四位化学家盲评 28 个问题，分不出哪些分子出自 AI。听起来像庆功稿。但论文真正的答案在别处：决定成败的不是厨师，是验货员那把尺子。
先讲清为什么这活难。先导优化是药物研发最烧钱的一段——手里有个苗头化合物，活性可以，溶解度稀烂，毒性不明。难在每一项都和另外几项打架：活性拉满的结构往往溶解度崩盘。
【直引】这个系统最诚实的一条纪律是：任何端点缺数据，这个端点就是"不可评估"，绝不许大模型估一个数填上去。在人人吹捧"AI 什么都能编"的年头明确划线——有些空格就是要空着。
还有一个聪明的配方。多目标怎么合成一个总分，用的是Derringer-Suich 加权几何平均。为什么不用算术平均？数学 100 分体育 0 分，算术平均 50，成绩单看着还过得去；几何平均直接打回原形，100 和 0 的几何平均就是 0。药物分子就需要这种残酷：某个端点彻底报废的分子，不许靠另一个端点逆天平均出"还行"。
两条出菜路线打擂台：LLM 路线是聚焦的局部优化器，刀刀见肉不跑远；REINVENT 路线是广域空间探索者，新颖性多样性更高，离所示化学最远。代价是操作负载——【直引】REINVENT 的可观测操作数是 LLM 路线的 4 到 9 倍，底层工具调用比 LLM 路线高四个数量级。一边像狙击手，一边像集团军。
然后是全文最核心的答案，而且它的位置不在那两条路线里。
九个战役里 GSK 的三个系列加 AZ 战役达成目标，两场失败，每场失败都精确对应评分模型的适用域出界。
GSK-S1：主端点动力学溶解度的目标值，落在模型训练数据覆盖范围之外。【判断】尺子只在量过的范围内准，超出范围读数就是猜的。生成器造一万个候选，每个都在一把失真的尺子下量身高——量出来的排名和真实排名差十万八千里，优化器再勤奋，也只是在朝错的方向加速。
RENIN：配体模型在扣住集上的排序相关系数只有 0.31。排序是优化的心跳——优化器本质上跟着分数爬坡，分数对真实活性的排序只保得住三成，等于让一位重度近视的裁判给百米决赛排名次。【推论】这里我算了一下：有效信号 31%，也就是说优化器每爬三步，只有一步方向是对的，另外两步在往反方向走。 两条路线在 RENIN 上一起扑空，不是不努力，是裁判的视力定了比赛上限。
两场失败的画风很有意思：一场是模型从没见过这个量程（外推），一场是模型见过但记混了（弱排序）。病因不同，结局一样。
为什么评分模型有这么大权力？【直引】因为评分服务是 oracle，oracle 的适用域就是 agent 的能力边界。厨师的每个决定最后都要过验货员那关，验货员的尺子在哪失效，厨房的天花板就钉在哪。
全论文最动人的一幕在 GSK-S1。按常理 agent 会硬磕满五轮交一份"已尽力"的报告。MAGI 里的 agent 发现自己攻的这个端点持续没有改善，自主把热力学溶解度提为代理端点——两种溶解度物理相关，而热力学溶解度在模型能力范围之内——随后提案出现真实改善。
考卷上有一道题超纲，它没瞎编答案也没交白卷，而是找了一道等价的、自己会做的题，并且先跟评分系统商量好了再答。
【判断】这是整篇论文里唯一一个 agent 动了"考纲"的案例，而且它成功了。文献管这类动作叫 evidence-motivated 的目标变更，和执行层面的报错重试分开存档。编排框架的价值不在"能调 24 个工具"，在两个更难的判断——选哪个工具，何时改写目标。 工具调用是手脚，这两个判断才是脑子。
盲评那层要读两层。往亮了说，AI 的产出物已能混入真品无压力。往暗了说——【直引】分不出，不代表完美，它只是和当年人类做的一样好，一样会被评分模型的近视传染。盲评证明的是"分辨不出"，不是"无可挑剔"。
还有一个数字没数字但更重：【直引】两条路线都追平了扣住化合物的预测主活性，但只有 FXA 和 PPARδ 跨过项目阈值，而且 LLM 路线达成目标的次数多于 REINVENT 路线——重现了这些项目历史上达到的质量，但没有超越。局部精修在这个赛场上更划算，而这个划算恰恰是评分环境塑造出来的。
诚实清单也摆着：提案端点是预测值不是实测值；每个条件只跑一个后端一条轨迹；时间切分挡住显式泄漏，挡不住预训练可能见过这些数据。
下一根钉子：论文点名两个天花板——评分服务在工业场景的适用域，和 agent 的 SAR 推理质量。两个都不在 agent 自己身上，一个在它调用的工具里，一个在它读不懂的化学直觉里。要知道尺子的盲区，先得承认尺子有盲区。未来的药物 agent 竞赛，比的恐怕不是谁的生成器更野，而是谁更清楚自己的尺子在哪失效。