七月初，几家科技媒体几乎同时推了同一条消息：一家公司发布了"全球最大的单细胞基础模型"，120 亿参数，训练用了 3.9 亿个人类细胞，扰动响应预测"与主流模型拉开倍数差距"，将为药物研发和细胞治疗提供"可靠的预测底座"。
预印本 6 月 23 日就挂在 bioRxiv 上了。我们把正文和补充材料从头读了一遍。
第一件意外的事是：这个模型并不预测扰动。
它是一个描述细胞的编码器，负责把一个细胞翻译成一串数字。真正回答"敲掉这个基因之后细胞会怎么变"的，是 Arc Institute 的 STATE 预测器。
论文的做法，是把七个模型各自的"翻译结果"分别接到同一个 STATE 预测器上，看谁接上去之后预测更准。方法部分写得清清楚楚：下游的预测模型、训练流程、评测协议对所有方法完全一致，变的只有前面那一截。
打个比方：所有选手用的是同一台相机机身，比的只是镜头。这个设计本身没有问题——要衡量编码质量，固定下游、只换前端恰恰是正确做法。问题出在翻译上：论文表格的标题是"跨基础模型表征的扰动响应预测"，限定语在；通稿把限定语丢了，于是变成了"扰动预测断崖式领先"。
把这张表整个看完，还有两件事值得说。
第一，通稿只报了前两列。最右边那列 Pearson∆ 衡量的是对扰动"增量"的预测——加了干预之后，细胞相对原状态究竟变了多少。这一列最贴近药物研发真正要回答的问题。七个模型全挤在 0.040 到 0.087 之间贴地爬，这个模型是 0.078，输给 UCE 的 0.087。论文如实报了并说明自己排第二，通稿里这一列整个消失了。
第二，UCE 和 State 在前两列上跑出了负值（−0.023/−0.113 和 −0.071/−0.108）。但同一行里，UCE 的 Pearson∆ 是全场最高、DE direction match 与这个模型并列第一。同一个表征，在一列上排第一，在另一列上比随机还差——这种内部矛盾未必说明评测出了错，但它至少需要一个解释，而"倍数差距"的分母就在这张表上。
这不是论文的问题。论文的局限性章节主动写了这一点，这句话在通稿里消失了。
它想解决的是个真问题
一个细胞测出来是几万个基因各自的表达量。有人想了个办法：把这些基因按表达量从高到低排队，排出来的这串基因名当成一个"句子"，套用做大语言模型那套技术去学。
这篇论文说这有个毛病——排队只看表达量高低，可表达量高不等于有用。
打个比方：一个班的成绩单，语文考 90 看着很高，但如果全班都考 90，这分数说明不了任何事；数学考 70 不算高，可全班平均才 40，那这 70 分就很有信息量。细胞也一样。管家基因永远排在最前面，但对判断这是什么细胞几乎没用；一个中等表达的调控基因，如果这个数值在整个细胞群体里属于反常的偏高，反而极有价值。
所以这个模型给每个细胞多排了一次队——第二次不按表达量，按"这个数值相对它自己的平常水平有多反常"，再逼模型把两次排队的结果在隐空间里对齐。想法说得通。
问题出在参赛名单上
论文比了六个对手：UCE、State、scGPT、TranscriptFormer、STACK、C2S。六个全是同一类的 AI 大模型。没有一条用传统统计方法做的基线。连 scVI 都没有——而这篇论文自己的文献综述里，把 scVI 称作"仍然是降噪、批次校正和表征学习的标准基线"。它出现在综述里，没出现在对比表里。
为什么要紧？因为去年《Nature Methods》上有篇论文，标题直白到不用解释：
这篇预印本引用了它，还在正文里称之为"一个重要的经验警告"。然后没有跑线性基线。
今年 2 月，波士顿大学物理系的两位研究者挂出一篇更彻底的。
他们的方法：把每个细胞的基因表达在细胞内部做标准化，给每种已知细胞类型算一个平均模板，再看待测细胞在哪个模板方向上投影最大。没有神经网络，没有需要训练的参数，一台笔记本就能跑完。
跨物种识别细胞类型的任务上，论文报告 8 种哺乳动物全部超过大模型——包括鸭嘴兽这种与人类分化了约 1.66 亿年的物种。
识别新冠感染细胞，简单方法的平均 macro F1 是 0.861，最好的大模型是 0.859。
这个"领先"只有 0.002，而且四个 donor 里输了一个。真正值得看的不是谁赢，而是一个零参数、跑在 CPU 上的方法，和一个用 1000 张 H100 训出来的模型打平了。人类细胞类型分类上，简单方法还略输一点点——0.899 对 0.910/0.907，作者如实报了。
一个绕不过去的问题
这篇论文最核心的创新，本质是一个归一化直觉的升级版。所谓"第二次排队"，是给每个基因算"当前数值在全语料分布里有多靠右尾"——这个直觉和数据预处理里常见的 per-gene 标准化、Geneformer 的 rank-value encoding 同源，不是首创的视角。新的地方在于：把它做成了一个独立的训练信号，让 120 亿参数的模型去预测这个视角的隐空间表征。
而波士顿大学那篇的核心论点恰好是：这类大模型的性能主要来自恰当的归一化和降噪，而不是来自模型有多复杂。他们还给了个解释：
他们用 Isomap 算测地距离，跟基因空间里的欧氏距离比。至少在他们分析的数据集上（证据最强的是一个高质量、低噪声的精子发生数据集），这个相关性超过 0.9——细胞在基因表达空间里分布得相当"平"。如果这个判断成立，那么数据本身没有那么深的结构，模型表达力再涨，也没有更多东西可学。
于是留下一个很尖锐的空白：没有人试过把那个"反常程度"的归一化分数直接拿来做个最简单的分类器，看看能追平多少。这个实验大概是一台笔记本一下午。它回答的问题是：那 120 亿参数和 3.9 亿细胞，究竟学到了这个统计量之外的东西，还是主要在把它重新表达一遍。
该说的公道话
这篇论文发了预印本。这在国内 AI 制药圈不是理所当然的——有的公司只发通稿，模型细节一个字不给。他们把方法、公式、评测协议、补充材料全放了出来，我们才做得了上面这些核对。能被批评本身是个门槛。
上面几条批评，有相当一部分其实是论文自己说过的，只是在传播链条里被磨掉了。这也不只是这一篇的问题：缺无参基线、把编码模型说成预测模型、通稿挑指标，在整个单细胞基础模型领域都是普遍现象。
我们想看到的下一版很具体：把传统统计方法的基线放进对比表，哪怕输了，读者也需要知道差多少；给一条数据规模曲线，说明 3.9 亿细胞比 3900 万细胞强在哪——这是做到 120 亿参数的全部理由。
如果补齐这些之后仍然领先，那才是这个领域这两年最值得写的一条新闻。在那之前，对所有"断崖式领先"保持一点耐心。