2 亿参数击败 400 亿 Evo 2：进化先验胜过规模堆叠
bravo_abad · x · 2026-09-10
Ye 等人提出 GPN-Star，把进化关系直接注入基因组语言模型：用普通 self-attention 处理 DNA 序列上下文，同时加入系统发生感知的 cross-attention，按物种间进化距离对其他物种的信息加权。
结果令人瞩目：仅约 2 亿参数的 GPN-Star，在多个编码区与非编码区变异效应基准上击败了远大于它的单序列基因组语言模型，包括 400 亿参数的 Evo 2。
核心洞察：模型不必用数十亿参数重新「发现」进化约束——我们早已知道物种如何演化关联、基因组如何比对，把这些先验直接构建进架构即可，进化信息编码可以胜过纯 scaling。
所属事件:基因组模型 GPN-Star 登 Nature，2 亿参数击败 400 亿 Evo 2(3 条相关)→
「研究」频道最新
- MissionReport 基准：540 份政府任务报告仅 3 份全达标 — Exp_Mark · 2026-10-27
- Finch 1 发布：用 50+ 种传感器影像训练的通用地理空间基础模型 — Scobleizer · 2026-10-27
- Skyfall AI 推出工程世界模型 SKY-001:文本转 CAD 构建,3.9 秒 vs GPT-6 的 199 秒 — rohanpaul_ai · 2026-10-27
- 物理学家让 AI 自选课题：两小时产出可登顶刊的论文 — burny_tech · 2026-10-27
- 研究者谈评测集透明度:组合性评测仍存数据污染隐患 — najoungkim · 2026-10-27
- 可解释性研究该分清形式与估计器：均值差转向不如直接梯度下降 — johnhewtt · 2026-10-27