2026年11月20日,OpenAI发布药物化学基准MedChemBench,用99道来自真实论文与专利的题目,考模型会不会像药物化学家一样思考。GPT-6.2 Astra在xhigh推理档位下拿到84.5%的可用分,领先GPT-6 Astra的83.3%,但分数分布比总分更值得看:模型重建分子结构几乎满分,挑候选化合物、预测数值时只拿到一半左右的分。OpenAI自己也划了界线:这只能说明模型读得懂历史数据,不能证明它能发现新药。
99道题到底考什么
MedChemBench的99道题来自117篇论文与专利,涉及761个不同的分子结构,覆盖七个类别,只做临床前药物发现,不碰临床开发。它考四项能力:按图纸与化学基团拼出正确的分子结构,包括原子连接与立体化学;用实验数据解释结果、说明为什么选这个而不是那个;按要求给化合物排序、挑出候选;预测与文献一致的数值与类别,如效力、毒性与吸收代谢。比如其中一道题取自PRMT5抑制剂研究,这是癌症药物发现盯上的一个蛋白靶点。模型等于在复盘别人已经做过的药物化学判断。
分数拆开看:结构近满分,选药掉链子
同一档位下,GPT-6.2 Astra拿84.5%,GPT-6 Astra拿83.3%,GPT-6.1 Sol拿82.0%,GPT-5.6 Sol只有58.2%,最大的差距在最后一档拉开。拆到单项看得更清楚:GPT-6 Astra重建分子结构拿了95.4%的分,科学解释拿到91%,可化合物排序与选择只有约50%,数值预测约47%。也就是说,模型很擅长看懂结构图并讲清道理,到了拍板下一个该试哪个化合物、数值大概是多少时,可靠性掉了一半。OpenAI还提醒了三个前提:题目来自已发表文献,不能排除模型见过原文;每次回答都是一次尝试,没有工具、反馈与新实验;开放式设计题的判分仍依赖参考答案。
这套基准给谁用、边界在哪
对药企与科研团队来说,MedChemBench的价值不在排行榜名次,而在定位短板:结构理解与解释已经能用,选品与数值预测还得人来把关。对普通读者,它是读AI制药新闻的标尺:下次再看到AI设计出候选药,先问结构对不对、为什么选它、数值准不准,三项是否都经过湿实验验证。基准本身不评价临床价值,也不承诺任何分子能成药。
下一步看三点:这套题会不会被其他实验室采用、模型在选品与预测上的分数会不会追上来、OpenAI何时更新题目防刷榜。