Evo 2

模型与发布

Arc Institute 联合 NVIDIA 等，2025-02 发布，7B 与 40B 两档，上下文最长 1M [1]。

训练数据配方

• 公共库：OpenGenome2 合计 8.84 万亿 nt：原核 113,379 基因组约 3,570 亿 nt（含 GTDB 220.0 新增 28,174），真核 15,032 基因组约 6.98 万亿 nt（约 79%），宏基因组约 8,540 亿 nt，细胞器 32,240 基因组，另有围绕基因窗口化的真核子集约 6,020 亿 nt [1]。
• 训练量：40B 模型用 9.3 万亿 token，7B 用 2.4 万亿；40B 的 1,024 上下文 6.6T token、8,192 上下文 1.1T token，中期扩到 1M 约 6,000 亿 token；重复序列位点损失权重 0.1 [1]。
• 蒸馏合成与私有真值：无。

数据供应方与许可

NCBI/GTDB 等公共库（见 INSDC（GenBank/ENA/DDBJ））。

已知问题与口径冲突

"9.3 万亿"是 40B 的训练 token 数，OpenGenome2 本身是 8.84 万亿 nt，勿混用。真核病毒序列因生物安全被排除 [1]。

来源

1. https://www.biorxiv.org/content/10.1101/2025.02.18.638918v1.full (2026-10-15)