Evaluación de IA
GPT-6 Astra saca un 66,7 % en el laboratorio húmedo: OpenAI lo prueba con 100 tareas y aún elige las colonias al revés
BioBasicsBench, con Ligo: 18.500 resultados de siete modelos propios. Las tareas no se publican. Astra recorta tokens y, en un gel de PCR, propone las calles 4, 6, 7 y 8 cuando la referencia marca 5, 9 y 10.
El 66,7 % no significa que el agente ya pueda firmar un gel
OpenAI publicó BioBasicsBench el 6 de noviembre de 2026, con Ligo, una empresa de diseño de enzimas. El número que ha corrido es este: GPT-6 Astra obtiene un 66,7 % de recompensa media en el esfuerzo xhigh. Eso es la media de crédito sobre 100 tareas rutinarias de laboratorio húmedo, con intervalo de confianza del 95 % entre 60,3 % y 73,1 %. No es que el modelo «ya haga el lab». Es que, en un banco interno de OpenAI, Astra se lleva dos tercios del crédito disponible.
La misma página enseña el fallo que ha empujado los comentarios: en un gel de PCR de colonias, Astra agrupa bien las bandas y luego las etiqueta al revés. Propone las calles 4, 6, 7 y 8; la referencia, comparando con los controles, elige 5, 9 y 10. Un acierto visual con la identidad experimental invertida. Si ese resultado guiara la purificación, te llevarías el plásmido equivocado.
Cien tareas, siete modelos, ninguna prueba ajena
El banco cubre cinco áreas de trabajo diario: métodos de proteínas, imagen y citometría, cuantificación y ensayos, ácidos nucleicos y clonación molecular. Las entradas conservan el aspecto sucio del laboratorio: geles y blots en 31 tareas, protocolos y notas en 27, tablas e exportaciones de instrumentos en 20, fotos de banco en 18, microscopía en 14, pantallas de equipos en 13, secuenciación en 12, vídeos de protocolo en 7 y placas de agar en 7. Una tarea puede mezclar varios tipos. Hay 21 hojas de referencia, como escalas de ladder y mapas de plásmidos.
OpenAI evaluó solo siete modelos propios: GPT-5.2, GPT-5.4, GPT-5.5, GPT-5.6 Sol, GPT-6.1 Sol, GPT-6 Luna y GPT-6 Astra. Treinta y siete combinaciones de modelo y esfuerzo, cinco intentos por tarea, 18.500 resultados. El crédito se reparte por rúbrica: una conclusión correcta no basta si el análisis es a medias. Las tareas no son públicas. No hay Claude, Gemini ni un laboratorio independiente en la tabla.
| Modelo, esfuerzo xhigh | Recompensa media | IC 95 % | Tokens de salida por tarea |
|---|---|---|---|
| GPT-6 Astra | 66,7 % | 60,3–73,1 % | 4.704 |
| GPT-6.1 Sol | 62,0 % | 55,6–68,4 % | 5.238 |
| GPT-5.6 Sol | 43,8 % | 37,6–50,0 % | 9.099 |
| GPT-6 Luna | 38,3 % | 32,3–44,5 % | 13.120 |
| GPT-5.5 | 35,4 % | 29,7–41,0 % | 11.135 |
| GPT-5.4 | 33,2 % | 28,3–38,4 % | 13.717 |
| GPT-5.2 | 31,2 % | 26,2–36,3 % | 27.620 |
Donde Astra sigue fallando
Astra mejora a GPT-5.6 Sol incluso con poco esfuerzo y gasta menos tokens: 4.704 de salida frente a 9.099. OpenAI lo atribuye a una visión nativa más fuerte. En sus ejemplos, Astra detecta que una placa de control lleva el antibiótico equivocado, «LB Kan50» en el borde cuando el experimento usa ampicilina, y que una serie de microscopio es un z-stack, no células que desaparecen. GPT-5.6 Sol se tragó el control vacío y buscó una explicación biológica al desenfoque.
Los tres fallos que OpenAI destaca no son rarezas de un demo. Astra deja que una suposición familiar pise los controles del gel. Generaliza que las vacuolas son más oscuras y descarta las más claras del mismo campo, aunque el contraste se invierte al cambiar el foco. En una placa, sus marcas de recuento juntan colonias vecinas, dejan dos visibles sin marcar y cuentan agar vacío: un sobrecuento de alrededor del 12 % respecto a la referencia. Un ejemplo hipotético: si un laboratorio encaminara el recuento de transformaciones a Astra y tomara esa cifra para calcular eficiencia, inflaría el resultado en la misma proporción. Eso ilustra el riesgo que describe OpenAI, no una prueba hecha aquí.
No puedes correr el banco; sí puedes leer lo que mide
BioBasicsBench no es un paquete que descargues ni un ranking con Claude o Gemini. Es la medición interna de OpenAI sobre trabajo sucio de laboratorio: interpretar un gel, pillar un control mal etiquetado y saber cuándo la evidencia no da para una conclusión. El 66,7 % es progreso frente al 43,8 % de GPT-5.6 Sol. Sigue lejos de un criterio que un científico firmaría sin mirar.
Aquí no se ha ejecutado ninguna tarea ni se ha llamado a Astra sobre un gel. Si montas un agente de laboratorio, el artículo sirve para calibrar expectativas: la subida de GPT-6 está, el recuento y los controles aún no. Si necesitabas un banco reproducible con modelos ajenos, este anuncio no lo entrega.