LifeSciBench : 36,1 % de réussite, et ce que ce benchmark dit vraiment de l’IA en sciences de la vie

Un benchmark d’OpenAI pose une question inhabituelle : un modèle de langage peut-il vraiment aider un chercheur en sciences de la vie, ou se contente-t-il de réciter ce qu’il a déjà lu ? LifeSciBench, publié le 17 juin 2026 par OpenAI, tente de répondre à cette question en soumettant les modèles à 750 tâches écrites par 173 chercheurs titulaires d’un doctorat, tous passés par l’industrie biotech ou pharmaceutique. Et le premier enseignement est sévère : même le modèle dédié de l’éditeur, GPT-Rosalind, ne franchit la barre de réussite que dans 36,1 % des cas.

Pourquoi un nouveau benchmark biotech ?

Les benchmarks spécialisés existants en biologie — QASper, PubMedQA, BioASQ — mesurent surtout la capacité à répondre à une question bien posée, souvent à choix multiples. Utile, mais éloigné du travail réel d’un laboratoire. « L’activité de recherche ressemble rarement à une question de rappel de fait ou à un problème de prédiction propre », écrivent les auteurs d’OpenAI. Elle consiste à interpréter des preuves incomplètes, à arbitrer entre des résultats contradictoires, à concevoir une expérience, à évaluer un risque translationnel, à décider quoi faire ensuite dans l’incertitude.

LifeSciBench s’attaque précisément à ce terrain. Chaque tâche prend la forme d’une demande qu’un scientifique pourrait adresser à un collaborateur expérimenté : un énoncé scientifique, des pièces jointes (figures, PDF, tableaux, fichiers de séquence, structures chimiques), et une réponse libre à produire. Le barème de notation — le rubric — est détaillé lui aussi : 19 020 critères experts, soit environ 25 par tâche, qui jugent la justesse scientifique, le niveau de détail, la gestion des caveats, et la qualité des justifications.

750 tâches, 7 workflows, 7 domaines biologiques

Le benchmark s’organise autour de sept grandes familles de travaux de recherche — gestion des preuves, analyse, conception et optimisation, raisonnement scientifique, validation et opérations, translation (le passage du préclinique à la clinique), et communication scientifique — appliquées à sept domaines biologiques. Au total, 750 tâches expertes, accompagnées de 1 062 artefacts. La majorité des questions demande plusieurs étapes de raisonnement : 79 % des tâches impliquent au moins deux décisions, avec une moyenne de quatre étapes par question. Plus de la moitié (53 %) exigent que le modèle interprète au moins une pièce jointe pour répondre correctement.

173 chercheurs PhD ont écrit les tâches, en repartant en cycles de revue itératifs — six passages automatisés en moyenne, puis au moins deux rondes d’évaluation par les pairs. Une cohorte séparée de 453 reviewers, dont 97 % titulaires d’un doctorat avec douze ans d’expérience en moyenne, a ensuite validé la qualité du benchmark ; sur tous les critères (pertinence, ancrage scientifique, utilité pour la recherche), leur accord a dépassé 96 %.

GPT-Rosalind en tête, mais à 36,1 %

Le score global est calculé de deux façons : la « pass rate » compte les tâches dont le modèle atteint un seuil de réussite fixé à 70 % du barème expert ; le « score » moyenne les crédits partiels obtenus sur chaque critère. Sur la pass rate globale, GPT-Rosalind (le modèle dédié sciences de la vie d’OpenAI) atteint 36,1 %, contre 25,7 % pour son prédécesseur GPT-5.5. Une progression nette, mais qui laisse plus de six tâches sur dix non résolues.

Le tableau fait apparaître une ligne de fracture nette. Quand la tâche est purement textuelle et que la réponse peut s’exprimer en prose argumentée, les modèles s’en sortent honorablement. Dès qu’il faut lire un gel, déchiffrer une figure ou produire une séquence exploitable, les résultats s’effondrent. C’est précisément dans les scénarios où la science avance vraiment — valider une hypothèse, dessiner une expérience, écrire un rapport à un régulateur — que l’IA reste fragile.

Exemple concret : préparer une réunion FDA sur une thérapie génique

Pour donner chair à son benchmark, OpenAI propose une tâche typique : préparer une réunion de type B avec la FDA autour d’AAV9-microDys-X, une thérapie génique pour la myopathie de Duchenne. Le modèle reçoit le dossier clinique (biopsies, signal en immunofluorescence, données de fonction motrice, biodistribution, profil de sécurité) et doit produire une critique serrée : « Là où la FDA dirait que les preuves ne tiennent pas, et quelles données supplémentaires faudrait-il ? ».

La réponse candidate, fournie par GPT-Rosalind dans l’article d’OpenAI, identifie plusieurs points faibles méthodologiques : l’anticorps utilisé pour le Western blot (MANEX1A) reconnaît un épitope partagé entre la dystrophine endogène et la microdystrophine transgénique, ce qui rend la quantification peu fiable ; il manque un standard recombinant et une méthode orthogonale. Le niveau de détail est élevé, mais la réponse type reste un point de départ, pas un document réglementaire.

Ce que ce benchmark ne mesure pas

LifeSciBench est une avancée, mais il faut le lire avec ses angles morts. D’abord, il a été conçu par OpenAI, et publié en même temps que le modèle qu’il évalue — un point que la note d’OpenAI reconnaît elle-même. L’évaluation se fait sur des tâches unitaires ; elle ne reproduit pas le travail itératif d’un laboratoire, où l’on revient plusieurs fois sur une hypothèse et où l’on dialogue avec un reviewer.

Deux autres points méritent attention. Les modèles Anthropic n’ont pas été inclus dans la comparaison publiée ; le benchmark teste GPT-Rosalind, GPT-5.5, Grok 4.3 et Gemini 3.1 Pro, mais pas Claude ni les modèles open source. Enfin, GPT-Rosalind reste, à la date de publication, en aperçu de recherche à accès contrôlé. Les chiffres existent ; l’accès au modèle reste filtré.

Reste l’apport principal : pour la première fois à cette échelle, une évaluation publique met en regard la promesse « l’IA assiste le chercheur en sciences de la vie » et la réalité mesurée. Sur les questions de communication, de synthèse et d’aide à la décision, les modèles progressent vite. Sur la conception rigoureuse, l’exploitation d’artefacts et la production de sorties directement utilisables au labo, la marge reste considérable. Pour la communauté scientifique, LifeSciBench pose surtout une bonne question : que faut-il encore construire — en interfaces, en outils, en évaluations — pour transformer l’IA en vrai partenaire de paillasse ?