打开 o3dc.org，这个网站做的第一件事，是给收录的基准做"体检"。
页面加载的几秒内，它逐个调用 GitHub API，检查收录的每个基准背后仓库的最后一次代码提交时间。哪个基准还在维护，哪个已经一年多没人动过，页面上一目了然。
这个网站叫 O3DC Benchmark Index。背后的联盟全称 Open Drug Discovery & Development Consortium，开放药物发现与开发联盟。2026 年 7 月 25 日，它上线第一批 66 个条目。此后一个月，几乎每隔一两天就有新增，最新一批就在 8 月 24 日。目前收录总数是 129 个。
它的目标写得很直白：把 AI 药物发现领域所有开放的评测基准（benchmark），放进同一个地方。这件事为什么现在才有人做？又为什么是一家公司在做？
每个基准都配一句"坏话"
129 个基准被分成 10 类。从 ADMET 性质预测、分子对接、结合亲和力，到蛋白结构预测、逆合成、靶点发现、临床试验结果预测。
但数量最多的类别有些出人意料："LLM 与智能体"，24 个，占 18.6%。这个细节后文还会用到。
真正让 O3DC 区别于普通导航站的，是每个条目都带一句"已知缺陷"（caveat）。而且措辞相当不客气。
被引用最多的 MoleculeNet，得到的评语是"被引用最多，也被批评最多"。理由很具体：多个任务数据量太小、标签噪声高、随机划分泄漏严重。PDBbind 被直接称为"该领域最大的数据泄漏源头"。经典虚拟筛选基准 DUD-E 的条目则提醒：模型只看配体特征，就能把活性分子和诱饵分子分开，根本不需要看蛋白。所以用它验证基于结构的方法前，必须先做一个纯配体对照。
这些判断不是站长拍脑袋。以 PDBbind 为例。O3DC 引用的 LP-PDBBind 研究显示，多个已发表的打分函数换到无泄漏分层后，皮尔逊相关系数会掉约 0.2。
所以 O3DC 做的事情更像建档案：每个基准测什么、谁在维护、代码在哪、还在不在更新，以及——它有什么毛病？
被引用最多的基准，仓库已经 13 个月没更新
为什么需要这样一张地图？因为 AI 药物发现的评测体系，碎得超乎想象。
这个领域不缺基准，缺的是秩序。TDC 一个平台就集成了 60 多个 AI 就绪数据集。Polaris 是阿斯利康、默克、诺华、辉瑞等药企组成的跨公司联盟，主打严格的策展标准。CASP 每两年做一次盲评，SGC 的 CACHE 挑战则专门盲测计算找苗头化合物的能力。它们各据一方，散落在几十个 GitHub 仓库、联盟官网和早已冻结的挑战页面里。
更麻烦的是什么？基准会"死"，而引用它的论文不会停。
O3DC 的实时检查机制把这件事量化了。本文写作时（2026 年 8 月 25 日）抽查了几个条目：TDC 主仓库最后一次代码提交停在 2025 年 7 月 13 日，距今超过 13 个月。Polaris 的仓库也接近一年没有更新。相比之下，开放 ADMET 数据计划 OpenADMET 的仓库 8 天前还在提交代码。
成百上千篇下游论文仍在报告 TDC 的 ADMET 数字。因此 O3DC 在该条目里专门提醒：一定要用官方提供的数据划分，不要自己重新划分。划分保真度，直接决定结果的可比性。
站长是谁？邮箱暴露了答案
O3DC 把自己包装成开放的社区倡议：任何人都可以提交基准、纠正条目、参与讨论，加入联盟"不收费用，没有排他"。
但页面上有一个不太起眼的细节。提交基准和加入联盟的表单，联系邮箱挂在 insilicomedicine.com 的域名下。具体地址是 mmaigym@insilicomedicine.com。
MMAI Gym 是英矽智能（Insilico Medicine，HKEX: 3696）的大模型训练平台，发布于 2026 年 1 月 22 日。官方说法是，要把任意通用大模型训练成"药物研发级别"的科学引擎。理由很直接：未经专门训练的前沿模型，在关键药物发现任务上的失败率高达 75%–95%。
4 月 14 日，英矽智能又基于 MMAI Gym 一口气开放了三个排行榜门户。其中一个叫 DDB（Drug Discovery Benchmark），用 303 个基准给全球前沿大模型排名。目前的榜首是 Claude Opus 5，综合得分 65.4。Grok 4.5 与 GPT 5.5 同为 60.4。
因此，O3DC 更像是一盘棋的第三步。MMAI Gym 负责训练模型，DDB 负责给模型排名，O3DC 负责把全行业的基准登记在册——包括英矽智能自己的 6 个。
英矽智能 CEO Alex Zhavoronkov 今年 8 月有句话可以当作注脚："我们的护城河，是连接 AI 和真正药物的那座桥。"桥的另一头，显然也包括评测标准本身。
不过，一家公司给全行业建"开放"索引，天然存在张力。索引里既有 TDC、Polaris 这样的社区老牌，也有英矽智能自家、且没有公开仓库的 6 个条目。裁判员与运动员的边界，只能靠治理来维持。这或许正是 O3DC 把讨论区和纠错入口放在首页的原因。截至发稿，英矽智能并未在官方渠道明示与 O3DC 的关系，以上归属判断基于公开痕迹。
给基准做索引的站，自己也在碎片化
O3DC 不是唯一想做这件事的网站。
独立站点 BioBenchmarks 同样在给基准建目录：141 个基准、2413 条直达链接。它还给每个倡议打分——ProteinGym 97.5 分，英矽智能的 DDB 拿到 87.6 分。而 DDB 自己则是第三种口径：不评基准，直接用基准评模型。
三个"总索引"，三种立场：社区治理、独立打分、模型排名。给基准做索引的网站，如今自己也需要一个索引了吗？
这听起来像玩笑，背后却是实打实的口径问题。什么算一个基准、什么算过时、缺陷由谁认定，三个站给出的答案并不一样。O3DC 收录 129 个，BioBenchmarks 收录 141 个，DDB 号称 303 个。数字的差异，本身就是定义的差异。
评测的重心，正在从"做题"转向"干活"
O3DC 的分类分布本身就是一个行业信号。
24 个智能体类基准里，大多数诞生于 2025 年之后。FutureHouse 的 LAB-Bench 让模型和人类专家比实验设计。更多新基准则直接考察智能体端到端完成筛选、优化、文献调研的全流程。评测的问题已经从"模型会不会做题"，变成"智能体能不能干活"。
但基准的维护速度，跟不上模型的迭代速度。TDC 的仓库 13 个月没有更新，而这一年里前沿模型换了好几代。用一年前的考卷考今天的模型，分数还有多少意义？这是整个行业都要回答的问题。
O3DC 上线刚满一个月。它的讨论区能否真正活跃、社区治理能否制衡站长自身的商业利益、129 这个数字能否覆盖长尾的工业界基准，现在都还没有答案。它解决了"找得到"的问题，但"信不信"仍要回到每个条目末尾那句"已知缺陷"——而这只是开始。
---