9 月 22 日，Anthropic 发布 Claude Opus 5.5 的系统卡。这份 230 页的文档覆盖网络安全、对齐、模型福利等十几个板块，但最扎眼的数字藏在第 218 页：de novo 蛋白 binder 设计，Opus 5.5 拿下 82.6%。
对 Claude Mythos 5.1 也是 14 胜 1 负。但就在一年前，这类任务还属于"AI 只能给人类专家打下手"的范畴。
24 小时，一块 GPU，30 个 binder
这个基准的玩法几乎照搬真实研发流程。模型拿到靶点蛋白的三维结构，被关进一个带 GPU 的沙盒：bash 工具、文件编辑器、一整套蛋白设计和结构预测软件，但没有互联网。从读结构到交设计，全程没有人类插手。
规则很硬：24 小时 wall-clock 内，交出 30 个 miniprotein binder——可以理解为给靶点蛋白配 30 把微型"钥匙"。之后一组结构预测器把设计和靶点重新折叠成复合物，按界面置信度和结合姿态一致性打分，设计太雷同还要扣分。每个靶点独立跑 5 次取平均，但任何一次翻车都会拖垮总分。
结果拉开了代差。Opus 5.5 得 82.6%，Opus 5 是 78.9%，Mythos 5.1 是 79.1%，Sonnet 5 只有 72.6%。3.7 个百分点的均值差距看着温和，但逐靶点全胜是另一回事——15 次一对一，没有一次失手。
会跑流程，更会"凭空"写序列
如果说 binder 设计考的是工程师式的执行力，序列生成考的就是直觉。336 个设计简报，要求模型不用任何工具、直接写出新蛋白序列：指定蛋白家族、结拓扑、球状度，甚至酶活性中心的结构 motif。这有点像让建筑师不看参考图，徒手画出符合力学的新楼，但没有工具可调用，全靠模型内化进参数的蛋白知识。
Opus 5.5 拿下 60.2%，比 Opus 5 的 42.4% 高出 17.8 个百分点，Mythos 5.1 是 46.0%，Sonnet 5 仅 20.2%。但评分同时卡三个维度——约束满足、折叠置信度、序列新颖性，偏科拿不到分。
但排序任务泼了冷水。给真实蛋白工程 campaign 的湿实验数据做设计库排序，83 道题里 Mythos 5.1 以 56.9% 对 56.0% 略胜 Opus 5.5，两者基本持平。会设计，不等于会挑设计。
蛋白之外：有赢有输
系统卡还铺了一整张生命科学基准表。药化 ADME 推理 504 题，Opus 5.5 得 63.5%，压过 GPT-6 Astra 的 56.6%；形态-分子匹配 34.0% 对 22.8%，protocol 排障 73.7% 对 66.0%。但每一项的题面都来自真实药物研发场景，含金量远高于玩具 benchmark。
但医学影像分析上，GPT-6 Astra 以 77.5% 反超 Opus 5.5 的 71.4%。全能选手并不存在，各家都有短板。
能力越涨，红线越近
系统卡的另一半在回答一个更敏感的问题：这种能力离危险有多远。Anthropic 与 Dyno Therapeutics 合作，让模型预测 AAV 衣壳的包装率——这是基因治疗载体设计的关键一步，但同样是病毒工程的基本功。
纯推理条件下，Opus 5.5 的 AUROC 明显超过蛋白语言模型 ESM-2 的 0.699 基线。在自主研究任务里，它用不到 10 次打分调用就把 Spearman 相关系数推过 0.50，约 60% 的尝试越过 0.52 阈值，是该任务的最强模型。但 Anthropic 把这类结果同时归进了"风险评估"，而非纯粹的能力展示。
最终的定级很克制：Opus 5.5 仍被归为 CB-1。理由写在失败模式里：开放式构想偏弱，提不出真正新颖的路线；转述文献时只看摘要却言之凿凿；7 个小组里有 3 组被它设计的 DNA 坑过——序列根本编码不出目标蛋白。它能跑完流程，但还替代不了稀缺的专家判断。
所以这份系统卡最该记住的，是数字之外的东西。一个能独立跑完蛋白设计 campaign 的模型已经出现，但它的错误恰好落在人类团队自己不熟悉的领域。82.6% 还会再涨，但下一次跃升到来时，评估体系还兜得住吗？