AlphaFold 之后的最大震撼，来了。OpenAI 总裁 Greg Brockman 转发的一条消息引爆医药圈：在严苛的独立基准测试中，GPT-6 Astra 击败所有前沿模型，成为抗体可开发性预测的最强 AI，还在一小时内手搓出复杂的抗体机理交互式可视化页面。

一直以来的行业共识是"AI for Science 必须用专用模型打专用问题"——AlphaFold 管折叠，LLM 只配写代码读文献。今天 Astra 把这道口子撕开了。

它登顶的是 Insilico Medicine 构建的 DDD Benchmark 抗体可开发性模块，拿下 37.98 分，碾压所有受测模型。关键是没有专业生物插件、没有抗体数据微调，一个通用大模型直接切中"成药性"命脉。AI 学者 Rim Shayakhmetov 的惊叹很典型：你很难在药物发现基准里看到前沿 LLM 不依赖外部工具就这么闪耀。

为什么这成绩金贵？因为"能结合 ≠ 能成药"。找到结合抗体的钥匙只是第一步，它会不会聚集、稳不稳定、能不能真像药一样发挥作用，这些"可开发性"属性是整个生物制药界的死亡之谷——全球每年成千上万抗体分子实验室表现优异，却倒在这关，药企烧掉几十亿美金、耗几年十几年颗粒无收。Astra 说它能比任何前沿模型更准地预测这些特征。

会不会又是刷榜？Insilico 的论文显示不是。他们用 100 个与公开训练数据完全隔离、由顶尖化学家手动确认的全新分子（URSA-expert-2026）当试金石，还开发了 ChemCensor 打分系统，从反应中心映射、官能团兼容性等最底层化学物理规则判合理性。在这种"剥壳见骨"的考核下，早期 GPT-5.5、Gemini 3.1 Pro 都打不过专用化学模型 MHNreact、LocalRetro，"大力出奇迹"一度碰壁。

论文的三大杀招才真正解锁大模型：一是 Top-K 提示词，让 LLM 一次给 15 种答案，合理性多样性爆发式增长；二是用虚拟合成引擎硬造约 4560 万条已验证反应数据集（CREED-CCV-2+USPTO-XL）；三是 GRPO 强化学习里加"新颖性"奖励，想出训练集没有但合理的反应给额外大奖。这么训出来的 C3LM，终于在盲测击败所有专用模型。

更狠的是降维打击：小分子化学上 Insilico 费九牛二虎之力才让 LLM 超专用模型；切到大分子抗体可开发性，Astra 不开外部工具直接登顶。传统药企做那个可视化系统要两三周，它一小时一人一模型搞定。从逆合成到成药性，通用大模型的外溢红利正海啸般涌向硬核行业。