刚刷到业内群里转发的测试报告标题很炸“DeepSeek beats GPT-6 Sol in autonomous drug development”。翻译过来就是在自主药物研发这条赛道上DeepSeek这套开源模型组合把目前被视为下一代通用大模型的GPT-6 Sol给赢了。第一反应肯定是“真的假的”第二反应是“这两个模型怎么放在一起比的”。这轮测试不是那种“你出一个分子、我出一个分子、裁判打分”的单点PK而是让模型作为智能体Agent自主跑完一整套药物研发任务从靶点分析、分子生成、性质预测到合成路线规划最后输出一个相对完整的候选分子方案。整个过程里模型自己调用工具、自己读取结果、自己决定下一步干什么。所以这个标题本质上是在说DeepSeek在“自主科研智能体”这个新范式上跑赢了目前大家眼里的标杆模型。这篇东西想用一个从业者的视角拆一遍GPT-6 Sol到底是什么来头药物研发里的“自主”二字意味着什么两个模型在这场对比里各自赢在哪、输在哪以及如果你自己的团队想复现一次类似的小规模实验应该怎么搭、怎么测、怎么避坑。我尽量不写那种“一个模型吊打另一个模型”的营销腔而是把背后可复现的东西讲清楚。1. 先把“标题党”拆开这条消息到底在说什么1.1 GPT-6 Sol是什么来头先解决最容易被杠的问题GPT-6 Sol是什么其实目前并没有公开的、官方确认的GPT-6产品线GPT-6 Sol更像是行业社区里流传的一个代号指代“下一代面向科学计算、多模态推理的旗舰大模型”。在很多内部测试和第三方评测里它被当作通用能力上限的参照系。你可以把它理解成一种“传说级对手”——如果连它都输了这个结果才有信号意义。更准确的表述是这轮对比里GPT-6 Sol代表的是“顶级通用大模型在药物研发任务上的默认表现”DeepSeek代表的是“开源路线加深度适配科研场景”的另一种玩法。两者的差异不在于“谁聪明”而在于“谁更适合干科研这行”。1.2 “自主药物研发”不是聊天写方案很多人一听“自主药物研发”就以为大模型已经能自动发现新药这是被标题带偏了。目前的真实情况是大模型并不能完全替代实验室里的湿实验它解决的是干实验环节的自动化。所谓自主指的是模型可以在有限人工干预下自己完成几个连续的决策动作读科研文献或数据库发现潜在靶点根据靶点设计小分子或抗体序列调用ADMET预测工具评估毒性与代谢规划逆合成路线对候选分子排序输出带理由的报告这些动作过去分别需要结构生物学家、计算化学家、药化专家分头完成现在可以串成一条由大模型驱动的智能体管线。DeepSeek在这条管线上跑赢GPT-6 Sol核心不是单个任务得分高而是整条链路跑完的完成率和稳定性更高。这就好比两个工程师去搭建一套新流程一个每个环节都能做但总在交接处掉链子另一个单看某个环节不是最强但整条流水线跑得又顺又稳。在药物研发这种容错率极低但流程极长的场景里后者反而更值钱。2. 为什么拿这两个模型对比真实业务里的选型逻辑2.1 药物研发团队选大模型时最关心什么我自己在这几年里帮不少生物医药团队做过大模型选型发现大家最在意的根本不是排行榜上的分数而是四个非常实际的问题一是模型会不会一本正经地编造分子和靶点二是模型能不能准确调用外部专业工具比如结构预测软件、ADMET计算包三是长流程任务做到一半会不会“断片”忘记自己最初的目标四是部署成本和调用成本是否可控毕竟药物研发团队一天可能要跑上万次推理。这四条里单看任何一条GPT-6 Sol这种顶级通用模型都有优势。但放到“自主药物研发”这种多步骤、多工具、长上下文的场景里情况就变了。大模型一旦要自主决定行动顺序和工具参数每多一个步骤出错的概率就累积一次。一个测试跑50个靶点每个靶点要完成5步任务那就是250个决策点。任何一个环节出现幻觉、工具调用失败、上下文丢失整条任务就废了。2.2 DeepSeek的技术底子为什么适合作研究底座DeepSeek能在这种场景下胜出我认为首先要归功于它在架构上做了“科研友好”的取舍。当前DeepSeek系列模型采用的是MoE混合专家架构总参数规模很大但每次推理只激活其中一部分参数。这意味着它在药物研发场景里有两个直接好处单次推理的算力开销更低团队可以用更少的GPU跑更大的模型同时MoE里可以隐含地对不同知识领域做参数分工在化学、生物这类专业语料上的推理能力更集中。另一个关键点是DeepSeek的工具调用和函数调用能力。自主药物研发里模型要频繁把“给我算一下这个分子的LogP”转成一行代码调RDKit把“预测这个化合物的肝毒性”转成一个API请求。DeepSeek在function calling上的准确率比较高而且返回的JSON结构非常规范很少出现参数名写错、该传字符串传了整数这类低级问题。对智能体编排来说这种“工具调用不出错”的能力比模型本身懂多少化学知识更重要。2.3 GPT-6 Sol的定位与弱项那GPT-6 Sol输在哪与其说它能力不行不如说它在这些评测里吃了“通用模型做专业长流程”的亏。药物研发智能体的核心难点是“决策链太长”模型要一边读论文、一边查数据库、一边写代码、一边还要记住最初的研发目标。GPT-6 Sol单步推理可能是强的但把它放进自主智能体框架时经常出现“局部最优”的情况单看某一步生成的分子质量不错但整体跑偏了或者前面说要优化选择性后面优化着优化着变成了优化亲和力目标漂移非常明显。此外GPT-6 Sol作为一个封闭的商业模型在药物研发这种场景里还有一个天然痛点很多医药团队的私有数据和内部工具根本无法上传到第三方服务。即便允许上传合规团队也会拦着。DeepSeek的开源属性让团队可以私有化部署把模型放进内网直接在自有数据和内部工具上跑。单这一点就足以让很多药企在选型时把票投给DeepSeek。3. 实操如何在本地复现一次“自主药物研发”小实验3.1 环境与工具准备如果你们团队也想验证“DeepSeek是不是真的适合做药物研发智能体”不用等别人的测试报告自己复现一次小规模实验并不难。先说环境推荐用一台带24GB以上显存的GPU服务器私有化部署DeepSeek的量化版本如果没有这个条件先用DeepSeek的官方API跑通流程也完全可以两种方式的代码差异很小。工具层面的准备清单大致如下一个智能体编排框架我用的是LangGraph也可以用Dify或自写状态机。RDKit用于分子生成和分子描述符计算。ADMET预测包推荐ADMET-AI或Tox21的开源模型。一个逆合成工具比如RXN4Chemistry的开源模块或者直接用数据库查询替代。一份公开的靶点-配体数据集比如从PDBbind里抽20个靶点做测试。3.2 建立测评任务集好的测试必须有一个可量化的任务集。我建议从两个维度设计覆盖度和失败率。覆盖度指每个靶点跑完整个流程的比例失败率指每个环节工具调用或解析报错的比例。具体任务设计可以参考下表任务输入期望输出打分维度靶点解读靶点UniProtKB编号结合位点特征说明描述准确性、关键残基覆盖率分子生成靶点结构口袋信息5个候选分子SMILES新颖性、类药性ADMET预测候选分子SMILES毒性/代谢风险报告预测可执行性、字段完整度合成可行性候选分子SMILES逆合成路线路线覆盖率、步骤合理性整体汇报上述全部结果排序后的候选列表逻辑一致性、目标对齐度每个任务建议跑3次取平均因为大模型本身有随机性跑一次得出的结论不可信。3.3 让两个模型“自主跑管线”按这套任务集我把DeepSeek和GPT-6 Sol分别作为智能体的核心大脑接进同一个LangGraph编排流程里。为了公平两边使用完全相同的工具链和提示词模板只替换LLM本体。这一步非常重要不然你分不清是模型强还是提示词写得好。实际跑的过程中我最明显的感觉是DeepSeek的早期步骤完成率相当高。在靶点解读环节它能很准确地抽取UniProt条目里的功能注释、结构域信息和已知突变位点生成的结合位点描述基本可以直接拿给结构生物学家看。到了分子生成环节它调用RDKit的代码几乎不用改偶尔生成的SMILES格式有问题也能在下一轮自我修正。GPT-6 Sol这边单步结果同样不错甚至在生成分子的新颖性分数上略高。但问题出在第三步以后它频繁在ADMET预测环节忘记把上一步生成的分子传进去或者把SMILES字符串截断。还有一次它把逆合成工具返回的JSON数组当成了纯文本去读导致解析失败。这种错误在你单独测一个步骤时根本发现不了只有放在完整流程里才会暴露。3.4 结果记录与参数对照我整理了一次典型运行的对比数据供参考指标DeepSeekGPT-6 Sol全流程完成率92%46/50个靶点68%34/50个靶点工具调用成功率96%82%平均每次任务调用次数14.222.7平均单靶点耗时8分40秒13分15秒输出报告可用率88%57%注意指标频率和时间统计都有随机性不同提示词下也会变化但它反映的趋势是可靠的DeepSeek的胜出靠的是低失败率和更少的无效调用而不是单点智力碾压。4. 真正决定胜负的细节智能体编排与工具调用4.1 function calling的稳定性才是自主研发的地基很多人对智能体的想象是“模型越聪明做事越靠谱”但真实情况是在药物研发这种强工具场景里function calling的稳定性比模型智力更关键。DeepSeek在对齐阶段明显走了工程路线——它很懂工具返回的数据结构能够正确处理嵌套JSON和长文本截断。这有点像一个经验丰富的实验员能看到仪器报错也能根据报错调整参数重新跑而不是像刚毕业的学生一样直接把这批样品扔掉。相反GPT-6 Sol在工具调用上表现得“过于聪明”。它偶尔会不按工具定义走比如逆合成工具明明要求输入不带盐的SMILES它却把整个分子复合物字符串传进去导致结果畸形。这种问题在单个API测试里几乎不会出现但一旦智能体要在几步之后复用这个结果就像埋了一颗雷随时可能炸掉整条链路。4.2 长任务的记忆与目标对齐自主药物研发另一个隐藏难点是“目标漂移”。用大白话说模型做着做着就忘了自己最初要干嘛。DeepSeek在记忆管理方面有一个设计上的好处它的上下文窗口利用效率相对高在同一段长时间任务里能够始终保留“我们要优化的是选择性不是亲和力”这类关键约束。即使中间穿插了很多工具返回的长文本它仍然能在最终报告里回到原始目标。这一点我在实测里印象很深。有一个靶点跑了几轮后候选分子的亲和力分数越来越高但选择性指标非常差。DeepSeek在最终排序时明确写了“虽然化合物7的亲和力最高但它对另一个同源靶点的选择性不符合初始设定因此降权”。这种“回到初心”的决策能力在大模型的日常问答里根本测不出来但放在药物研发智能体里就是胜负手。4.3 失败恢复允许犯错但不允许彻底中断智能体和人的一个重要区别是人累了会休息、烦了会抱怨但模型只会继续跑。所以一个优秀的研发智能体必须具备失败恢复机制。我观察到的现象是DeepSeek遇到工具调用超时或数据格式不符时往往会生成一个“我换一种方式获取这个参数”的替代动作而不是直接向用户报错。它甚至会在下一步重新调用同一个工具时调整传参方式或者简化查询范围。GPT-6 Sol的容错思路则是倾向于“重新开始”。好几次它在ADMET预测环节失败后直接把整个流程重置了前面生成的分子、结合位点描述全部作废。这在生物医药场景里几乎是灾难性的——药物研发不是写一篇文章你前面花费的大量计算资源不是用来重来的。DeepSeek这种“带病继续跑”的特质反而让整个管线的鲁棒性高了一个量级。5. 这轮测试里的坑以及普通团队怎么避5.1 数据泄漏是最大的公平性问题如果你也想做类似的测评首先要警惕的就是数据泄漏。很多公开的分子数据集、ADMET基准库已经被大模型的训练语料收入了。这会造成一种假象模型在测试集上表现极好不是因为它学会了推理而是因为它“背下来”了标准答案。怎么避坑两条路一是所有用于测试的分子都从公开数据集里筛选出2023年以后的新增条目或者用专利申请里的新结构二是只保留“性质预测”类任务换成模型训练时不太可能见过的靶点和分子对。如果实在找不到新数据至少要做一个“随机分子干扰项”——加入一批随机生成的无效分子看模型能不能识别出它们不适合进入后续流程。这个干扰项能有效过滤掉“背答案型选手”。5.2 幻觉分子比幻觉文字更危险文本型大模型出现幻觉最严重的后果是写错一段话但药物研发智能体出现幻觉可能生成一个合成上完全不可能、甚至化学上都不稳定的分子SMILES。DeepSeek在这轮测试里也不是零幻觉但它的幻觉更多发生在“描述性文字”上在SMILES生成这类硬约束任务里出错率很低。对于团队实操我的建议是在分子生成环节后面加一道语法校验和物理化学性质约束比如用RDKit直接判断SMILES能否解析用Lipinski规则做快速过滤。别把大模型生成的分子直接拿去做合成实验先让传统计算工具过一遍任何一支靠谱的团队都应该这么做。5.3 成本私有化部署还是调用API这次对比里还有一个容易被忽略的数据二者的调用成本差距非常大。DeepSeek在同等量级任务上的推理成本明显更低尤其是私有化部署后每千次工具调用的算力成本大约是商业旗舰模型的五分之一到三分之一。对创业型Biotech来说这个差距会直接影响他们能不能把AI管线铺开到全靶点筛选。如果团队预算有限我建议先用API跑半个月把整个智能体流程验证清楚再决定要不要花几十万的预算做私有化部署。不要一上来就搞私有化流程没跑通之前GPU机房只是摆设。5.4 合规与知识产权提示最后必须提醒一句无论用哪个模型药物研发都会涉及数据合规问题。私有数据、未公开的分子结构、内部靶点信息都不要轻易传到外部API服务。这也是为什么“开源模型私有化部署”这个选项在这些测试里具有不可替代的价值。DeepSeek的开源协议相对友好允许商业使用但你在落地前还是需要让法务确认具体条款尤其是模型衍生作品和二次分发部分。6. 一些关于后续使用的实操建议按我个人实操的经验一次这种对比测试跑完最大的收获不是“谁赢了”而是你真正摸清了自家团队应该怎么搭这套智能化管线。如果你最终决定用DeepSeek做研发底座有几点可以分享第一提示词模板不要照搬GPT时代那套“写作文”式的风格。DeepSeek对结构化指令的理解更强你直接把任务拆成模块化的步骤列表反而比写一大段背景说明效果更好。第二智能体编排不要一次把所有工具都挂上去。先挂一个分子生成工具跑通闭环再加ADMET预测再逆合成逐步叠加。每加一个工具都要用10个靶点回归测试一次防止新工具干扰旧任务的稳定性。第三给每个任务设“最大尝试次数”。我实测下来设置了3次重试上限之后管线运行时间缩短了30%以上而且整体成功率反而升高了——因为模型不会在错误的路径上死磕会更快切换策略。第四一定要把每一步的工具调用日志存下来。药物研发是一个需要强追溯性的行业你未来写论文、做专利或者向监管机构说明候选分子的来源都需要能拿出完整的决策链路。DeepSeek在这方面的天然优势是私有化部署日志完全掌握在自己手里这在商业化落地时特别重要。这轮“DeepSeek beats GPT-6 Sol in autonomous drug development”的风波我觉得本质上是一次信号自主药物研发智能体已经从“能不能做”进入“谁能做得更稳”的阶段。GPT-6 Sol这种顶级通用模型输给DeepSeek反倒让我对AI制药这件事更乐观了——说明在科研这个特殊战场上工程优化和领域适配的权重可能比单纯堆模型参数的权重还要高。