一个只有九十亿参数的小模型，在《细胞》杂志的衰老生物学考试里，把GPT-5和Gemini-3.1-Pro同时挤下了冠军领奖台！
这场考试只考一件事：人工智能到底能不能从原始组学数据里读出衰老！
长寿基准测试LongevityBench用十七项衰老任务考了二十六个人工智能模型，结果发现通用大模型在原始DNA甲基化、转录组和蛋白质组数据上频频失手，而经过衰老数据微调的小模型反而更懂原始测量，甚至在某些任务上追平专用衰老时钟！
大模型背得出教科书却读不懂甲基化数据
2007年，西班牙科学家洛佩兹-奥廷在《细胞》上发表了那篇被引三万多次的“衰老标志”综述，把衰老拆成基因组不稳定、端粒磨损、表观遗传改变等十二个标志，后来这套框架成了整个衰老研究领域的普通话，任何人研究衰老都得用它来说话。但是，能背出这十二个标志，跟能从一滴血的甲基化数据里判断一个人到底几岁，完全是两码事。DNA甲基化是DNA上一种化学修饰，你可以把它想象成基因开关上的灰尘——某个基因被灰尘盖住了，它就关掉了。科学家发现，随着年龄增长，某些位置上的灰尘越积越多，另一些位置上的灰尘会被擦掉，这种变化规律足够稳定，于是诞生了表观遗传时钟这一概念。
2013年，霍瓦斯用三百五十三个CpG位点做出了泛组织甲基化时钟，误差只有三点六年；同年汉纳姆用七十一个位点预测了六百五十六个人的年龄，相关系数高达零点九六。这些时钟的原理说穿了并不复杂：把甲基化数据按位点排成向量，乘以一个预先训练好的系数矩阵，得到一个数字，那个数字就是预测年龄，训练方式通常是弹性网络回归，本质上是带正则化的线性回归。
现在把这个数据交给GPT-5，LongevityBench的DNA甲基化年龄比较任务里，每个提示只展示一百六十个甲基化差异最大的位点，要求模型判断两份甲基化图谱对应的人谁更老。结果显示，最好的前沿模型Kimi K2.5只达到零点六九的一致性指数，而一个朴素贝叶斯分类器只比随机猜测好一点点，零点六一。
但是，有一个模型拿到了零点七四！这个模型不是GPT-5，不是Gemini-3.1-Pro，也不是Claude Opus-4.6，而是L-Qwen3.5-9B——一个参数量只有九十亿的紧凑型模型。这就怪了，对吗？一个参数不到你手机里聊天机器人千分之一的小模型，凭什么在原始甲基化数据上打败万亿参数的前沿系统？答案藏在训练语料里。
蛋白质组考试暴露了训练语料的偏见
前沿大模型的训练语料来自互联网上的文本，关于医学病例的文本，学术论文里有海量；关于衰老机制的综述，维基百科和教科书里也有。但是，“第七十三号受试者第一百八十一号CpG位点的贝塔值是零点八三”——这种句子在训练语料里的出现频率，趋近于零。LongevityBench的蛋白质组生成任务最能说明问题，这个任务要求模型在已知年龄的条件下补全一份血浆蛋白表达谱。L-LFM2-2.6B达到了零点一七的平均Jaccard相似度，最好的前沿模型GPT-4.1-mini只有零点零四。
更关键的是词汇覆盖率：L-LFM2-2.6B使用了两千五百八十三种不同的蛋白质符号，覆盖了真实数据中两千八百零一种蛋白质词汇的百分之九十一；而最好的前沿模型只覆盖了百分之四十七，使用了一千三百四十九种蛋白质。这意味着前沿大模型对血浆蛋白质组的认知，建立在文献报道的偏见之上，被研究得多的蛋白反复出现，被研究得少的蛋白几乎没有概念；而经过真实组学数据微调的紧凑模型，学会了真实测量世界里蛋白质分布长什么样。这就引出了这篇论文最核心的问题：通用大模型到底缺什么？缺的是把原始数据转化为结论的能力，而不是知识本身。
Olink蛋白质组学数据是另一个残酷的考场，Olink是一家瑞典公司开发的高通量蛋白检测平台，能从一滴血浆里同时测量上千种蛋白质的浓度。LongevityBench的Olink年龄比较任务包含一千六百一十五个提示，要求模型判断两位供体的血浆蛋白图谱谁对应更老的人。一个用弹性网络训练的蛋白质组时钟在这个任务上达到了零点七四九的一致性指数，最好的前沿模型Gemini-3.1-Pro只有零点七零三，GPT-4.1干脆不敌随机猜测。而L-Qwen3-0.6B——这个模型只有六亿参数，你的笔记本电脑都能跑——在Olink年龄回归任务上取得了五点七岁的平均绝对误差，最好的前沿模型Kimi K2.5是十点一岁。
但是，这里有一个反转：一个在相同蛋白质面板上从零训练的弹性网络时钟，误差是三点九年，比最好的紧凑模型还低了一点八年。所以紧凑模型并不是在这个任务上不可战胜，它只是在语言模型这个赛道里做到了最好。
论文作者自己承认，蛋白质组生成任务的成功更多反映的是对真实测量工具包的熟悉程度，而不是年龄推断能力，因为Olink芯片测量哪些蛋白，是由芯片设计决定的，跟供体的年龄关系不大，一个只知道Olink最常见蛋白清单的模型，在这项任务上就能拿到不错的分数。那到底什么能力才是真的？这就触及了这篇论文的边界。
临床数据最简单反而让大模型露馅
LongevityBench的十七个核心任务覆盖五个数据域：临床记录、表观基因组学、转录组学、蛋白质组学和遗传学，每个域内部又包含不同格式的题目——二分类、成对比较、多分类和回归。临床记录来自美国国家健康与营养调查NHANES，这个数据集包含问卷调查、体格检查和血液生化指标，任务要求模型从参与者的临床档案里判断谁更老，或者预测某个人在随访时是否还活着。这些任务的特征集是静态的，提示词也短，所以经典机器学习方法特别吃香，弹性网络回归和Cox比例风险模型都能拿到不错的成绩。
Gemini-3.1-Pro在NHANES任务上表现突出，尤其在年龄和死亡率查询上，但是大多数前沿大模型连机器学习基线都追不上，这就尴尬了。一个用弹性网络训练的年龄预测器，只使用性别、体重指数和血液面板这些固定特征，就能在年龄比较任务上达到高一致性，而GPT-4.1在Olink蛋白质组比较任务上干脆跟随机猜测没区别。LongevityBench的设计者故意让表观遗传学和转录组学任务使用非静态特征集，从海量CpG位点或转录本中采样，这样机器学习方法的优势就被大大削弱，前沿大模型的表现也更加不稳定。
论文做了特征消融实验来验证模型到底依赖什么信息做判断，以L-Qwen3.5-9B在NHANES临床年龄比较任务上的表现为例，把整个血液测量部分从提示里删掉，百分之四十七点四的正确答案直接翻转为错误。在表观遗传学任务里，删掉与性激素、增殖和应激反应相关的CpG位点后，模型判断谁更老的置信度显著下降。这说明模型确实在读数据，而不是靠一个泄漏的捷径。但是，要注意，Ly等人在2025年发表于《自然·衰老》的研究已经发现，许多衰老时钟之所以能预测年龄，很大一部分来自随机性的DNA甲基化漂变，而不是某个精确的生物学程序，换句话说，时钟的精确性越高，它捕捉的随机成分可能越大。那么紧凑模型到底赢在哪里？论文的训练方法给出了线索。
小模型赢在把原始测量当母语
L-Qwen3.5-9B的训练分成两个阶段：先用约三十一万三千个提示做持续预训练，内容涵盖衰老时钟系数、基因符号映射、蛋白质相互作用等基础知识；然后用多任务监督微调，把十七个评估任务全部排除在外。用八块RTX PRO 6000 Blackwell GPU训练约二十八小时，总成本可能不到一台高端工作站的价格。L-Qwen3.5-9B在NHANES年龄比较任务上的表现超过了Gemini-3.1-Pro，在GEO DNAm年龄回归任务上预测误差低于任何前沿模型，但是它在SynergyAge基因扰动寿命比较任务上只排在中间位置，在OpenGenes表达方向分类任务上甚至不如更小的L-LFM2-1.2B。
你看到了吗？这就是规律：紧凑模型赢在任务本身要求从原始数据里读出模式，而不是要求从训练语料里回忆事实。L-Qwen3.5-9B在表观遗传学年龄比较任务上拿到了最高排名，置信区间跟其他模型不重叠，是唯一在三个任务上显著超越第二名的模型。更大的L-Qwen3.5-9B通常排名更高，但规模关系并不均匀，L-LFM2-2.6B在五个任务上超过了更大的L-Qwen3.5-9B，在OpenGenes二分类任务上，L-LFM2-1.2B的百分之七十八准确率显著超过了九十亿参数模型的百分之七十一。这些结果说明，额外参数带来的收益因任务而异，对于某些生物学模式，三十亿参数以下的模型在相关数据上训练后，就能匹敌万亿参数的前沿系统。
所有五个L-LLM都能用前沿模型所需算力的一小部分来训练和查询，模型大小不是开发衰老研究人工智能的瓶颈。但是，这里还有一个问题：LongevityBench评估的是有已知答案的任务，如果一个模型能在一项考试里拿到高分，它能不能在开放式研究问题里发现新东西？论文用一个叫Longevity Claw的研究界面回答了这个问题，也暴露了新的矛盾。
用三百二十八个基因换来的验证还没闭环
研究者把L-Qwen3.5-9B接入Longevity Claw，让它针对衰老的十四个类别各自生成三十个候选药物靶点基因，并对每个基因从置信度、可成药性、安全性、新颖性等六个维度打分，重复六轮后，去重得到三百二十八个候选靶点。然后他们拿这三百二十八个基因跟Pun等人在2022年用PandaOmics平台发表的三百个衰老靶点做了比对，十二个基因重叠，Fisher精确检验p等于零点零零四，富集倍数二点四倍；在一百五十个可成药靶点子集中，七个重叠，p等于零点零一二，富集倍数二点八倍；其中CXCL12和ADAMTS14两个基因，是Pun等人后来实验验证的九个靶点中的两个，p等于零点零四五，富集倍数五点六倍。KDM1A这个基因在六轮生成中出现了五次，后来被独立验证为同时作用于衰老和癌症的双用途靶点，在线虫中确认了寿命延长效应。
论文在讨论部分自己指出，这个实验的统计显著性主要是概念性的，Longevity Claw的打分没有经过实验验证，重叠可能被高估，而且整个管道只用了单一模型，没有多模型交叉验证，没有湿实验闭环。但是，真正值得追问的是：如果这个九十亿参数模型能从一个提示词里生成三百二十八个候选靶点，其中十二个跟独立发表的三百个靶点重叠，那么用更大的模型、更多的轮次、更精细的过滤，结果会怎样？论文没有回答，它只是把这个实验当作能力展示，而不是发现管线。
一个比你的笔记本电脑还小的模型，已经能在部分衰老生物学任务上匹敌万亿参数的前沿系统，下一步的问题是：当这样的模型被部署到真正的实验室里，它会不会在某个凌晨三点，从一个被你忽略的蛋白质浓度变化中，读出你身体正在发生的衰老加速——而那个信号，任何现有的衰老时钟都还没有命名？
原文期刊 / Cell
发表日期 / 2026年9月17日
原文标题 / An open benchmark and language models for AI in aging biology
作者单位背景 / Insilico Medicine AI、Buck Institute for Research on Aging、Liquid AI、Brigham and Women's Hospital、Harvard Medical School