Xaira 发布 X-Scientist：会自我进化的 AI 药物发现科学家。

2026 年 10 月 21 日，Xaira 发布药物发现智能体平台 X-Scientist。公司报告，它提名的基因干预在细胞实验中的命中率达到 7.1%，与人工筛选的 6.9% 接近。但更值得追问的是，“自我进化”究竟发生在哪一层？

可以把它想成一位带着研究助理的项目负责人：主智能体拆题、分工、验收，执行智能体调用工具，动态任务图记录计划与依赖。但从这套架构到新药仍有距离，当前展示的进展，是把科研执行、证据验证与策略改进组织到同一套流程里。

X-Scientist 的主智能体、执行智能体与动态任务图（图源：Xaira 官方发布）点击放大，可滚动查看细节

X-SCIENTIST / 01

同一个模型，科研流程能带来多少增益？

Xaira 把这层组织系统称为 harness，可理解为让大模型真正开展工作的执行框架。它连接 X-Cell 靶点识别、X-Design 分子设计与 X-Patient 患者分层等内部能力。但接通接口还不够，平台还要解释模型输出能支持什么结论。

但要看清框架本身的作用，得先拿掉领域专用加成。公司称，公开基准测试未启用领域专用工具或技能。在覆盖 82 项早期药物发现任务的 DrugDiscoveryBench 上，同用最高推理强度的 GPT-6-Astra，X-Scientist 得分为 72.8%，Codex 为 65.4%。

DrugDiscoveryBench 上不同模型与科研框架的公司报告结果；纵轴从 30% 起（图源：Xaira 官方发布，分面裁切）点击放大，可滚动查看细节

换用 Claude Sonnet 5，X-Scientist 报告得分 58.1%，Claude Code 为 44.7%，相差 13.4 个百分点。但这种增益有条件：模型、推理强度与执行框架要一起读。在 Terminal-Bench-Science 0.1 生命科学子集上，公司也报告了相对 Codex 的提升。

更关键的条件藏在验证方式里：X-Scientist 使用三选优验证；DrugDiscoveryBench 官方榜单则报告三次运行的平均值。但两者不能直接当作等预算的单次能力对决；这些结果支持科研框架值得优化，却还不足以单独证明单位成本下的优势。

Terminal-Bench-Science 生命科学子集的公司报告结果 — Terminal-Bench-Science 0.1 生命科学子集的公司报告结果；图中提升单位为百分点（图源：Xaira 官方发布，分面裁切）点击放大，可滚动查看细节

X-SCIENTIST / 02

命中率接近人工，“10 倍”快在哪？

真正把平台拉进生物学现场的，是一组肝细胞实验。团队在 HepG2 细胞中测试候选基因干预，并重点展示 TGF-β 处理条件下的结果。但这里的目标有明确边界：观察干预能否让细胞的基因表达状态向未处理对照靠近。

AI、人工与随机三组分别测试 381、321 和 433 个干预，命中率为 7.1%、6.9% 和 0.9%。每个干预测量至少 30 个细胞，逆转 z 分数≥3 计为命中。但这仍是公司报告的特定细胞条件下的比较，不能外推为普遍胜率。

三组候选干预的实验命中率，AI 与人工筛选结果接近（图源：Xaira 官方发布，分面裁切）点击放大，可滚动查看细节

7.1%

X-Scientist
381 个干预

6.9%

人工筛选
321 个干预

0.9%

随机选择
433 个干预

速度差异更醒目。据官方图注，X-Scientist 用 20 分钟完成候选靶点提名，人工筛选超过 3 小时，公司将其概括为约 10 倍加速。但计时对象必须保留：更快的是候选提名，整轮湿实验和药物研发的耗时没有因此被证明缩短十倍。

命中率同样需要克制解读。7.1% 与 6.9% 的数值接近，足以支持“接近人工”的描述。但仅凭这两个百分比，无法认定 AI 已经优于专家；提名耗时、实验重复性与后续药物开发价值，也需要分别评价。

候选靶点提名耗时对比，不代表完整湿实验耗时（图源：Xaira 官方发布，分面裁切）点击放大，可滚动查看细节

除了速度，候选名单里有没有专家没选到的东西？团队报告，AI 命中了 TGFBR1、TGFBR2、SMAD3、SMAD4 等经典通路基因，也找到通路之外的有效干预。但经典节点本身属于已知阳性对照，命中它们不能全部算作新发现。

更有意思的是，三个非经典命中的 TGF-β 失活评分超过经典命中的中位数，且都未出现在人工候选库中。但“人工没有提名”并不等于“此前无人知道”；这组结果更适合被看作 AI 为专家扩展候选空间的初步证据。

X-Scientist 候选干预的 TGF-β 失活评分与经典通路基因（图源：Xaira 官方发布，分面裁切）点击放大，可滚动查看细节

这把“尺子”也有自己的含义。团队将 TGF-β 处理细胞的表达状态标为 0，未处理对照标为 1，用来衡量干预后的状态移动。但它测量的是转录表型变化，不能直接替代药效、安全性或临床获益。

整体上，经典命中的逆转效果更强，非经典命中也带来了向对照状态的移动。这为后续机制研究提供了线索。但能否在其他细胞背景中复现、能否转化为可干预且安全的药物靶点，还需要实验继续回答。

经典、非经典命中与随机干预的评分分布；随机组仅展示抽取的 50 个干预（图源：Xaira 官方发布，分面裁切）点击放大，可滚动查看细节

X-SCIENTIST / 03

会改研究策略，算不算“自我进化”？

像研究者边做实验边修订计划，Xaira 希望系统也能一边改进预测模型，一边优化选题和执行流程。公司称，两类改进可异步推进，新版流程指导后续实验，正在运行的任务保留原配置。但这段描述没有展示底层通用大模型权重被自主升级。

公司给出的初步演示来自 PerturbQA：各系统获准研究 4 小时，API 预算上限为 100 美元。X-Scientist 的历史最佳验证集 AUROC 为 0.6789，对比 AutoScientists 的 0.6728、AutoResearch 的 0.6441。但该轮 X-Scientist 始终采用单智能体流程，不能把结果全部归因于多智能体协作。

PerturbQA 自主研究的历史最佳验证集 AUROC — PerturbQA K562 差异表达任务上的历史最佳验证集 AUROC；虚线延续的是终止时结果（图源：Xaira 官方发布，分面裁切）点击放大，可滚动查看细节

其 API 估算支出为 30.52 美元，AutoScientists 为 93.27 美元，AutoResearch 为 18.75 美元。但成本优势也要选对参照：它比前者低约 67%，却比后者更贵；这次试验展示的是特定条件下的效果与成本权衡。

因此，“自我进化”可以先落在可检查的研究迭代上。模型与研究流程共同改进，构成了 Xaira 所描述的自我改进路径。但当前性能曲线记录的是初步试验中的验证集最优值，仍需要独立测试和重复运行来判断提升有多稳健。

同一自主研究试验的累计 API 估算成本，附原图共用图例（图源：Xaira 官方发布，分面裁切并移置原图图例）点击放大，可滚动查看细节

X-SCIENTIST / 04

下一轮实验，能让它真的变强吗？

Xaira 的下一步，是把 X-Scientist 与实验机器人平台 X-Automate 接起来，让实验结果回流模型和研究策略。但这篇发布文展示的细胞研究仍是一轮“提名—验证”，持续湿实验反馈闭环被列为后续方向。

真正值得等待的，是下一轮候选能否因为上一轮实验而变得更好。但公开材料尚未给出这种连续改进的多轮证据：当“自我进化”走进实验室，模型会学到可复现的生物学规律，还是只把计算指标推得更高？