过去半年，硅谷最顶尖的几家AI实验室几乎同时把手伸进了生命科学，OpenAI在4月甩出GPT-Rosalind，Google在5月接上Gemini for Science，Anthropic6月又上线了Claude Science。从底层模型、评测基准到科研工作台，全球头部公司已经在半年内把生命科学变成了验证AGI和RSI含金量的头号战场。
但浪潮照进国内的时候，卡在了两道墙上。第一道是闭源，海外那些生信垂域模型基本不开放权重，数据安全和本地化部署根本谈不拢。第二道是门槛，动辄几百万行测序数据、缺失标签的实验样本、多步统计检验加复杂工具调用，通用大模型一进去就像在背诵医学百科，术语对答如流，一进真实沙盒就报错崩溃。
今天，无界前沿把这道墙推倒了一大块。他们正式开源了生物信息大模型Fx-Bio-1031，完整权重直接放出来，面向专业生信任务研发，瞄准的是GPT-Rosalind同一条赛道。
先看成绩单。在Anthropic发布的BioMysteryBench高难盲测里，模型不能靠检索现成答案蒙混过关，而是被扔进真实生物数据和Linux工具环境，自己审视原始文件、去NCBI和Ensembl捞注释、写多步统计脚本，走不通就推翻重来。在这种设定下，Fx-Bio-1031在困难子集上跑出了70.59%的Pass@5，而同一框架下的GPT-6-Astra只有47.06%，Claude Opus-5是52.94%，分别高出将近24个和18个百分点。在考察复杂科学分析全流程的BiomniBench上，它的Pass@3更是直接到了89.50%。
真正的模型代差，从来不在送分题里，就在那些条件残缺、信噪比极低、人类专家都要苦思好几天的极限任务里。
不过跑赢高难基准只是第一步。对医院课题组、药企、CRO机构来说，真正有用的是AI能不能走进实际科研工作流。Fx-Bio-1031瞄准了五类场景，从药企在本地私有化环境里对临床测序队列做靶点验证，到高校做多组学联合分析，再到疾控做病原微生物溯源和宏基因组挖掘，以及湿实验异常排查和生信自动化Agent底座，基本把「干实验」的痛点全扫了一遍。
这里有个细节值得停下来想想。这个模型总参数量125B，但每个token只激活6B参数，是典型的MoE高效架构。激活参数小，推理时计算量就可控，医院科室、高校课题组不用搞天价算力集群也能在本地机房跑起来。数据从物理源头就守住了「绝不出境、绝不出域」的红线。这套思路说白了，就是给国内生命科学界一个真正能落地的开源底座，而不是又一张漂亮的benchmark截图。
再往下挖一层，你会发现它的设计哲学其实不只是「生信模型」这么简单。Fx-Bio-1031在训练中真正习得的，是一套拆解模糊需求、调用工具、交叉验证、自我纠错的通用范式。生物信息学只是这套体系的第一块试金石，往后可以低成本横向迁到化学材料、药物分子设计甚至工业研发。把RSI带进生命科学，再带着这套范式溢出到其他「规则可验证、数据高复杂」的场景，这才是这件事真正的野心。
