GPT-6登顶第一，AlphaFold之后最大震撼，成抗体预测最强AI

OpenAI总裁Greg Brockman刚刚转发的一条动态，让科技和医药领域为之震动。知名科学家Andrew Aiginin在X平台上公布了这一重磅消息——在严格的独立基准测试中，GPT-6 Astra击败了所有前沿模型，成为抗体可开发性预测领域的最强AI。

它不仅取得了跑分第一的成绩，还在短短1小时内，手动构建了复杂的抗体机理交互式可视化页面。

长期以来，业界有一个普遍认知：「AI for Science，必须用专用模型解决专用问题。」例如，AlphaFold专注于蛋白质折叠，而LLM通常只被视为辅助写代码和读文献的工具。然而，今天，GPT-6 Astra彻底打破了这一共识。

它凭借通用智能，直接切入生物医药研发中最难量化、最令人头疼的临床前瓶颈。这一突破并非偶然。构建该测试基准的顶尖AI制药团队Insilico Medicine在arXiv上发布了一篇21页的重磅论文。

这篇论文不仅首次揭示了测试GPT-6 Astra的DDD Benchmark的严苛性，还展示了从小分子化学合成到大分子抗体预测，通用大模型正在全面接管最硬核的科学前沿。AlphaFold之后的科学范式转移，或许才刚刚开始。

37.98分！GPT-6登顶权威「DDD基准测试」

实测结果显示：GPT-6 Astra接入DDD Benchmark中的抗体可开发性测试模块（综合了6种不同的抗体实验数据）后，拿下了惊人的37.98分，碾压了所有受测模型。

AI学者Rim Shayakhmetov发出难以置信的惊叹：「专用模型在这个任务上的常规分数是多少？这结果太有趣了，你很难在药物发现的基准测试中，看到前沿的大语言模型在『不依赖外部专用工具』的情况下如此闪耀！」

没有专业生物信息学插件、没有专门做抗体数据微调的情况下，一个通用大模型，居然直接切中了抗体成药性的命脉，这太令人兴奋了。

发现抗体只是开始，「成药」才是真正的死亡之谷

要理解GPT-6 Astra这一成绩的含金量，我们首先得弄懂一个医药界的残酷现实。Andrew写下了一句直击灵魂的话：「找到一个能结合的抗体仅仅只是开始。它会聚集吗？它能保持稳定吗？它真的能像一个药物那样发挥作用吗？」

这句话，道出了全球无数新药研发人员的血泪史。在过去，当我们谈论抗体药物研发时，大家最关注的是「结合力」。通俗点说，就是这个抗体能不能精准地像钥匙插进锁孔一样，识别并结合到病毒或癌细胞的靶点上。早期的AI模型（比如AlphaFold）已经在「预测结合」这件事上做得非常出色了。

但是！能结合 ≠ 能变成药。这就好比谈恋爱。男女双方看对眼了，一见钟情，这只是第一步。你们能不能走进婚姻的殿堂？能不能经受住柴米油盐的考验？在药物研发中，这个「柴米油盐的考验」被称为「成药性」。

现实中，无数看似结合力极强的「完美抗体」，一旦进入真实的生理环境或工业生产环节，就会暴露出致命缺陷：它会不会聚集成团？它的结构稳不稳定？它到底能不能表现得像一款真正的「药」？这些属性统称为抗体可开发性。这是整个生物制药界的「死亡之谷」。

它导致了一个极其惨烈的局面：全球每年有成千上万个抗体分子在实验室里表现优异，但最终倒在了「成药性」的评估阶段。药企为此烧掉了几十亿美金，耗费了几年甚至十几年时间，最终颗粒无收。而今天，GPT-6 Astra宣布，它能比目前世界上任何其他前沿模型，更精准地预测这些成药性特征。

揭秘试金石：GPT-6 Astra面对的「地狱级」基准测试

有人可能会问：这会不会又是一个「刷榜」成绩？绝对不是。Bogdan A. Zagribelnyy博士指出，Astra登顶的平台是他们构建的DDD Benchmark。在他们发布的论文中，我们看到了这个测试体系多么硬核。

虽然推文讨论的是「大分子抗体」，但这篇论文展示了该团队在「小分子化学」领域建立评测标准的恐怖深度。了解了这个背景，你才会明白Astra的夺冠有多么不可思议。在论文中，研究团队聚焦了另一个制药界的世纪难题：单步逆合成。

简单来说，逆合成就是「化学界的倒推法」——给你一个目标药物分子，你需要倒推出可以用哪些现成的、便宜的化学原料来合成它。过去的AI评测是怎么做的？给AI一个目标分子，AI吐出一个合成路径，如果跟已有的专利数据库（比如USPTO）里的一模一样，就算100分。

但这在真实世界里几乎行不通。因为合成路径天生就是「一对多」的，传统的「单一标准答案」评估法，极大地限制了AI探索未知的能力。为此，Insilico团队构建了令人发指的测试环境：

**1.URSA-expert-2026基准：**这是一个包含100个由机器生成、并由顶尖人类化学专家手动确认合成可及性的全新分子数据集。它与任何公开的训练数据完全隔离，彻底杜绝了模型「背题」的可能性。

**2.ChemCensor打分系统：**他们不看模型是不是完美复刻了专利，而是开发了ChemCensor框架，从「反应中心映射」、「官能团兼容性」等最底层的化学物理规则出发，去判断模型生成的反应是否具备真正的化学合理性。

正是在这种「剥壳见骨」的物理/化学规律考核下，传统的LLM几乎都失败了。在早期的Top-1测试中，哪怕是强如GPT-5.5、Gemini 3.1 Pro，其表现依然无法超越最顶尖的专用传统化学模型（如MHNreact、LocalRetro）。「大力出奇迹」的通用LLM，似乎碰壁了。

4500万数据，LLM被「逼出」科学直觉的？

通用LLM拼不过专用模型，那该怎么办？论文给出的答案震撼了业界——不要换模型，换一种激发通用模型潜力的方法。研究团队在论文中提出了三大杀招，彻底解锁了大模型在化学领域的封印：

第一招：Top-K提示词范式。既然逆合成是「一对多」，那就不要让LLM只猜一次。团队在Prompt中明确要求：「给我15种不同的答案」。奇迹出现了，仅仅是切换到Top-K模式，几乎所有的大模型（GPT-5.5, Claude Opus系列）在化学合理性和多样性上都迎来了爆发式增长。Gemini 3.1 Pro在Top-15模式下性能飙升，直接成为最强LLM基线。这证明，大模型是有科学知识的，只是过去的提问方式不对。

第二招：构建4560万规模的超大核验数据集（CREED-CCV-2+USPTO-XL）。为了训练出专门针对化学限制对齐的语言模型（C3LM），团队不惜算力，利用虚拟合成引擎和ChemCensor框架，硬生生构建了一个包含约4560万个经过验证的真实化学反应的超大规模数据集。

第三招：强化学习中的「新颖性」奖励。在微调C3LM模型时，他们引入了GRPO强化学习算法。奖励函数极其刁钻：模型给出的合成路径不仅要符合ChemCensor的化学合理性，而且如果模型能想出一种连4500万训练集里都没有、但依然合理的全新反应，将会获得额外的巨大奖励。

结果是什么？经过这种「地狱级」训练的C3LM模型，在URSA-expert-2026盲测中，终于一举击败了MHNreact等所有传统专用SSRS模型！数据分析显示，C3LM和其他基础大模型能够探索出与传统模型完全互补的反应空间，生成了大量传统模型想不到的独特路径。

论文的核心结论是：大语言模型不仅能处理自然语言，只要给予正确的环境和激励，它们完全可以掌握最深奥的化学键、官能团和合成逻辑！

降维打击：从C3LM到GPT-6 Astra，通用智能的全面接管

如果你看懂了上面这篇论文，你就会明白Bogdan博士为什么会把GPT-6 Astra的成绩和这篇论文联系在一起。在这篇论文中，Insilico团队费尽九牛二虎之力，用4500万条数据微调、用强化学习对齐、用Top-K提示词引导，才终于让大模型在小分子化学合成上打败了专用模型。

然而，当测试赛道切换到更加复杂、维度更高的大分子可开发性预测时，GPT-6 Astra居然在「没有使用外部工具」的情况下，直接在同样的DDD Benchmark测试体系下登顶，拿下了37.98分！这绝对是降维打击。

过去，我们要解决抗体稳定性问题，需要专业团队设计专门的三维图神经网络。而现在的GPT-6 Astra，它的通用世界模型中似乎已经内化了物理、化学、生物的底层逻辑。它在阅读了人类历史上浩如烟海的论文、专利、实验数据，甚至通过多模态学习了微观世界的物理法则后，已经能像人类专家一样，「直觉」判断出一个蛋白质分子在溶液中为什么会聚集。

此外，Astra展现出的工程效率同样令人胆寒。Andrew Aiginin提到：「顺便提一句，这个展示抗体实际工作原理的交互式可视化页面，也是用Astra在大约1小时内建好的。」在传统药企，做这样一个系统，整个流程少说也要两三周。现在，1个小时，一个人，一个通用大模型，就能解决了。

AlphaFold之后，真正的范式转移

GPT-6在抗体基准上的跑分第一，宣告着通用大模型已经显出AGI雏形，在人类最顶尖智力活动中取得的实质性统治。这个榜单第一，宣告了这个新时代的到来——未来十年，科学发现的核心驱动力，可能不再是为每一个孤立的科学问题定制一个专门的AI模型；而是学会如何向一个如同神明般的ASI提出正确的prompt。

小分子逆合成被突破了，大分子抗体成药性被突破了。从新药研发到材料科学，从聚变控制到量子物理，通用大模型的外溢红利，即将如海啸般席卷所有硬核行业。例如，通过开云娱乐APP，用户也能体验到类似的技术突破带来的便捷。

参考资料： https://arxiv.org/html/2608.18940 https://x.com/gdb/status/2098167375342239957 https://x.com/andrewaiginin/status/2098078245350518884 本文来自微信公众号“新智元”，作者：ASI启示录，编辑：Aeneas 大卫，36氪经授权发布。