BlankBio 押注 RNA 設計需要小型對比模型，而非十億參數規模

一間應用 AI 實驗室，訓練 RNA 基礎模型——從開源的 mRNA 設計工具組，邁向為製藥公司預測疾病進展與患者反應的模型。

在生物學中，序列大多是雜訊，因此縮放定律表現不佳：聯合嵌入的小型模型在每 GPU 小時可用的 RNA 功能上，勝過十億參數級的模型。

Philip Fradkin 與 Ian Shi 在博士期間研究 RNA 的自監督目標；Jonny Hsu 在 Valence Discovery 帶領產品與策略，直到該公司於 2023 年被 Recursion 收購。三人將 Orthrus 與 mRNABench 開源，並加入 YC 2025 夏季梯次，以將 RNA 設計產品化。

Orthrus 是一個 1000 萬參數的模型，在 4 張 GPU 上訓練 14 小時，卻在 mRNA 半衰期預測上勝過 Evo2——一個在 1000 張 GPU 上訓練一個月的 400 億參數模型；而在團隊的 59 項任務 mRNABench 上，Orthrus-MLM 勝過 Evo2，體積卻約小 700 倍；創辦人表示，即使與 Evo2-40b 的作者合作，他們也無法讓該模型表現良好。在接下來的一年裡，公司的定位從 mRNA 設計工具組擴展為「精準醫療的 RNA 智慧」：捕捉腫瘤特異性生物學、協助製藥公司提高臨床試驗成功率的模型。

人類基因組中僅約 2% 編碼蛋白質；下一詞元預測將容量花在建模基因間靜態序列上，因此標準縮放定律在核苷酸上表現不如預期。

對比式聯合嵌入依功能將序列分組——這正是生物學家實際篩選的依據——而非自動補全核苷酸。

4 張 GPU 訓練 14 小時，對比 1000 張 GPU 訓練一個月，讓訓練維持在新創公司的預算與迭代循環之內。

在銷售任何產品之前先開源 Orthrus 與 mRNABench，使該基準同時成為公司的證明與其通路。

在資料稀疏、訊號隱於雜訊之中的地方，「苦澀教訓」會轉彎：讓預訓練目標與問題結構相匹配，可以勝過參數數量上多一個零。

截至 2026 年 9 月，Blank Bio 在 YC 名錄中列為 Active，自述為一間致力於提高臨床試驗成功率的應用 AI 研究實驗室。公開成果仍是開源基準與模型——GitHub 上的 mRNABench、附 API 存取權的 Orthrus 嵌入——且截至該日期，並未公開宣布任何外部融資輪。該領域資金雄厚：創辦人的發布貼文估算了包括 Strand（1.53 億美元）、Orna（2.21 億美元）與 Sail Biomedicines（4.4 億美元）在內的競爭對手規模，主張資金已超前於工具。