下一分子整理 AI 制药 Benchmark 清单 AIDD Bench Atlas，收录 85 项评测资源
下一分子整理并发布 AI 制药 Benchmark 清单 AIDD Bench Atlas，收录 85 项覆盖通用科研、靶点发现、分子设计、临床前、临床分期、注册和上市后等环节的评测资源。
推荐理由：清单把分散在靶点发现到上市后的 85 项评测资源按阶段和对象归类，便于对照选用。
#评测/基准
下一分子精选AI 评分5858
Inductive Bio 官网资讯精选AI 评分6363 Inductive 在 OpenADMET CYP 抑制盲测中夺冠，连续第四次登顶 AI 药物发现基准
Inductive 在 OpenADMET CYP Direct Inhibition 盲测中排名第一，领先来自生物制药、学术与 AI 机构的 270 余名参赛者，NVIDIA 与 Recursion 分列第三、第四。
推荐理由：Inductive 在 OpenADMET CYP 抑制盲测中领先 270 余支队伍，可对照其连续四次登顶的 ADMET 建模路线。
Genesis Molecular AI精选AI 评分6868 Genesis Molecular AI 的 NeurIPS 2026 论文：分子优化达最强推理时搜索同等性能，oracle 调用少 58 倍
Genesis Molecular AI 在 NeurIPS 2026 论文中报告，其方法在分子优化任务上达到与最强推理时搜索相同的性能，同时 oracle 调用次数减少 58 倍。该推文指出，预训练分子生成器掌握化学规律但不了解具体靶点，论文聚焦离散扩散设计选择对反馈效率的影响。
推荐理由：该论文比较离散扩散分子生成中不同设计选择对反馈效率的影响，为优化时的 oracle 调用预算提供参照。
下一分子精选AI 评分6363 Dunbrack团队将ipSAE扩展至小分子与核酸复合物置信度评估
Fox Chase Cancer Center的Roland Dunbrack在bioRxiv发表预印本，将原本用于蛋白—蛋白相互作用的ipSAE评分扩展到蛋白—小分子、蛋白—核酸体系，以蛋白为对齐参照评估整个配体位置并调整归一化方式。
推荐理由：预印本把界面置信度评分扩展到蛋白—小分子与核酸体系，并给出留出集上的分类表现与失效案例。
Molence精选AI 评分6262 Molence 发布 Mol-1：增加推理算力可提升抗体-抗原预测
Molence 发布抗体-抗原结构预测模型 Mol-1，称在 MolBench-AB-26 上增加推理算力可持续提升预测质量。
推荐理由：官方披露 Mol-1 在抗体-抗原预测基准上随采样与循环次数增加而提升，并给出采样效率对比。
Molence精选AI 评分6060 Molence 称 Mol-1 在 Runs N' Poses 八个相似度分箱均领先基线
Molence 称其 Mol-1 在 Runs N' Poses 配体预测评测中于全部八个相似度分箱领先所评估基线，成功标准为配体 RMSD < 2 Å 且 lDDT-PLI > 0.8。在相似度最低的 0–20 分箱，Mol-1 成功率为 36.1%，AlphaFold 3 为 24.6%；通过 Mol-1-constraint 提供结合位点信息后升至 63.9%。
推荐理由：Molence 公布 Mol-1 在 Runs N' Poses 各相似度分箱的配体预测结果，可与 AlphaFold 3 直接对照。
Molence精选AI 评分6565 Molence 的 Mol-1 在 MGBench 分子胶预测中报告低同源条件 28.6% 联合成功率
Molence 的 Mol-1 在 MGBench 分子胶预测基准上报告联合成功率：已见条件 92.2%、高同源 74.6%、低同源 28.6%，最强评测基线在低同源条件为 19.1%。联合成功需同时满足配体 RMSD < 2 Å、lDDT-PLI > 0.8 和蛋白界面 DockQ > 0.23。作者同时引用的另一条内容称，在 Runs N' Poses 的 0–20 最低相似度区间，Mol-1 成功率为 36.1%，AlphaFold 3 为 24.6%，通过 Mol-1-constraint 提供结合位点信息后升至 63.9%。
推荐理由：Mol-1 在 MGBench 上同时考核配体位姿与蛋白界面，低同源条件下与最强基线的差距提供了具体参照。
Molence精选AI 评分5858 Molence 发布 Mol-1 在 MolBench-Peptide-26 上的蛋白-肽预测结果
Molence 公布 Mol-1 在 MolBench-Peptide-26 蛋白-肽复合物预测基准上的成绩：DockQ > 0.23 为 88.8%，DockQ > 0.49 为 77.3%，DockQ > 0.80 为 54.1%。加入结合位点信息后，Mol-1-constraint 在相同阈值下分别提升至 92.2%、85.0% 和 60.2%。作者称生物位点信息在每个评测精度阈值上都改善了肽复合物预测。
推荐理由：Mol-1 在肽复合物预测上按 DockQ 阈值分层报告成绩，并对比加入结合位点约束后的变化。
Molence精选AI 评分6060 Molence 发布 Mol-1-constraint：表位信息提升抗体-抗原复合物预测
Molence 公布 Mol-1-constraint，在提供表位信息时，四个抗体-抗原基准上 DockQ > 0.23 的成功率均高于基础模型：FoldBench-AB 从 75.0% 升至 88.3%，AF3-AB 从 62.7% 升至 84.2%，PXMeter-AB 从 58.3% 升至 77.5%，MolBench-AB-26 从 57.3% 升至 79.4%。作者称表位可作为预测输入，基础模型与 Mol-1-constraint 均可在 lab.molence.com 获取。该帖为系列第 14 条，引用内容另报告 Mol-1 在 MolBench-Peptide-26 上的肽-蛋白预测结果。
推荐理由：Molence 公布 Mol-1-constraint 在四个抗体-抗原基准上的表位条件预测结果，可与基础模型逐项对照。
Molence精选AI 评分6060 Molence 发布 Mol-1 agent：单张 NVIDIA H20 上预测大型蛋白组装
Molence 发布 Mol-1 agent，称可在单张 NVIDIA H20 上完成大型蛋白组装预测，在 10 例评测（8,000–60,120 残基）中 8 例 TM-score ≥0.9。
推荐理由：Molence 公布 Mol-1 在大型蛋白组装上的自评结果，并主动说明与 Anthropic 结果并非受控对比。
Genesis Therapeutics 官网资讯精选AI 评分7474 Genesis 与 Caltech 提出离散扩散在线适应框架，分子优化用 86 次评估追平 Beam Search 约 5000 次评估表现
Genesis Molecular AI 与 Caltech 合作的 NeurIPS 2026 论文研究离散扩散分子生成模型在测试时如何分配算力，其在线适应框架仅用 86 次 oracle 评估即追平最强推理期搜索基线 Beam Search 约 5000 次评估的表现。
推荐理由：研究系统拆解在线适应式分子优化的四个设计选择，并给出何时值得用在线适应而非推理期搜索的判据。
Molence精选AI 评分6767 Molence 发布 Mol-1 生物分子智能模型，FoldBench-AB 中位成功率达 75.0%
Molence 发布开源生物分子智能模型 Mol-1，在 FoldBench-AB 上以 DockQ > 0.23 为判定标准取得 75.0% 中位成功率，接近 IsoDDE 已公布的 75.58%。作者称评测覆盖 32 个随机种子产生的全部 201,376 种五种子组合，其中 62.22% 达到或超过 75% 成功率。引用内容还提到单张 H20 上可处理 60k token 组装、VHH 结合命中率最高 63%、最佳 SPR KD 为 43 pM，模型已在 GitHub 与 lab.molence.com 开放。
推荐理由：作者公开 Mol-1 在 FoldBench-AB 上的评测细节，并给出与 IsoDDE 已公布结果的对照，便于判断其结构预测水平。
Insilico Medicine 英矽智能精选AI 评分6363 英矽智能发布DDDBench Core：59项药物发现基准与实时榜单
英矽智能发布DDDBench Core，从Foundations的300余项基准中选出59项，覆盖五个药物研发领域，并提供实时榜单。通用模型榜单中GPT-6 Astra暂列第一；其2.6B与4B的MMAI Gym专用模型在单步逆合成、ADMET、Kinome和GPCR预测等特定任务上超过专用工具与通用模型。
推荐理由：英矽智能从300余项基准中筛出59项，覆盖五个药物研发域，并给出通用与专用模型的实时榜单对比。
英矽智能精选AI 评分6363 英矽智能推出 inClinico Agent，加速临床试验分析与终点预测
英矽智能推出 inClinico Agent，将自然语言问题转化为端到端临床分析工作流，把复杂临床格局分析从数月压缩至分钟级。
推荐理由：英矽智能发布临床分析智能体，公开了终点预测模型在前瞻性基准上的表现与对照结果。
EMBL-EBI News精选AI 评分5858 EMBL-EBI 视角：基准评测如何支撑生物医学 AI 的可靠性
EMBL-EBI 研究负责人 Julio Saez-Rodriguez 等人在一篇 Perspective 文章中讨论生物医学基础模型的基准评测，提出数据质量、模型仓库与评测框架三个相互关联的支柱，并主张将性能评估与方法开发隔离、由独立方在未见数据上评测。
推荐理由：EMBL-EBI 研究负责人系统梳理生物医学基础模型基准评测的三角框架与独立评测原则，为理解模型评测争议提供参照。
Inductive Bio 官网资讯精选AI 评分5858 Inductive Bio 推出 AI 化学助手 Indy，称可将药物化学家产能翻倍
Inductive Bio 发布 AI 化学助手 Indy，面向其合作项目开放，公司称已在内部合作项目中使团队产能翻倍。Indy 可解析 CRO 报告、QC 剂量响应曲线、分析历史 SAR、运行生成化学算法、搭建 FEP 计算并生成项目汇报幻灯片，并接入 Inductive 的 ADMET 与 PK 模型。
推荐理由：Indy 在真实剂量响应曲线上的准确率对比通用大模型，展示了药化专用助手与通用模型的差距。
Terray Therapeutics精选AI 评分5858 Terray 在 H100 上实测 NVIDIA BioNeMo 推理内核，TerraBind 三角注意力最高提速 7.1 倍
Terray Therapeutics 在 H100 GPU 上以自有生产架构 TerraBind 为基准，测试 NVIDIA 新发布的 BioNeMo Inference Runtime 内核（CuTeDSL），结果显示其比标准 PyTorch 注意力最高快 7.1 倍，比其现有优化内核栈 cuEquivariance 最高快 1.8 倍。
推荐理由：Terray 在自有生产架构上实测 NVIDIA 新推理内核，给出相对 PyTorch 与现有内核的加速幅度及适用规模。
Inductive Bio 官网资讯精选AI 评分5858 Inductive Bio 分享 OpenADMET PXR 盲测夺冠方法
Inductive Bio 在 OpenADMET 2026 年 PXR 激活预测盲测中从 350 多名研究者中排名第一，其负责人 Duncan Muir 在 webinar 中完整讲解建模路径。
推荐理由：Inductive Bio 复盘其在 OpenADMET PXR 盲测中的建模路径，为 ADMET 预测的误差分析与数据融合提供可迁移做法。
英灵殿科技Valhalla精选AI 评分7070 英灵殿科技提出EpiBench基准：评测大模型能否从序列理解抗体表位
英灵殿科技团队提出EpiBench，一个面向抗体药物发现的表位推理基准，包含1,609个样本和五项相互关联任务，标签来自抗体–抗原复合物结构、功能性B细胞实验与深度突变扫描数据。
推荐理由：该基准把表位理解拆成五项抗体发现决策任务，并给出通用大模型在长序列定位与抗体特异性对应上的具体缺口。
Inductive Bio 官网资讯精选AI 评分6060 Inductive Bio 在 OpenADMET PXR 盲测挑战中夺冠，为连续第三次获第一
Inductive Bio 在 OpenADMET 的 PXR Blind Challenge 中排名第一，击败来自大型药企、生物技术公司、学术机构和 AI 组织的 350 多名研究者。
推荐理由：Inductive Bio 在 PXR 盲测挑战中夺冠，可与该公司连续三次盲测成绩及 ADMET 建模的真实条件评测对照阅读。