先说结论：拿真正的生物科研题去考 AI，目前最猛的模型，三道里答对一道——这还是最高分。
这套题难在哪
OpenAI 6 月 17 日放出一套新基准，叫 LifeSciBench。专门干一件事：测 AI 到底会不会做生命科学的研究。
不是那种”DNA 由几种碱基组成”的选择题。是把科研里最磨人的部分搬过来——证据不全、得自己权衡、还得拍板。
几个数字感受下这套题的分量：
- 750 道题，全是专家手写
- 173 位科学家出题，每个都是博士，手里都有生物科技或制药行业的实战经验
- 7 种科研工作流 × 7 个生物领域（基因组学、药物化学、临床转化等）
- 题里塞了 1,062 份材料：图表、PDF、化学文件
- 评分标准拆成 19,020 条细则，平均一道题 25 条
- 另外找了 453 个人来审题把关，97% 是博士
而且这些题没有标准答案可对。全是开放式问答，79% 的题得多步推理才能解，平均一道要走四步。评分也不是对答案，是按那 19,020 条细则一点点给——答对一半给一半的分。
说白了，OpenAI 这次不是在考 AI 知不知道，是在考它会不会干活。
成绩单：没一个及格
来看分。各家模型在这套题上的表现：
| 模型 | 标准化得分 | 整题通过率 |
|---|---|---|
| GPT-Rosalind | 0.576 | 36.1% |
| GPT-5.5 | 0.519 | 25.7% |
| Gemini 3.1 Pro | 0.515 | 23.6% |
| GPT-5.4 | 0.479 | 20.7% |
| Grok 4.3 | 0.399 | 13.0% |
OpenAI 自家那个专攻生命科学的 GPT-Rosalind 排第一，整题通过率 36.1%。
听着像赢了？可这数字摊开看——最强的模型，三道题也就完整答对一道。OpenAI 自己在报告里写得直白：
“即便是最强的模型，大约每三道题也只能过一道。”
剩下几家更不用提。通用旗舰 GPT-5.5 和 Gemini 3.1 Pro 卡在两成多，Grok 4.3 只有 13%。
这事为什么值得看
有意思的地方不在排名，在这套题本身。
过去测 AI 做科研，多半是刷选择题、对单一答案，分数很容易刷高。可真做研究的人都知道——难的从来不是”知道答案”，是面对一堆互相打架的证据，自己判断该信哪个、下一步往哪走。
LifeSciBench 把这部分单拎出来考，分数立刻就掉下来了。三分之一的通过率，等于明说：现在的 AI，离能独立扛起一个生物实验室的活，还差得远。
但反过来看，这恰恰是 OpenAI 想要的信号。同一天它还跟 Molecule.one 一起秀了个”半自动 AI 化学家”——用 GPT-5.4 真把一个做药的关键反应给改进了。
一边告诉你 AI 做科研还过不了三分之一，一边演示 AI 已经能在真实的制药环节里出活。两件事放一起，OpenAI 的意思其实挺清楚：路还长，但已经上路了。
至于 AI 哪天能真把博士们手里的活接过去——这套 750 道题就是那把尺子。明年再考一次，分数往哪走，比任何 PPT 都实在。
参考来源：OpenAI Releases LifeSciBench, a 750-Task Benchmark Grading AI Models on Real Life-Science Research With Expert-Written Rubric（MarkTechPost）；CocoLoop、OpenAI Unveils LifeSciBench（StartupHub.ai）