OwkinZero：加速生物学发现的 AI 方法
机器学习
2025-08-26 v2
摘要
虽然大型语言模型（LLM）正在快速推动科学研究，但仍在解决翻译医学和生物医学发现中至关重要的核心生物推理任务方面存在挑战。为此，我们创建并构建了八套全面的基准数据集，包含超过 30 万个可验证的问答对，聚焦药物发现中的关键挑战，包括靶标可药化、模态适合性和药物扰动效应。基于此资源，我们开发了 OwkinZero 模型，通过基于可验证奖励的强化学习后训练开源 LLM。我们的结果表明，专门的 8-32B OwkinZero 模型在这些生物基准测试中显著优于更大的商业最先进 LLM。令人惊讶的是，我们发现专家模型在单个任务上训练后，持续优于其基础模型在先前未见任务上的表现。这种泛化效应在我们的全方位 OwkinZero 模型中得到放大，这些模型在混合数据集上训练并实现更广泛的跨任务提升。本研究代表了一项重要进展，旨在弥补当前 LLM 在生物推理方面的短板，表明在精心策划的数据上进行针对性强化学习可释放专门模型的可泛化性能，从而加速 AI 驱动的生物发现。
引用
@article{arxiv.2508.16315,
title = {OwkinZero: Accelerating Biological Discovery with AI},
author = {Nathan Bigaud and Vincent Cabeli and Meltem Gürel and Arthur Pignet and John Klein and Gilles Wainrib and Eric Durand},
journal= {arXiv preprint arXiv:2508.16315},
year = {2025}
}
备注
Preprint