas no se han publicado, así que ningún equipo externo puede repetir la medición ni revisar las rúbricas, y el anuncio no trae marca de referencia con científicos humanos. BenchLM, un registro independiente de pruebas de IA, deja estos resultados fuera de sus clasificaciones ponderadas por esa falta de acceso. Ed Harris, director ejecutivo de Ligo, contó que la prueba busca mostrar dónde tropiezan los modelos con las tareas rutinarias.
OpenAI cierra su anuncio uniendo la medición a la bioseguridad: registrar si un agente interpreta bien un gel o acepta un control defectuoso sirve para seguir la pista de sus capacidades biológicas y de sus riesgos. Para un laboratorio de América Latina que evalúe agentes de IA con muestras propias, la referencia útil no es el 66,7 %, sino el método: datos crudos, rúbrica por criterio y puntos por saber decir «la evidencia no alcanza». La parte que convertiría a BioBasicsBench en un estándar compartido todavía no existe: la publicación de las tareas y la entrada de modelos rivales a la misma mesa de examen.
Fuente: OpenAI
