OpenAI offentliggjorde den 17. juni 2026 benchmarken LifeSciBench som en ny måde at måle, hvor godt AI-systemer klarer realistiske arbejdsopgaver i biologi og lægemiddelforskning. I stedet for korte quizspørgsmål måler benchmarken, om en model kan læse dokumenter, tolke figurer, håndtere usikkerhed og formulere svar, som en erfaren forsker faktisk kan bruge i et arbejdsforløb.
Det gør LifeSciBench interessant uden for laboratoriet. Når virksomheder, universiteter og offentlige forskningsmiljøer vurderer AI til vidensarbejde, er spørgsmålet sjældent kun, om modellen kan huske et faktasvar. Det centrale er, om den kan arbejde sig igennem uklare oplysninger, begrunde sine valg og stoppe, når beviserne ikke rækker.
Hvad er den centrale nyhed?
Den centrale nyhed er, at OpenAI har lanceret en ny forskningsbenchmark med 750 ekspertforfattede opgaver på tværs af syv arbejdsgange og syv biologiske domæner. Ifølge OpenAIs originale præsentation af LifeSciBench er opgaverne skrevet af 173 forskere med ph.d.-niveau og erfaring fra biotek- eller lægemiddelbranchen, og de er vurderet med 19.020 rubric-kriterier.
LifeSciBench er derfor ikke en ny slutbrugerfunktion, men et måleværktøj. Formålet er at undersøge, om moderne sprogmodeller kan støtte forskningsarbejde, hvor svarene ikke er entydige, og hvor kvaliteten afhænger af både faglig præcision, begrundelser og korrekt håndtering af begrænsninger.
Hvilke typer opgaver måler LifeSciBench?
OpenAI beskriver benchmarken som et forsøg på at komme tættere på virkelige arbejdssituationer i life science. Opgaverne handler derfor ikke kun om biologi som skolefag, men om den slags arbejde, som forskere udfører, når de vurderer evidens, designer forsøg og omsætter resultater til beslutninger.
- Evidenshåndtering, hvor modellen skal udtrække og sammenholde oplysninger fra artikler, figurer, tabeller og andre forskningsmaterialer.
- Analyse, design og optimering, hvor modellen skal regne, sammenligne muligheder eller foreslå næste skridt i et forsøg.
- Validering, oversættelse til klinisk relevans og videnskabelig kommunikation, hvor modellen skal forklare, afgrænse og prioritere på en måde, som giver mening i praksis.
Det ligger tæt på emner som grounding af AI-modeller, fordi modellen ikke kun skal producere flydende tekst, men også holde sig til det materiale og den dokumentation, den faktisk får stillet til rådighed.
Hvordan er benchmarken bygget op?
Ifølge OpenAI indeholder LifeSciBench 1.062 vedhæftede artefakter, blandt andet figurer, PDF-filer, tabeller, sekvensfiler, struktur- eller kemifiler og webreferencer. Mere end halvdelen af opgaverne kræver, at modellen bruger mindst ét sådant bilag aktivt i sit svar, og 79 procent af opgaverne kræver flere ræsonnementstrin.
Det er en væsentlig forskel fra mange ældre benchmarks, hvor modellen kun ser en kort tekstprompt og et facit, der kan tælles rigtigt eller forkert. I LifeSciBench får modellen fritekstopgaver, og vurderingen sker med detaljerede rubrics, som også ser på begrundelser, forbehold, regnestykker og beslutningskvalitet.
| Område | Typisk enkel benchmark | LifeSciBench |
|---|---|---|
| Input | Kort tekstspørgsmål uden bilag | Tekst, figurer, filer, tabeller og webreferencer |
| Opgavetype | Faktasvar eller én beregning | Flertrinsvurdering med usikkerhed og valg mellem flere muligheder |
| Bedømmelse | Rigtigt eller forkert | Detaljeret rubric med delpoint for faglig kvalitet og anvendelighed |
| Praktisk værdi | Viser viden på et snævert felt | Tester om modellen kan støtte realistiske forskningsbeslutninger |
Hvad viser de første resultater?
De første resultater peger på, at de stærkeste modeller er blevet bedre til at samle faglig evidens og formulere sammenhængende svar, men at de stadig er langt fra at mestre opgaverne fuldt ud. OpenAI skriver, at GPT-Rosalind opnåede den højeste samlede task pass rate på 36,1 procent, op fra 25,7 procent for GPT-5.5.
OpenAIs preprint om LifeSciBench understreger samtidig, at benchmarken er langt fra mættet. Ingen model klarer mere end 171 opgaver, svarende til 22,8 procent af benchmarken, og 261 opgaver har en bedste-model-passrate under 20 procent. Det betyder, at fremskridtene er reelle, men at modellerne stadig fejler på mange opgaver, som kræver præcise faglige valg.
Hvor er modellerne stadig svage?
OpenAI fremhæver især tre svage områder. Det første er artefakt-tunge opgaver, hvor modellen skal læse figurer, sekvensdata eller længere bilag. Det andet er design- og optimeringsopgaver, hvor modellen ikke bare skal forklare, men vælge en konkret løsning. Det tredje er opgaver, hvor små fejl i struktur, sekvens eller tal gør svaret ubrugeligt.
Det er væsentligt, fordi netop disse svagheder ofte bliver skjult, når man kun måler generel samtalekvalitet. En model kan virke overbevisende i tekst og stadig falde fra hinanden, når den skal forbinde data, beregninger og praktiske anbefalinger. Det er den samme grund til, at tredjeparts-evalueringer af AI-modeller er blevet vigtigere: glatte svar er ikke det samme som pålidelig faglig adfærd.
Hvad betyder nyheden i praksis for forskning og vidensarbejde?
LifeSciBench peger på en mere moden måde at vurdere AI på. Hvis du arbejder med forskning, analyse eller teknisk dokumentation, er den praktiske lære ikke, at AI nu kan erstatte forskere. Den mere realistiske konklusion er, at modeller bliver bedre som faglige assistenter i afgrænsede trin, men stadig skal kontrolleres tæt, især når svaret afhænger af filer, dokumentation og nøjagtige beregninger.
Det gælder også uden for life science. Benchmarkens opbygning minder om mange andre ekspertmiljøer, hvor et godt svar kræver sporbar dokumentation, usikkerhedshåndtering og tydelig begrundelse. Derfor kan nyheden også læses som et signal om, at fremtidige tests af AI i jura, offentlig sagsbehandling, finans, teknik og undervisning sandsynligvis vil bevæge sig i samme retning.
- For universiteter og forskningsenheder betyder det, at indkøb af AI ikke bør vurderes på demoer alene, men på realistiske arbejdsscenarier.
- For virksomheder med forsknings- eller udviklingsfunktioner betyder det, at pilotprojekter bør måles på dokumenteret kvalitet, ikke kun tidsbesparelse.
- For undervisere og studerende betyder det, at gode AI-svar i tekst stadig kan dække over svage faglige processer.
Hvad kan organisationer i Danmark bruge den til?
Nyheden er særlig relevant for universiteter, hospitaler, biotekmiljøer og medicinalvirksomheder i Danmark, fordi den viser en konkret metode til at teste, om en model faktisk kan arbejde med forskningslignende opgaver. Den siger ikke noget dokumenteret om dansk adgang til GPT-Rosalind, men den viser, hvilke egenskaber der bør efterspørges, hvis en organisation vil bruge generativ AI til analyse, review eller forskningsnær dokumentation.
For arbejdsgange med persondata, forsøgsdata eller fortrolige forskningsresultater er det også en påmindelse om, at teknisk kunnen ikke er nok. Man skal stadig afklare datakilder, logning, rettigheder og om materialet må bruges i en ekstern model. Det gælder både under GDPR for AI-træningsdata og under de bredere krav til risikovurdering, dokumentation og menneskeligt tilsyn, som følger med AI-brug i regulerede miljøer.
I uddannelses- og forskningssammenhæng kan benchmarken også bruges som sprog for forventningsstyring. Den gør det lettere at forklare, at et overbevisende svar ikke nødvendigvis er et tilstrækkeligt svar, og at kvalitet ofte afhænger af forklarlighed, kildeforankring og mulighed for efterprøvning, som også er centrale ideer i explainable AI.
Hvilke begrænsninger skal du have med?
LifeSciBench er stadig en benchmark og ikke et bevis på, at AI forbedrer forskning i virkelige projekter. OpenAI skriver selv, at benchmarken ikke erstatter studier af, hvordan modeller klarer sig i levende forskningsmiljøer over tid, hvor forskere itererer, samler nye data og retter kurs undervejs.
Der er også en indbygget begrænsning i, at benchmarken måler enkeltstående opgaver frem for længere samarbejdsforløb. En model kan derfor klare sig godt på et afgrænset problem og stadig være mindre nyttig i en virkelig organisation, hvis den ikke kan holde styr på versioner, dataansvar, faglige roller eller ændringer i problemformuleringen.
Det betyder, at LifeSciBench bedst skal læses som et bedre termometer for faglig AI-kvalitet, ikke som en endelig dom over, om en model er klar til drift i forskning, sundhed eller undervisning.
Hvad sker der sandsynligvis nu?
Det mest sandsynlige næste skridt er, at flere modeludviklere og forskningsmiljøer begynder at bruge benchmarks, der minder mere om virkelige arbejdsgange og mindre om standardiserede quizzer. Hvis den udvikling fortsætter, kan det ændre, hvilke påstande leverandører bliver målt på, og hvilke krav indkøbere stiller til dokumentation.
For læsere i Danmark er den vigtigste følge derfor ikke en ny app, men et skift i, hvordan man bør bedømme AI-systemer med højt fagligt ambitionsniveau. Spørgsmålet bliver mindre, om modellen skriver elegant, og mere, om den kan arbejde kildebundet, håndtere usikkerhed og levere svar, der kan tåle faglig kontrol.