模型与 Benchmark板块首页
总览
AI for Bio benchmark 总览模型 × benchmark 配对矩阵训练数据从哪来:公开库、私有授权、自产 wet lab 与…模型索引:112 个模型按领域分组44 个 benchmark 的规模、更新与 wet la…
Benchmark 档案:核心 30 项
01 CASP02 ProteinGym03 MoleculeNet04 TDC05 PoseBusters06 CASF-201607 USPTO family08 Basenji/Enformer test set09 scIB10 GuacaMol11 ClinVar hold-out protocol12 DUD-E / LIT-PCBA13 CAGI14 PubMedQA15 CAMEO16 GUE + Nucleotide Transform…17 CAFA18 LAB-Bench / LABBench219 PMO20 CACHE21 DREAM5 / BEELINE / CausalB…22 CAPRI23 BioASQ24 虚拟细胞挑战赛与扰动预测评测25 RNA-Puzzles26 FLIP / FLIP227 Polaris / ASAP / OpenADMET28 Adaptyv competitions / Ben…29 BixBench30 PLINDER / PINDER / Runs N'…
Benchmark 档案:补充 14 项
31 FoldBench32 CrossDocked202033 PoseX34 AbBiBench35 FLAb / FLAb236 AIntibody37 TraitGym38 BEND39 RNAGym40 MotifBench41 BioML-bench42 BioMysteryBench43 Ginkgo GDPa144 FS-Mol
模型:结构/共折叠
AF2-Multimer:Google DeepMindAlphaFold 3BioEmu-2Boltz-1 / Boltz-1xBoltz-2:MIT、Recursion、Boltz P…Chai-1:Chai DiscoveryChai-2:Chai DiscoveryDiffDock:MIT CSAILESMFold2HelixFold-S1:BaiduIntelliFold-2:IntelliGen AIIsoDDE:Isomorphic LabsMassiveFoldNeuralPLexer3OpenComplex2OpenDDE:Aureka AI Research、Au…OpenFold3Pearl:Genesis Molecular AIProtenixRF3:University of Washington …RhoFold+ / DRfold2 / trRosett…RNAPro:NVIDIA、Stanford Univer…SeedFold:ByteDance SeedVina:Scripps Research
模型:小分子
ADMET-AIAQAffinity:SandboxAQBeacon:Inductive BioChemformer:AstraZenecaChemprop v2:MITEnchant v1 / v2ether0:FutureHouseKERMT:Merck & Co.、NVIDIAMiniMol:Valence LabsMolE:RecursionMoLFormer-XL:IBM ResearchNesso-1:Valence Labs、Recursio…ReaSyn v2:NVIDIA、KAISTREINVENT 4RetroDFM-RSaturn:EPFLTamGen:Microsoft Research AI …TerraBind:Terray TherapeuticsTxGemma:Google DeepMind、Googl…Uni-Mol2Uni-Mol3
模型:蛋白
AlphaProteoAMPLIFY:Mila、Polytechnique Mo…BindCraftBoltzGenChai-3:Chai DiscoveryClaude 蛋白设计研究DPLM-2:ByteDance Research、Nan…Dyno Psi-1 / Psi-PhiESM C:Evolutionary Scale、Chan…ESM3:Evolutionary Scale、Chan …EVOLVEproLa-Proteina:NVIDIALatent-X / X2:Latent LabsLucaOne:Alibaba Cloud、Sun Yat…Mosaic:Escalante BioPinal:Westlake UniversityPoET-2:OpenProtein.AIProfluent-E1:ProfluentProGen3:ProfluentProSST:Shanghai Jiao Tong Uni…Proteina-Complexa:NVIDIARFdiffusion2 / 3SaProt:Westlake University、We…SeedProteo:ByteDance SeedVenusREMxTrimoPGLM
模型:抗体
GerminalHCAbLM:Nona Biosciences、HBM H…IgGM / IgGM-FMJAM / JAM-2:Nabla BioOrigin-1:AbsciRFantibodytFold:Tencent AI for Life Sci…
模型:基因组/RNA
AlphaGenome:Google DeepMindAlphaMissense:Google DeepMindBioReasonBorzoi:Calico Life SciencesBulkFormerEvo 2:Arc Institute、NVIDIA、St…NTv3:InstaDeeppopEVE:Harvard Medical School…RIBOSPAN
模型:单细胞
AIDO Cell:GenBio AIC2S-ScaleCellFM:Sun Yat-sen University…Lingshu-CellscGPT / GeneformerscPRINT-2Stack:Arc InstituteSTATE:Arc InstituteTahoe-x1:Tahoe TherapeuticsTranscriptFormerX-Cell:Xaira TherapeuticsxTrimoSCPerturb / scFoundation
模型:分子生成
GenMol:NVIDIA
模型:文本与 agent
Biomni:Stanford University、Ph…Co-ScientistGPT-Rosalind:OpenAIIntern-SKosmos / Edison AnalysisMedGemma / Med-GeminiQuine:Microsoft ResearchRobin:FutureHouseSciReasonerTxAgent:Harvard Medical SchoolVERID:Google Research前沿通用大模型:Anthropic、OpenAI、Goog…

Tahoe-x1:Tahoe Therapeutics

整理 2026-11-16 · 来源与可靠度标注见正文
本文目录
  1. 概况
  2. 做什么
  3. 报过的 benchmark
  4. 其他评测(不在 44 项内)
  5. 训练数据
  6. 湿实验验证
  7. 背景
  8. 怎么看
  9. 局限与注意
  10. 来源
  11. 更正记录

单细胞基础模型,掩码预训练编码器,含扰动数据的大规模预训练。

单细胞 · AI 原生 biotech · 美国 · 截至 2026-11-16

概况

字段 内容
名称 / 别名 Tahoe-x1;别名:Tx1-70M、Tx1-1.3B、Tx1-3B;有歧义、不自动链接:Tahoe
家族 否(三档参数为同一模型规格,不是家族成员)
机构 Tahoe Therapeutics
机构类型 / 国家 AI 原生 biotech / 美国
模型类别 单细胞基础模型(掩码预训练编码器)
领域 单细胞
首次发布 (依据:代码与权重的首个版本发布(v0.1.0);预印本 2025-10-23 稍晚) 模型库仓库 2025-08-25 创建(当时仅 README),按口径不作首发
其他里程碑 最早公开证据 (v0.1.0 发布);预印本 v1 (预印本 v1(10.1101/2025.10.23.683759));代码发布 (GitHub v0.1.0);权重发布 †(未核实)(权重随代码以宽松许可发布)
最近更新 ,仅维护:仓库新增扰动教程,属维护性改动;本轮未检出新版本或期刊发表。此为最近一次有出处的事件。此为最近一次有出处的事件,不代表此后没有更新
开放程度 代码:开放(Apache-2.0);权重:开放(Apache-2.0);三档权重与代码均以宽松许可公开
状态 仅维护:仅维护性提交,无新版本或期刊发表
报过的 benchmark 1 项计入(改协议 1)
湿实验验证 1 条记录
全站实体页 无(全站实体库有开发公司页,但无该模型自身的实体页)
截至 2026-11-16

做什么

用编码器做掩码语言建模,强调以扰动数据参与预训练,下游覆盖基因必需性、细胞类型分类与扰动响应预测。开发方称计算效率比既有细胞状态模型高数倍到数十倍,属公司自述、未独立验证。与 STATE 共用同一套扰动语料,但本模型是表示学习型基础模型,后者是响应预测器;与 Stack 的上下文学习路线亦不同。

报过的 benchmark

按关系类型排列;每行标来源类型与出处。分数只在同一 benchmark、同一口径内有意义,见各 benchmark 页的当前排名。1 项计入(改协议 1)。

Benchmark 关系类型 计入 评测集 / 口径 来源类型 说明 出处
24 虚拟细胞挑战赛与扰动预测评测 开发方自报,协议有改动 是 — 自报 留出细胞背景的扰动响应预测,开发方自建口径并明确不是挑战赛;摘要与模型卡均未给数值 出处

其他评测(不在 44 项内)

  • 公开基因必需性数据集(站外公开 benchmark,自报):整体与细胞背景特异的必需性预测;用的是公开 CRISPR 筛选数据,与扰动响应预测不是一回事,摘要与模型卡只给结论不给数值
  • 癌症标志基因与细胞类型分类(自建任务集,自报):摘要称四项任务全部达到当时最好水平,无可引用数值
  • 计算效率自述(仅与基线对比,自报):公司称效率高出数倍到数十倍,未独立验证

开发方称:以自产扰动数据参与预训练,使模型在必需性、标志基因、细胞类型与留出背景扰动响应四项上同时达到当时最好水平,且计算效率更高。

独立证据:未检出独立证据(未检出第三方评测或复现;同一数据方的语料也被另一机构模型使用,但那不是对本模型的评测)

训练数据

类别 值 说明 出处
a 公开库 是 两个公开单细胞图谱与计数集,与自产语料合计 2.66 亿条单细胞图谱 出处
b 私有 / 授权 未披露 — —
c 自产 wet lab 训练数据 是 自产扰动语料:约 1 亿条图谱、1,100 个小分子扰动、50 个癌细胞系;数据方与模型方为同一公司 出处
d 仅用于验证的 wet lab 否 — 出处

湿实验验证

每个比率都带分子与分母;未核实的条目不给数字。不同版本的来源分开列。

实验 靶点数 受测设计 命中 成功率 最佳亲和力 分母口径 版本 来源类型 日期 核实 执行方 说明 出处
自产扰动语料规模(训练数据,非验证实验) — — — — — 约 1 亿条图谱、1,100 个小分子扰动、50 个癌细胞系;预训练合计 2.66 亿细胞 primary paper v3 自报 已核实 开发方自有实验平台产出,用于训练而非验证 扰动数按本轮裁定取 1,100;新闻稿流传的约 1,200 不采用,同一修正也用于 STATE 的训练数据行 出处

背景

  • 机构:开发方是 2022 年成立、技术源自一所美国大学的单细胞数据与模型公司,总部在加州;改名时间各来源写作 2024-04 或 2025-04。核心资产是其实验平台与自产扰动数据集。员工数无可引用口径,本记录不给。
  • 融资:2022-12 种子轮 1,200 万美元;2025-08 A 轮 3,000 万美元(一家基金领投,另有六家机构参与),累计 4,200 万美元,本轮用于建设十亿级单细胞数据集。
  • 产品与合作:自产语料的样本制备与测序分别由两家仪器与试剂公司承担,并作为首个数据集开源给一家研究所的细胞图谱;2026-01 与该研究所及一家生物中心宣布联合生成更大的扰动数据集(新闻稿口径:逾 1.2 亿单细胞数据点、约 50 个细胞系、1,400 个化学骨架各三个剂量、100 种细胞因子扰动,先三方共享后开源);2026-01 另与一家抗体平台公司宣布成立合资公司做抗体药物偶联物,起步两个项目、条款未披露。站内关系:STATE 用同一语料训练。
  • 相关模型:STATE、Stack、X-Cell

怎么看

  1. 必需性评测用的是公开 CRISPR 数据,与扰动响应预测不是一回事;四项「最好水平」只有结论没有数值。
  2. 数据自产使其不依赖第三方语料,但训练与评测同分布的风险也随之存在。
  3. 效率倍数为公司自述,未独立验证。
  4. 没有 盲测挑战得分,无法与其他扰动模型在同一盲测上比较。

局限与注意

  1. 唯一站内配对为改协议自报,且开发方明确不是挑战赛口径。
  2. 无期刊版本;最近事件仅为仓库维护。
  3. 扰动数在新闻稿与论文间冲突,本轮取论文口径。
  4. 自产数据进入训练集,评测与训练同分布的风险需在解读时注明。

来源

  1. 预印本(预印本)
  2. 权重与模型卡(包仓库)
  3. 代码仓库 releases(仓库)
  4. 自产扰动语料论文(预印本)
  5. 语料开源公告(第三方机构)(官方网站)

更正记录

以下为本轮核对中改过的字段,原值按记录照录。

字段 原 现 原因 出处 发现日期
training_data.c_own_wetlab_for_training 约 1,100–1,200 种药物 1,100 个小分子扰动(约 1,200 仅见新闻稿) — 依据 2026-11-16
first_release 2025-10(预印本) 2025-10-10(代码与权重首个版本) — 依据 2026-11-16

本文为个人研究笔记,结论基于成文时可获得的公开信息;带〔估算〕〔推断〕或⚠️的数字未经独立核实。