LifeSciBench
OpenAI 出品的生命科学专家级任务基准：750 道自由作答任务覆盖 7 类工作流 × 7 个生物领域，以专家撰写的 rubric 评分
基本信息
30 秒看懂
单轮、允许联网的设定下，最强模型 GPT-Rosalind 归一化 rubric 得分 0.576、任务通过率（rubric ≥70%）仅 36.1%，GPT-5.5 为 0.519/25.7%；读分时注意通过率远低于 rubric 均分——大量任务处于「拿了部分分但未通过」状态。
采用格局：2026-06 发布；证据账本中 OpenAI GPT-5.6 页 5 行引用（含第三方对照列）
评分协议
单轮、允许 unrestricted 联网；rubric 条目加权计分，任务通过阈值 rubric ≥70%
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布（收录 5 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-08-26
OpenAI·国际
本发布含 3 个变体，各变体规格见模型详情。
发布文将 Sol 定位为 GPT-5.6 的旗舰档（medium/high/xhigh/max/ultra 五档努力级别）。36 项评测横跨智能体、编码、长上下文、科研医疗金融与安全，亮点为 BrowseComp 90.4% 与 Terminal-Bench 2.1 88.8%。
旗舰多档努力智能体安全防护
查看模型变体与证据
GPT-5.6 Sol · LifeSciBench 59.9%GPT-5.6 Terra · LifeSciBench 56%GPT-5.6 Luna · LifeSciBench 51.2%gpt-5-5 · LifeSciBench 50.4%claude-opus-4-8 · LifeSciBench 53.6%
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。