2026-09-19
Insilico 等在 Cell 发布 LongevityBench,17 项任务测大模型读原始组学测量的能力;0.6B–9B 的 Longevity-LLM 综合排名超过 Gemini 3.1 Pro,组学年龄预测仍是最难一档。
衰老研究手里有甲基化、转录组、血浆蛋白、临床血检和基因扰动,却没有一份基准问大模型:给你一份原始测量,能不能得出表型结论。现有生物医学评测大多考文献记忆或序列功能,答案往往能从预训练语料里捡回来。老化时钟能报一个数字,却困在单一模态、固定特征、不会对话。
Insilico Medicine 联合 Liquid AI、巴克衰老研究所和哈佛医学院,在 Cell 封面交出 LongevityBench:17 项任务、五类 biodata、25,457 条 prompt。同时放出五个 0.6B 到 9B 的 Longevity-LLM,以及把模型接上富集分析和老化时钟工具的 agent 界面 Longevity Claw。
任务覆盖 NHANES 临床、GEO 甲基化、GTEx 转录组、Olink 血浆蛋白、OpenGenes 与 SynergyAge 遗传。同一批记录会做成二分类、两两比较、多分类和回归,用来拆开「会不会做」和「换一种问法还会不会」。评测集按调查波次、GEO series、个体、蛋白家族或物种切开,17 项正式任务全程对微调模型保密。
Prompt 是程序生成的结构化文本,不是论文摘要。甲基化一条的中位长度可以超过 26,000 token;OpenGenes 把基因名遮成 gene-X,只给功能和组织定位,堵住检索捷径。
对照了六家的 18 个前沿模型。o3 和 o4-mini 可解析回答不足 80%,主比较拿掉,剩下 16 个前沿、5 个 L-LLM 和 5 个基座,共 26 个系统。主指标是五个 biodata 域等权平均排名,避免任务多的域把总分抬歪。
最大的 L-Qwen3.5-9B 用 LoRA 在 Qwen3.5-9B 上分两阶段微调,训练看到约 40 亿 token,其中 14 亿 unique,硬件是 8 张 RTX PRO 6000。另外四个是 Qwen3-0.6B/1.7B 和 LFM2-1.2B/2.6B,同一套数据。LFM2 还把纯领域、混 10% 和混 20% 通用对话的三个变体等权合并,避免把对话能力训没。
没有一个前沿模型在所有任务上称王。组学年龄预测最难,和参数量关系不大。商业模型里 Gemini-3.1-Pro 平均排名最好,但 95% 置信区间 6.7 到 9.5,和 Claude Opus-4.6、Opus-4.5、Sonnet-4.6、Kimi-K2.5 重叠,分不出第一。临床任务上经典弹性网和 Cox 分类器反而更高。甲基化两两比较里朴素贝叶斯 concordance 只有 0.61,最好的前沿模型 Kimi K2.5 也只到 0.69;GTEx 两两比较没有前沿模型超过 0.56。蛋白两两比较里专用老化时钟 0.749,Gemini-3.1-Pro 0.703,GPT-4.1 接近随机。
把 L-LLM 放进来,前三名都是它们。L-Qwen3.5-9B 综合排名 4.4,95% 置信区间 3.5 到 5.1,不与任何其他模型重叠,也是唯一在三项任务上显著压过第二名的系统:GEO 甲基化两两比较和回归,以及 GTEx 两两比较。0.6B 的 L-Qwen3-0.6B 在 26 个系统里排第六,超过 Claude Opus-4.5、Kimi-K2.5、GPT-5.2 和 Grok-4.3。
| 指标 | L-LLM | 对照 |
| 综合排名 | L-Qwen3.5-9B 为 4.4 | 最好的前沿模型 Gemini-3.1-Pro,区间 6.7–9.5 |
| Olink 年龄回归 MAE | L-Qwen3-0.6B 为 5.7 年 | 最好前沿 Kimi-K2.5 为 10.1 年;OrganAge 时钟 6.8 年;同面板弹性网 3.9 年 |
| Olink 条件生成 Jaccard | L-LFM2-2.6B 为 0.17 | 最好前沿 GPT-4.1-mini 为 0.04 |
| GTEx 条件生成 Jaccard | L-LFM2-2.6B 为 0.35 | 最好前沿 Gemini-2.5-Pro 为 0.15;不计年龄的频率补全基线 0.54 |
| CellAge 衰老角色分类 | L-LLM 均值 71.4% | Gemini-3.1-Pro 95.9%,GPT-5 94.9% |
消融显示预测靠的是分散的生物学信号:NHANES 里拿掉全部血检,原先做对的「谁更老」有 47.4% 会翻盘。生成任务作者自己降级为附属指标,因为它更多测的是对测量面板的熟悉程度,不是年龄推理。
Longevity Claw 用 L-Qwen3.5-9B 按 14 个衰老标志类别各提名 30 个基因,独立跑六轮,去重后得到 328 个候选。与 Pun 等人 2022 年 300 个老化靶点重叠 12 个,2.4 倍富集(p=0.004);CXCL12 和 ADAMTS14 落在那篇里 9 个实验验证靶点中。论文把这步写成演示,不是经过验证的发现管线。
给做 AI4Science 的人一把能复现的尺子:单轮、无工具、看原始测量。结论很硬,在组学年龄这种任务上,规模补不上领域数据。0.6B 本地可部署模型,对不能把患者数据送出 API 的实验室更有用。
Claw 的靶点名单口味接近已有 AI 靶点工具,重叠加富集不能当成新药靶。CellAge 对照把话说死了:前沿模型很会背文献,一换成原始组学就掉队。
基准测的是预测和格式稳健,不测机制推理或因果。商业模型训练语料不公开,污染风险消不干净;组学 prompt 虽是程序生成,作者也没做文本污染的实证检查。训练和评测按域内切开,跨域是否复用了同一基因、CpG 或受试者没有审计。化学筛选、跨物种翻译、表观重编程和单细胞都不在当前范围。推理成本、延迟,以及按性别、年龄、族群划分的公平性都没测。评测和训练仍来自同一批公开数据源,分割再干净也不是完全独立。
SynergyAge 两两比较只有 26 条 prompt,遗传扰动任务样本太小,排名在这一域上噪声会偏大。固定特征面板上 L-LLM 能接近专用时钟,特征一旋转优势就消失,说明微调并没有变成通用的「读任意 CpG」能力。