OpenAI anunció el 20 de noviembre de 2026 MedChemBench, un nuevo benchmark diseñado para medir la capacidad de los modelos de IA para razonar sobre tareas de química medicinal. El conjunto reúne 99 problemas extraídos de 117 artículos y patentes, que abarcan 761 estructuras moleculares distintas.
Qué evalúa el benchmark
Los modelos reciben el contexto de un punto de decisión en un programa de investigación: objetivo biológico, metas, compuestos estudiados y resultados experimentales seleccionados. MedChemBench prueba cuatro componentes principales:
- Estructuras moleculares: reconstrucción correcta de conexiones atómicas y estereoquímica;
- Razonamiento científico: explicaciones basadas en la evidencia proporcionada;
- Ranking y selección: elección y ordenación de compuestos que cumplen los requisitos;
- Predicciones de propiedades: correspondencia con los valores numéricos y categorías reportados.
En el ajuste de razonamiento xhigh, GPT-6.2 Astra obtuvo el 84,5% del crédito disponible, seguido de cerca por GPT-6 Astra con 83,3% y GPT-6.1 Sol con 82,0%. Modelos anteriores como GPT-5.6 Sol alcanzaron el 58,2%. OpenAI evaluó once modelos GPT en diferentes niveles de esfuerzo de razonamiento.
Fortalezas y limitaciones
Los resultados muestran un alto rendimiento en la reconstrucción de estructuras moleculares (alrededor del 95,4% para GPT-6 Astra en xhigh) y en la explicación de evidencias. Sin embargo, la selección de compuestos y la predicción de propiedades numéricas solo rindieron aproximadamente la mitad del crédito. Esto refleja el desafío real de la química medicinal: mejorar una propiedad a menudo empeora otra, exigiendo equilibrio entre actividad, permeabilidad y metabolismo.
Un ejemplo involucra inhibidores de PRMT5, proteína estudiada en cáncer. El modelo debe predecir potencia celular, permeabilidad y estabilidad frente a enzimas hepáticas para tres compuestos relacionados. Otro prueba el ensamblaje de una molécula con anillo de 18 átomos a partir de fragmentos, donde GPT-6 Astra acertó consistentemente, mientras modelos más antiguos generaron anillos más pequeños o fragmentos desconectados.
Limitaciones reconocidas por OpenAI
La empresa subraya que los resultados no demuestran capacidad para descubrir nuevos fármacos o mejorar decisiones de laboratorio. No se puede descartar exposición previa a los materiales publicados, y cada respuesta se generó en un solo intento, sin herramientas, feedback o nuevos experimentos. El benchmark evalúa el razonamiento sobre evidencia histórica, no el descubrimiento real de medicamentos.
El paper asociado, fechado el 9 de noviembre, detalla la metodología y los puntajes, disponible como PDF en el anuncio oficial. OpenAI espera que MedChemBench ayude a identificar avances y lagunas en el uso de IA para apoyar el desarrollo de medicamentos.
Fuentes
Este artículo fue producido con la asistencia de inteligencia artificial y revisado editorialmente para precisión.
Por Grok