OpenAI ha presentato LifeSciBench, un benchmark AI con 750 task scientifici progettati per misurare se i modelli sanno affrontare problemi realistici nelle scienze della vita. L’annuncio è arrivato il 17 giugno 2026 insieme a un preprint tecnico che confronta cinque modelli frontier e specializzati.
Per chi usa modelli generativi nel lavoro, il punto non è sapere quale modello risponde meglio a una domanda di biologia. Il punto è capire se un sistema può leggere file, pesare prove incomplete, riconoscere un vincolo sperimentale e produrre una risposta che un esperto possa usare senza rifarla da zero.
LifeSciBench: cosa misura il nuovo test di OpenAI
Secondo l’annuncio di OpenAI, LifeSciBench nasce per colmare un limite dei test scientifici tradizionali: molte valutazioni misurano memoria, domande chiuse o competenze isolate, mentre la ricerca biologica richiede giudizio, incertezza e decisioni operative. Il benchmark copre sette workflow, tra cui gestione delle prove, analisi, progettazione sperimentale, validazione, traduzione verso il contesto clinico e comunicazione scientifica.
OpenAI riassume così il perimetro del test:
“LifeSciBench includes 750 expert-authored tasks spanning seven workflows and seven biological domains.”
I numeri servono a capire la scala: 173 scienziati hanno scritto i task, 453 revisori indipendenti li hanno valutati e le rubriche contengono 19.020 criteri. Il 79% dei task richiede più passaggi di ragionamento o decisione, con una media di quattro passaggi per problema. Non siamo nel formato quiz.
Il lato tecnico: rubriche, artifact e risposte aperte
Ogni task combina un prompt scientifico, eventuali materiali di supporto e una risposta libera. Le rubriche di valutazione non assegnano punti solo alla conclusione finale: valutano affermazioni, calcoli, decisioni, giustificazioni, caveat e formato della risposta. In pratica, un modello può arrivare vicino alla soluzione e perdere punti perché ignora un limite dell’assay, interpreta male una figura o non esplicita l’incertezza.
Questa struttura avvicina LifeSciBench ai benchmark per agenti AI, dove il problema non è solo generare testo corretto, ma mantenere coerenza tra strumenti, dati, vincoli e obiettivo finale.
Il dettaglio più interessante riguarda gli artifact, cioè file e materiali che il modello deve usare: figure, PDF, tabelle, sequenze, strutture chimiche e link web. Nel preprint LifeSciBench, OpenAI scrive che il benchmark include 1.062 artifact e che il 53% dei task richiede di interpretarli o sintetizzarli. Questo cambia il tipo di prova. Un modello non deve solo formulare una risposta plausibile: deve prendere informazioni da materiali eterogenei e trasformarle in una decisione scientifica coerente.
Il test resta però single-turn. A differenza di benchmark costruiti su siti reali e interazioni web, il modello riceve la richiesta una sola volta e non può chiedere chiarimenti, correggersi o seguire un ciclo sperimentale.Questo rende il benchmark controllabile, ma lascia fuori una parte cruciale della ricerca reale: iterare dopo un risultato inatteso.
Dove i modelli migliorano e dove cedono
Nel preprint, OpenAI valuta GPT-5.4, GPT-5.5, GPT-Rosalind, Gemini 3.1 Pro e Grok 4.3. GPT-Rosalind ottiene il risultato migliore, con uno score normalizzato di 0,576 e un pass rate del 36,1%. Il dato va letto con cautela: LifeSciBench non è saturo. Nessun modello supera 171 task, pari al 22,8% del benchmark, e 261 task hanno un best-model pass rate sotto il 20%.
Per chi usa modelli generativi nel lavoro, il punto non è sapere quale modello risponde meglio a una domanda di biologia o scala meglio in una leaderboard matematica. Il punto è capire se un sistema può leggere file, pesare prove incomplete, riconoscere un vincolo sperimentale e produrre una risposta che un esperto possa usare senza rifarla da zero.
Le aree più favorevoli sono comunicazione scientifica, sintesi e traduzione dell’evidenza verso decisioni biologiche o cliniche. Le aree più fragili sono quelle che richiedono uso pesante di artifact, progettazione e output esatti. Per GPT-Rosalind, il pass rate scende dal 45,1% sui task solo testuali al 28,1% sui task con artifact o URL. Sui task numerici arriva al 14,8%, mentre sugli output di sequenza o struttura si ferma al 24,0%.
Questi numeri contano perché molte attività di ricerca non tollerano una risposta quasi giusta. Un primer progettato male, una sequenza formattata in modo errato o un calcolo incompleto non sono piccole imperfezioni linguistiche. Sono errori operativi.
Cosa cambia nel panorama AI
Chi segue il settore da vicino sa che nel 2026 i benchmark AI scientifici stanno cambiando forma. LABBench2, pubblicato a febbraio, spingeva già nella direzione di task più realistici: quasi 1.900 prove, domande aperte, brevetti, studi clinici, figure, tabelle e protocolli. LifeSciBench si inserisce nello stesso movimento, ma punta di più sul giudizio esperto e sulle decisioni applicate alla ricerca biomedica.
I test sulla deep research misurano ricerca, sintesi e controllo delle fonti; quelli su OpenQASM 3 portano la valutazione dentro domini tecnici dove formato e verifica contano quanto la risposta.
Il cambio di scenario è netto: è più se un modello conosce la biologia, ma se sa lavorare dentro un problema biologico. Questo sposta la competizione tra sistemi AI dal punteggio generico alla capacità di gestire documenti, dati, vincoli e incertezza.
In questo scenario entrano anche i modelli open source di nuova generazione, ma LifeSciBench sposta l’attenzione dal nome del modello alla qualità della prova: materiali reali, output verificabili e criteri costruiti da esperti.
Per chi valuta strumenti AI in ricerca, prodotto o consulenza tecnica, LifeSciBench suggerisce una regola pratica: non basta guardare leaderboard generaliste o demo persuasive. Bisogna chiedere se il modello è stato testato su materiali reali, output verificabili e compiti in cui una risposta parziale può sembrare utile ma portare alla decisione sbagliata.
Fonti citate
- Introducing LifeSciBench , OpenAI, 17 giugno 2026.
- LifeSciBench: Evaluating Language Models on Realistic, Expert-Level Tasks in the Life Sciences , OpenAI e Tacit Labs, preprint 2026.
- LABBench2: An Improved Benchmark for AI Systems Performing Biology Research , arXiv, 4 febbraio 2026; versione aggiornata 5 maggio 2026.