高难盲测超越GPT-6-Astra与Opus-5！无界前沿开源Fx-Bio-1031，把RSI带进生命科学
内容提要
无界前沿开源生物信息大模型Fx-Bio-1031，开放完整权重，面向专业生信任务。该模型在Anthropic BioMysteryBench困难子集上Pass@5达70.59%，领先GPT-6-Astra和Claude Opus-5；BiomniBench Pass@3达89.50%。采用125B总参数、激活6B的MoE架构，支持本地私有化部署，覆盖药物研发、多组学分析、病原溯源等五类场景，并依托RSI-OS三层自演进体系持续迭代。
延伸解读
高难基准的领先幅度意味着什么
Fx-Bio-1031在BioMysteryBench困难子集上Pass@5达70.59%，比GPT-6-Astra和Claude Opus-5高出17.65至23.53个百分点。文章指出，在人类专家可解子集上顶尖模型都在90%以上，差距主要出现在需要数十步长程推理、多源证据拼图的深水区。这说明该模型在条件残缺、信噪比极低的极限任务中更具稳定性，但读者也应注意，这仅是特定基准下的结果，不能直接等同于所有真实科研场景的普遍优势。
本地私有化部署的实际约束
文章强调Fx-Bio-1031采用125B总参数、激活6B的MoE架构，推理计算量相对可控，有助于医院、高校和药企在本地机房私有化部署，从而守住数据不出域的安全红线。不过，文章并未给出具体的硬件配置、部署成本或推理延迟数据。读者在评估落地可行性时，仍需结合自身算力条件与数据规模，不能仅凭“无需天价算力集群”的表述就认为部署门槛很低。
从生信任务到通用问题解决范式的迁移
文章将生物信息学视为RSI-OS三层自演进体系的第一块试金石，认为模型习得的是拆解模糊需求、调用工具、交叉验证、自我纠错的通用范式，并可迁移至化学材料、药物分子设计、工业研发等场景。这一设想有案例支撑，例如模型在盲测中主动调用外部数据库、在细菌测序任务中修复底层数据错误。但迁移效果尚未在文中给出跨领域评测数据，读者应将其视为方向性判断而非已验证结论。
Q&A
Fx-Bio-1031是什么模型？它主要面向什么领域？
Fx-Bio-1031是无界前沿开源的生物信息大模型，面向专业生物信息学任务研发，开放完整模型权重，已跑通生物医药干实验。
Fx-Bio-1031在哪些基准测试上超越了GPT-6-Astra和Claude Opus-5？成绩如何？
在Anthropic BioMysteryBench困难子集上，Fx-Bio-1031的Pass@5为70.59%，高于GPT-6-Astra的47.06%和Claude Opus-5的52.94%；在BiomniBench上Pass@3达89.50%。
Fx-Bio-1031的模型架构有什么特点？为什么适合本地私有化部署？
采用总参数量125B、每token仅激活6B参数的MoE架构，推理计算量相对可控，有助于降低推理成本，无需天价算力集群即可在本地机房私有化部署，保障数据不出域。
Fx-Bio-1031能用在哪些实际场景？
重点面向五类场景：药物研发与临床肿瘤队列挖掘；多组学联合分析与分子机制拆解；病原微生物溯源、宏基因组挖掘与质控排障；实验异常排查、盲测还原与审稿补实验；生信自动化Agent底座与定制化管线开发。
RSI-OS是什么？它如何帮助Fx-Bio-1031持续进化？
RSI-OS是递归自演进操作系统，包含评估层、数据层、环境层三层飞轮：评估层让AI参与检验什么算好；数据层让AI针对短板自己造题；环境层让AI参与打磨工具与环境。三层闭环使模型能持续自我迭代。
Fx-Bio-1031在真实盲测中展现了哪些能力？能举一个例子吗？
例如在9份无标签hiPSC ATAC-seq样本的盲测中，模型先通过内部相关性聚类将样本分成三组，再调取外部HDAC抑制剂已知转录响应数据作为标尺，成功还原两组药物处理组与一组空白对照。
