OpenAI 做了一件费力但有意义的事：拉上 173 位博士级的生命科学家，花力气搭了一套叫 LifeSciBench 的评测基准，专门用来测 AI 在真实科研场景里到底有几斤几两。这套基准包含 750 个研究任务，覆盖证据梳理、数据分析、实验设计优化等七个工作流，横跨七个生物子领域，每道题还配了大约 25 条细粒度评分标准，总量逼近两万条。它不是那种选择题式的标准化考试，而是尽量还原科研人员日常面对的真实问题——需要推理、需要判断、需要拿不准时也能给出有价值的回应。
具体来看，79% 的任务需要多步推理，53% 要求模型能读懂图表、PDF 这类附件信息。这两点直接戳中了当前大模型的软肋：面对结构化知识问答，主流模型已经能拿到不错的分数，但一旦把任务推到「读图—分析—设计实验」这种链条上，模型的科学正确性和实用价值就开始打折。换句话说，LifeSciBench 衡量的是 AI 在复杂、不确定情境下的科研决策能力，而不只是它能不能复述教科书。
对做 AI for Science 的团队来说，这套基准的价值在于提供了一个校准预期的尺子。前沿模型在哪些环节已经堪用、哪些环节还差得远，LifeSciBench 给出了相当具体的坐标。它也提醒行业：真正能进实验室的 AI，光会聊天远远不够，得能在多模态信息之间做推理、在模糊问题里找到合理的研究路径。这正是下一阶段模型需要啃下的硬骨头。
