英矽智能Cell封面开源长寿AI全家桶：0.6B-9B小模型在17项衰老基准上击败前沿大模型
9月17日，英矽智能登上《Cell》封面的衰老研究论文正式发表，三件套当日在Hugging Face与GitHub全面开源：LongevityBench——首个跨衰老生物数据的开源基准，含17项任务，覆盖临床、遗传、表观遗传、转录组与蛋白组五大数据域；Longevity-LLMs——5个0.6B至9B参数的紧凑开源模型，基于Liquid AI LFM2架构与Qwen底座经衰老数据全参微调；Longevity Claw——开源智能体平台，整合基因集富集、衰老时钟计算、证据检索等工具执行多步研究流程。测试显示，18个前沿系统（OpenAI、Google、Anthropic、xAI、DeepSeek、Moonshot）无一在五大数据域全面领先，L-Qwen3.5-9B在26个受测系统中总分第一、超过Gemini 3.1-Pro。Longevity Claw首次自主发现活动分析14个衰老标志、提名328个候选靶点，最高5.6倍富集。合作方包括Buck衰老研究所、哈佛医学院与布莱根妇女医院。
9B小模型考赢GPT和Gemini：Cell封面论文给“大力出奇迹”补了一块短板
数据视角分析 × 药企研发视角 ｜ 深度研报
9月17日，英矽智能（Insilico Medicine）登《Cell》封面的衰老研究论文正式发表（189卷19期，Zhavoronkov等），衰老研究三件套——LongevityBench基准、Longevity-LLMs专用模型、Longevity Claw智能体平台——当日全面开源，上线Hugging Face与GitHub。合作方包括Liquid AI、Buck衰老研究所、哈佛医学院与布莱根妇女医院。测试中，参数0.6B至9B的专用小模型在26个受测系统中总分第一，超过Google Gemini 3.1-Pro。
一、通用模型读不懂衰老：一个基准的由来
衰老研究长期缺一把自己的AI评测标尺。传统AI评测奖励的是信息记忆，而不是对新生物测量数据的解释能力——模型背下多少文献，不等于它能读懂一份新的临床测量或多组学报告。对药企研发而言，这个差别直接决定AI输出能不能信：科学任务要的是从证据到结论的推理链，不是检索复述。
LongevityBench就是为补这块短板而生的：首个跨衰老生物数据的开源基准，设17项任务，覆盖临床、遗传、表观遗传、转录组、蛋白组五大数据域。数据底座全部来自公开资源——NHANES临床测量、GEO DNA甲基化、GTEx转录组、Olink血浆蛋白组、OpenGenes与SynergyAge遗传资源——它测的核心是证据推理，不是记忆容量。
结果不给通用大模型留面子：18个前沿系统来自OpenAI、Google、Anthropic、xAI、DeepSeek、Moonshot AI六家，无一在五大数据域全面领先；性能随提问措辞显著波动，稳健性缺陷明显。最难的任务——从组学测量直接预测生物学年龄——所有前沿模型全部失败。
二、三件套的角色：考试、考生与做题家
这套工作用科普的方式理解，是一场考试加一组考生加一个做题家的组合。考试是LongevityBench：17项任务、五大数据域，把衰老研究的能力拆成可量化科目。考生是Longevity-LLMs：5个紧凑开源模型，参数从0.6B到9B，基于Liquid AI LFM2架构（32768 token上下文）与阿里Qwen3、Qwen3.5底座，经Insilico MMAI Gym for Science框架在衰老临床与多组学数据上全参微调。做题家是Longevity Claw：开源智能体平台，整合基因集富集分析、衰老时钟计算、群体画像、证据检索与综合、候选靶点评估等工具，让模型能调用工具做题，而不是凭记忆猜答案。
三件套的分工对应研发流程的三个环节：基准定义什么算会，模型承担领域推理，Agent把推理接入真实科研工作流。三者同日开源，等于把衰老研究的评测、模型与工具链整建制搬进了开源社区。
三、反直觉的赢家：小模型赢的边界条件
成绩单的看点在对比：专用小模型匹配或超越16个前沿系统；L-Qwen3.5-9B在26个受测系统中总分第一，超过Google Gemini 3.1-Pro。9B参数战胜前沿大模型，听上去像以小博大，但把它读成通用能力的反超就错了。
小模型赢的前提条件要讲清楚：一是领域基准限定了窄任务边界，考的是衰老领域的证据推理，不考通用知识面；二是领域数据全参微调，MMAI Gym for Science把衰老临床与多组学数据喂足，领域先验的收益盖过了参数规模的差距；三是前沿模型自己在稳健性上失分，措辞敏感意味着它们对科学问题的理解并不稳定。三个条件同时成立，才有总分第一的结果。放到药企研发的语境里，这意味着模型选型的关键变量不是参数规模，而是任务窄度、数据质量与评测可信度——参数竞赛的叙事，在垂直科学任务上第一次被系统性证伪了一角。
四、从考场到产线：328个靶点与开源的账本
考试之外更关键的是实战。Longevity Claw的首次自主发现活动分析了14个衰老标志，提名328个候选治疗靶点；相对独立发表的实验支持集，富集最高5.6倍，统计显著。交叉验证也给了一条硬证据：被提名的KDM1A基因在另一独立研究中被确定为衰老与癌症靶点，该研究显示调控KDM1A可延长线虫寿命。提名与独立实验结论对上，说明这套自主发现流程的产出不是概率游戏。
英矽智能联席CEO Alex Zhavoronkov的表态点明了开源意图：让全球科学家更快、更严格、更低门槛地做长寿研究。公司背景也给了这套工具可信度：9月7日Nature Biotechnology报告，其AI发现的IPF药rentosertib在IIa期显示六个蛋白组衰老时钟下生物学年龄下降。
对行业而言，这份封面论文的证据指向垂直专用模型路线：领域基准、领域数据微调、窄任务三者齐备时，小模型就能在科学任务上压过大模型，但边界同样要讲清——条件不满足时，通用大模型仍是更稳的默认选择。三件套开源则改写了研发成本结构：药企与学术团队无需从零构建评测与工具链，竞争的门槛从算力规模转向数据与验证能力，这才是小模型考赢大模型之外，更值得研发团队记下的一笔。
原文链接：Drug Target Review
千方医数集编辑部 出品
