Insilico 更新 DDD 基准：Opus-5 临床预测称王，285 项评测无一模型通吃

8 月 6 日，Insilico Medicine 更新了其门户，首次将 OpenAI 的 GPT-5.6-Sol 和 Anthropic 的 Claude Opus-5 两个前沿模型纳入评测。Claude Opus-5 以 Insilico Score 65.4 的总分登上榜首，但排行榜传递的最清晰信号是：在药物发现这条从靶点识别到临床预测的长链路上，没有一个模型能在所有环节通吃。

Opus-5 总分登顶，但三大模型各据不同赛道

此次更新后，覆盖 9 个模型、285 项独立评测、横跨 8 个科学类别。Claude Opus-5 以综合 Insilico Score 65.4 排名第一。拆开来看，总分背后是截然不同的能力剖面：

Claude Opus-5 在临床试验预测和药物吸收（ADME）相关评测中全面领先，Spearman 相关系数在 LogD 预测上达到 0.72（R² = 0.50，MAE = 0.692），明显优于其他前沿模型。
GPT-5.6-Sol 在治疗性大分子（包括抗体可开发性预测）维度占优，在多步合成规划 URSAbench 上排名 LLM 第一、总榜第三，仅次于两个专用逆合成规划器。
Grok 4.5 在长寿（Longevity）类别中拿下第一名，覆盖衰老预测、甲基化年龄、NHANES 死亡率分类等多项子任务。

Insilico 在更新公告中直言："令人惊讶的结果是——没有一个模型在所有类别中胜出。"（"The surprising result: there is no single winner across all categories."）

临床、大分子、长寿：三家如何划出自己的优势区

Claude Opus-5：临床预测与 ADME 维度建立领先

DDD Benchmark 包含超过 300 项评测，其中 ADME（吸收、分布、代谢、排泄）与临床前安全性预测是衡量一个 AI 模型是否具备制药实用性的硬指标。Opus-5 在这批评测中表现的系统性优势最为突出。

Insilico 生成式生物制剂产品经理 Andrew Aiginin 指出，Opus-5 在口服药物吸收预测上"做了出色的工作，超越了其他前沿模型"（）。对于一个口服药来说，能否穿过肠壁进入血液，是决定它能否替代注射给药的关键一步。Opus-5 在 Caco-2 渗透性、MDCK-MDR1 渗透性、血浆蛋白结合率等子项上均交出领先的 Spearman 相关系数。

Insilico AI 模型负责人 Vladimir Aladinskiy 发布的 LogD 预测对比数据显示，（"a clear step-change"）。

GPT-5.6-Sol：大分子与合成规划的双重壁垒

GPT-5.6-Sol 在大治疗性分子类别中建立了自己的壁垒。Aiginin 此前曾对比 GPT-5.6 家族三款模型（Sol、Terra、Luna）在抗体可开发性预测上的表现，Sol 以最高推理算力投入换取最好成绩，而 Luna 以远低于 Sol 的价格拿到了接近的水平。

在化学合成规划方面，Sol 的表现更具说服力。在多步逆合成基准 URSAbench 上，，仅落后于微软的 RetroChimera 和阿斯利康的 AiZynthFinder——两个为逆合成任务专门构建的专家系统。通用模型正在快速逼近专业工具。

Grok 4.5：长寿赛道的领跑者

Grok 4.5 在长寿类别中获得第一，涵盖衰老预测、甲基化年龄回归、NHANES 死亡率分类等多项子评测。免疫学家 Derya Unutmaz 对此评论道："，让我们看看 Grok 4.6 能否在其他药物发现基准上与 GPT-5.6 Sol 和 Opus 5 竞争。"

长寿研究是 Insilico 的核心战略方向之一。该公司创始人兼 CEO Alex Zhavoronkov 近年反复强调"productive longevity"（高效长寿）的愿景，Grok 4.5 在这一特定方向的胜出，为 xAI 的模型在生物医学垂直领域打开了一个切入点。

专家模型仍然把控关键阵地

Insilico 更新公告中分量最重的判断是：在多个类别中，前沿模型尚未超越专家模型（"in many categories, frontier models have not yet surpassed specialist models"）。

URSAbench 是最直观的例子。微软的，阿斯利康的 AiZynthFinder 紧随其后。GPT-5.6 Sol 代表的通用 LLM 虽然进步迅速，但在需要精确化学推理的逆合成规划任务上，专门为化学空间设计的系统仍然有明显优势。

Aladinskiy 在引用 DDD Benchmark 的"全谱图"（Full-Spectrum map）时写道："。"

一个"去污染"的基准为什么重要

DDD Benchmark 的设计逻辑建立在一个具体判断之上：大多数公开 AI 基准存在严重的数据污染，模型通过记忆训练数据中见过的测试题拿到虚高的分数，面对真实的候选药物决策时却失灵。

Insilico 的应对方案是把基准锚定在自己的真实药物发现项目上。，自成立以来，Insilico 已提名 31 个临床前候选化合物（PCC），获得超过 10 项 IND 批件，将 PCC 提名周期从传统方法的 2.5 至 4 年以上压缩到约 12 至 18 个月。其核心管线 Rentosertib（ISM001-055）是一个完全由 AI 发现和设计、已进入 III 期临床的 first-in-class TNIK 抑制剂，适应症为特发性肺纤维化。

DDD Benchmark 包含两套评测组合——Drug Discovery Foundations（300+ 项基于专有分布外测试集和严格去污染公开数据的评测）和 Drug Candidate Essentials（考察模型从苗头化合物到 PCC 提名的端到端决策能力）。任何通过标准 chat-completions API 服务的模型都可以接入评测。

AI 投资者 Bradley Woolf 在参观了 Insilico 实验室后指出，该公司已对外出售或许可了 11 个药物项目，其模式""（fundamentally how new biopharmas will operate）。

多模型管线正在成为现实

DDD Benchmark 此次更新的隐含推论比排行榜本身更有指向性：如果药物发现的不同环节天然适配不同的模型架构，那么未来的 AI 驱动药物研发管线不会是"选一个最强模型"，而是"在每个环节使用最适合的模型"。

Insilico 已经在实践这一思路。其 Pharma.AI 平台包含三个核心模块：PandaOmics（靶点发现）、Chemistry42（生成化学）和 inClinico（临床试验预测），各自可以接入不同的底层模型。此次 DDD 基准更新后开放的模型评测 API，让外部团队也能验证自己的模型在具体环节上的表现，而非仅仅追求一个综合排名。

GPT-5.6 家族内部的性能-成本梯度（Sol > Terra > Luna）、Opus-5 在 ADME 维度上的专长、Grok 4.5 在长寿领域的特定优势——三者的互补性已经足够清晰。问题不再是"哪个模型最好"，而是"你的分子此刻应该调用哪个模型"。