面向 AI 驱动的反向合成：统一框架下的可重复评估基准——Procrustean Bed

计算机辅助合成规划（CASP）的进展因缺乏标准化评估基础设施以及依赖优先考虑拓扑完成而非化学有效性的指标而受到掩盖。我们引入 RetroCast—a 统一的评估套件，将异构模型输出标准化为通用模式，以实现统计上严谨的全面比较。该框架包括具有分层抽样和自助置信区间的可重复基准测试管道，配合 SynthArena—an 用于定性路线检查的交互式平台。我们利用该基础设施对领先的基于搜索和基于序列的算法在新的标准化基准套件上进行评估。我们的分析揭示了“可解性”（库存终止率）与路线质量之间的差异；高可解性得分常常掩盖化学无效性，或未能与实验真实结果的再现相关联。此外，我们识别出一种“复杂度临界”现象，即使搜索方法虽然拥有高可解性比率，却在重建长程合成计划时表现急剧下降，相较于基于序列的方法。我们发布完整的框架、基准定义以及一套标准化的数据库，用于支持该领域透明且可重复的开发。