波蘭新創 Ingenix 於 2026 年 11 月 9 日宣布，其 90 億參數的「Thalamus Reasoning」模型在專門評估語言模型細胞老化研究能力的 LongevityBench 測試中，於 29 個模型中取得整體第一，平均排名為 1.42。測試涵蓋 14 項任務，模型在 11 項排名第一，並在 8 項任務優於最佳非語言模型基準。
Ingenix 隨即開放「Thalamus Decision」原始碼版本，供學術與商業研究人員檢視、重現及延伸。其模型以 DNA 甲基化、基因表現與蛋白質體資料為輸入，再透過 Modality Fusion 轉換為緊湊向量，減少模型處理生物資訊時的文字負擔。
公司宣稱，該模型的 DNA 甲基化年齡誤差為 3.36 年，優於同一 Qwen3.5-9B 基礎上最佳文字提示模型的 12.9 年，也優於 Horvath clock 的 4.67 年；轉錄體排序準確率達 0.828。Ingenix 另表示，模型訓練未使用 LongevityBench 測試資料，並正開發 950 億參數版本。
這項競賽結果的核心，並非單純的「模型參數」競速，而是生物資料能否以原生形式被大型模型理解。傳統做法通常將 DNA 甲基化、基因表現與蛋白質體等高維資料轉成文字、表格或降維特徵，再交由語言模型推理；Ingenix 的 Modality Fusion 則主張先讓模型直接處理各生物模態，再於共同表示空間中進行判斷。這項差異決定模型究竟是在閱讀生物學，還是在閱讀人們對生物學的文字描述。
從技術演進來看，生物學 AI 已由單一基因預測，逐步走向多組學整合、機制推論與臨床研發決策支援。然而，多模態不等於有效整合：不同模態的尺度、缺值型態、批次效應與生物意義並不相同，若只把各模型輸出拼接，結果仍可能受文字中介的資訊損失限制。Thalamus 以數學向量作為生物模態介面，試圖減少這類落差。
從產業與研究競爭來看，超大規模雲端業者擁有算力、資料與資本優勢，適合建立通用平台；波蘭小型團隊則押注垂直整合與領域專精。真正的利益角力不在於誰奪得單一排行榜冠軍，而在於專家模型能否成為藥物研發、臨床試驗與精準醫療的工作流入口。若 Ingenix 的開源模型獲得採用，其團隊可能先建立方法論與開發者影響力，再以商業服務、授權或更大型模型承接需求。
另一方面，榜單領先不等於已證明臨床價值。LongevityBench 的 14 項任務、模型版本、資料切分及評分設計，都可能影響結果；官方聲明中的 950 億參數模型也尚未公布。因此，這是一項值得重視的技術訊號，但尚不足以單獨支持醫療或藥物研發成效的全面結論。
戰略貿易流向與供應鏈依賴度
HS 8507資料來源：UN Comtrade 聯合國商品貿易統計庫 · 全球市場規模 $1,300 億美元 / 年 (複合成長率 >24%)
這場競賽可與早期大型語言模型超越特定專業系統、以及 AlphaFold 將結構生物學推向量產化工具的歷程相比。前者的共同教訓是：模型未必由最大團隊或最大參數量勝出，但可重現的專業資料表示、明確任務與獨立評估，往往比通用規模更接近實際價值。
01 起因觸發：Ingenix 宣布 Thalamus Reasoning 登頂 LongevityBench，並開放 Thalamus Decision 原始碼。
02 一階傳導：生物資訊研究、藥物標靶篩選與多模態模型團隊開始以原生生物資料介面重構既有流程。
03 二階擴散：研究社群取得可檢視與延伸的模型版本，垂直 AI 新創與雲端平台的模型服務競爭升溫。
04 宏觀終局：生物 AI 可能形成「通用基礎模型＋垂直融合引擎＋專業工作流」並存的新產業分工。
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
