METAGENE-1

METAGENE-1 是一个元基因组基础模型，由研究团队以 70 亿参数规模预训练而成。它的训练数据来自人类废水样本——也就是市政进水——经过深度元基因组（下一代）测序处理，得到覆盖数万个物种的 DNA 与 RNA 序列。与只针对单一基因组或特定物种集合的基因组模型不同，它的目标是建模人类微生物组中完整的基因组信息分布。

模型采用自回归 transformer 架构，对数据做了针对元基因组序列定制的字节对编码（BPE）分词，再在此基础上预训练。上下文长度为 512 token。据称在病原体检测与元基因组嵌入基准上取得了当前最优表现，并在人类、动物及其他基因组的标准评估任务上展现出泛化能力。团队还构建了病原体检测与异常检测场景，作为下游应用潜力的初步演示。

对公共卫生与生物信息研究者来说，它可以直接用于废水监测数据的病原体筛查和异常信号发现；对做科学基础模型的研究者，它提供了一个开放的元基因组预训练底座，可以在其之上做微调或嵌入提取。论文、GitHub 仓库与 Hugging Face 模型页均已公开。

当你的任务是废水监测、病原体筛查或元基因组异常检测时，METAGENE-1 值得优先评估：它在病原体检测和元基因组嵌入基准上取得当前最优表现，训练语料超过 1.5 万亿碱基对、覆盖数万个物种，且专门优化了 100-300 碱基对短读段的异常检测。当你的任务需要长上下文或复杂序列设计时，要谨慎：512 token 的上下文长度会构成硬性限制。另外，价格、授权与商用条款均未公布，落地前需先确认使用条件。