2026-09-18
英矽与Liquid AI在Cell交出17项衰老组学基准和五款0.6B至9B领域模型，L-Qwen3.5-9B综合排名4.4，置信区间与全部16个前沿通用模型都不重叠。
衰老研究已经把人从 DNA 甲基化、转录组、血浆蛋白组和临床化验四个层面测过一遍。工具却是分模态的：Horvath 钟只吃 CpG β 值，蛋白钟只吃 Olink 面板，转录组模型换一批组织就要重训。通用 LLM 理论上能把表格写成自然语言，一份权重覆盖多种组学。此前没人认真考过这件事。
知识问答测的是文献记忆。真正卡住实验生物学家的，是把一份真实样本的组学记录读成年龄、死亡风险或基因表达方向。Cell 这篇由英矽智能领衔，Liquid AI、巴克衰老研究所和哈佛医学院合作，把这件事做成开放基准，并给出一组 0.6B–9B 的领域模型。
LongevityBench 把公开数据改写成 ChatML prompt，塞进 30K token 窗口。正式评测是 17 项任务、25457 条 prompt，覆盖五类数据：NHANES 临床、GEO 甲基化、GTEx 转录组、Olink 血浆蛋白组，以及 OpenGenes、CellAge、SynergyAge 的遗传证据。同一份记录会改成二分类、两两比较、多分类和数值回归四种问法，用来拆开「会不会读数据」和「会不会按格式答题」。
切分按生物学单元，不是随机行：NHANES 按调查波次，甲基化按 GEO study，GTEx 和 Olink 按个体，OpenGenes 按蛋白家族，SynergyAge 按物种。17 项评测任务全程对微调模型保密。
对照侧评了 6 家的 18 个前沿模型。o3 和 o4-mini 可解析回答率分别只有 0.77 和 0.70，低于 80% 门槛，主榜拿掉。最终 26 个系统：16 个前沿、5 个 Longevity-LLM、5 个未微调基座。温度一律 0。无效回答从分母剔除，不当错题；无效当错的排名放在附表。
然后用同一套衰老数据微调了 5 个 0.6B–9B 多任务模型。最大的 L-Qwen3.5-9B 是在 Qwen3.5-9B 上做 LoRA：这是 3:1 穿插 Gated DeltaNet 线性注意力和标准自注意力的混合架构。训练看到 14 亿不重复 token、共 40 亿 token，两段 LoRA，LLaMA-Factory 加 DeepSpeed ZeRO-2，8 张 RTX PRO 6000。其余四个（L-Qwen3-0.6B/1.7B、L-LFM2-1.2B/2.6B）做全参数监督微调。推理轨迹由教师模型 Qwen3-235B-A22B 生成，不把正确答案喂给教师。LFM2 还训了「纯长寿 / 掺 10% 闲聊 / 掺 20% 闲聊」三个变体再等权合并，避免把对话能力训没。
Longevity Claw 把 L-Qwen3.5-9B 包成 agent，接上 MSigDB 基因集富集、已发表衰老钟计算和队列对照。按 12 条衰老 hallmarks 加两条补充类，每类要 30 个可成药新靶点，独立跑 6 次。
综合排名越低越好。L-Qwen3.5-9B 拿下 4.4（bootstrap 95% CI 3.5–5.1），区间不与任何其他模型重叠。前三名全是 L-LLM：L-LFM2-2.6B 7.6，L-Qwen3-1.7B 7.8。最好的前沿模型 Gemini-3.1-Pro 是 8.2，CI 6.7–9.5，和 Claude Opus-4.6、Opus-4.5、Sonnet-4.6、Kimi-K2.5 重叠，前沿侧没有单独冠军。0.6B 的 L-Qwen3 排第 6，只落后 Gemini-3.1-Pro 和 Claude Opus-4.6，排在 GPT-5.2、Grok-4.3、Kimi-K2.5 前面。
| 模型 | 指标 | 结果 |
| L-Qwen3.5-9B | 综合排名 | 4.4（CI 3.5–5.1） |
| Gemini-3.1-Pro | 综合排名（最好前沿） | 8.2（CI 6.7–9.5） |
| L-Qwen3.5-9B | GEO 甲基化年龄两两一致率 | 0.868 vs 最好前沿 0.685 |
| L-Qwen3-0.6B | Olink 蛋白年龄 MAE | 5.7 年 vs 最好前沿 10.1 年 |
| L-Qwen3-0.6B | NHANES 十年死亡平衡准确率 | 0.890 |
L-Qwen3.5-9B 在 GEO 甲基化两两比较、甲基化回归和 GTEx 年龄两两比较三项上显著超过第二名。规模不是单调的：L-LFM2-2.6B 在五项任务上超过 9B；OpenGenes 掩码二分类里 L-LFM2-1.2B 准确率 78.0%，高于 9B 的 71.0%（McNemar p=0.004）。
组学年龄回归仍然难。蛋白组两两比较上，专用蛋白钟一致率 0.749，最好前沿 Gemini 只有 0.703，GPT-4.1 接近随机。L-LLM 把蛋白年龄 MAE 压到 5.7 年，和专用蛋白钟大致持平，从零拟合的监督模型仍然更好。血浆蛋白生成任务上，前沿模型 Jaccard 接近 0、只覆盖约 47% 蛋白词表；L-LFM2-2.6B 平均 Jaccard 0.17，覆盖 2583 种蛋白、91% 词表。
对照实验把知识检索和读原始数据拆开：文献型题目上 Gemini-3.1-Pro 95.9%、GPT-5 94.9%，L-LLM 均值 71.4%，低于前沿均值 86.0%（Mann-Whitney p=0.0073）。会背文献不等于会读芯片。
Longevity Claw 吐出 328 个去重靶点。和 Pun 等人 2022 年 PandaOmics 的 300 个衰老靶点比，重叠 12 个（Fisher p=0.004，2.4 倍富集）；可成药子集 2.8 倍；该研究实验验证过的 9 个靶点里撞上 CXCL12 和 ADAMTS14（p=0.045，5.6 倍）。这是统计重叠，不是湿实验验证。
给做 AI4Science 的人一个能复现的尺子：评的是 prompt 里那份组学记录有没有被用上，不是聊天是否像生物学家。领域数据加 0.6B–9B 的全参或 LoRA，在结构化组学上可以打过两个数量级更大的通用模型，而且能本地部署，病人级数据不用出内网。
资产里更经用的是基准和切分规则，不是哪次榜单第一。Horvath 钟那种单任务回归器还没被取代：同一特征上从零拟合仍然更准。Claw 的 328 个基因适合当假设生成器，不适合当靶点清单。
论文自己写了：基准测预测和格式稳健，不测机制推理和因果；商业模型训练语料不透明，污染无法排除；组学任务没做文本污染实证；跨域基因、CpG、受试者复用没审计；化学筛选、跨物种、表观重编程、单细胞都不在范围内。
另外几处需要打折。Friedman 检验临界差 CD=9.6，中游模型的综合排名噪声很大，真正站得住的是 9B 的 CI 不重叠。主文把无效回答从分母拿掉，拒答难题的模型会被抬一截。5.6 倍富集建立在 9 个已验证靶点里撞上 2 个，p=0.045，样本极小。英矽既做模型又做基准，外部复现要靠公开的 longebench 和代码。数据集许可证是 CC-BY-NC，论文是 CC-BY，商用评测前要看清楚。