LongevityBench：把「AI 能不能做衰老研究」变成一个可测量的基准

「AI 能不能加速衰老研究」这个问题一直缺一个可复现的答案。原因不难理解：衰老生物学的任务高度异质——从文献综述、表观时钟解释、干预靶点预测，到图像判读、实验设计，所需的数据形态与推理方式完全不同。用单一问答集评测，结论必然失真。

LongevityBench 的设计

• 17 个任务，覆盖衰老生物学的多个能力维度；
• 5 类数据，覆盖异质的输入形态；
• 作为开放基准发布——这意味着它设计上就考虑了可复现性与第三方验证。

两个结论，都对行业有直接含义

结论一：没有单一模型通吃。没有一个模型能在全部 17 个任务上领先。这意味着衰老领域的 AI 应用必须任务匹配——用做文献综述的模型去做图像判读，或反过来，都会失败。任何「某模型能做衰老研究」的笼统表述，都应被视为营销而非结论。

结论二更反直觉：0.6B–9B 的小模型经微调后可匹敌前沿大模型。这与「越大越好」的直觉相反，但它有一个非常实际的意义：衰老研究中的多数任务不需要最强模型，需要的是领域适配。这大幅降低了该领域引入 AI 的门槛——一个中等算力的实验室也能用上合适的工具。

为什么这类基准比「新模型发布」更重要

衰老研究正在经历工具方法的爆发期：表观时钟、AI 驱动的虚拟筛选（如本月报道的 AURORA 框架锁定口腔 geroprotective 菌株）、深度学习衰老标志物评分（如 SASP Score）。但这些工作之间无法横向比较——各自用各自的数据、各自的划分、各自的指标。

LongevityBench 提供的正是共同坐标系。它带来的长期价值可能大于任何单一模型：没有基准，这个领域的 AI 进展就无法被验证，也无法被复制。

局限

• 基准的效度取决于任务设计。17 个任务是否覆盖了衰老生物学的真实需求，尤其是否覆盖了那些尚未被形式化的"判断"，是开放问题。
• 微调后的小模型表现好，不等于在未见过的任务类型上稳健——基准内表现与实际科研价值之间仍有距离。
• 摘要未给出具体分数、模型清单与任务细节，本文不给出摘要外的任何数值；相关数据需以论文与基准仓库为准。