BlankBio 押注 RNA 设计需要小型对比模型，而非十亿参数规模

一家应用型 AI 实验室，训练 RNA 基础模型——从开源的 mRNA 设计工具包，走向为制药公司预测疾病进展和患者反应的模型。

在生物学中，序列大部分是噪声，因此缩放定律表现不佳：联合嵌入的小模型在每 GPU 小时可用的 RNA 功能上，胜过十亿参数级的模型。

Philip Fradkin 和 Ian Shi 在博士期间研究 RNA 的自监督目标；Jonny Hsu 在 Valence Discovery 负责产品和战略，直至该公司于 2023 年被 Recursion 收购。三人开源了 Orthrus 和 mRNABench，并加入 YC 2025 夏季批次，以将 RNA 设计产品化。

Orthrus 是一个 1000 万参数的模型，在 4 块 GPU 上训练 14 小时，在 mRNA 半衰期预测上优于 Evo2——后者是一个 400 亿参数的模型，在 1000 块 GPU 上训练了一个月；在团队构建的 59 项任务 mRNABench 上，Orthrus-MLM 击败了 Evo2，而规模约小 700 倍；创始人报告称，即使与 Evo2-40b 的作者合作，他们也无法让该模型表现良好。在随后的一年里，公司的定位从 mRNA 设计工具包扩展为“面向精准医疗的 RNA 智能”：即捕捉肿瘤特异性生物学、帮助制药公司提高临床试验成功率的模型。

人类基因组中只有约 2% 编码蛋白质；下一 token 预测将容量花在建模基因间静态区域上，因此标准缩放方法在核苷酸上表现不足。

对比联合嵌入按功能对序列分组——这正是生物学家实际筛选的目标——而不是自动补全核苷酸。

4 块 GPU 训练 14 小时，对比 1000 块 GPU 训练一个月，使训练保持在初创公司的预算和迭代循环之内。

在销售任何产品之前开源 Orthrus 和 mRNABench，使该基准同时成为公司的证明和分发渠道。

在数据稀疏、信号隐藏在噪声中的场景，苦涩教训会发生弯折：让预训练目标与问题的结构相匹配，可以胜过参数数量上多一个零。

截至 2026 年 9 月，Blank Bio 在 YC 目录中列为 Active，自称是一家致力于提高临床试验成功率的应用型 AI 研究实验室。公开成果仍是开源基准和模型——GitHub 上的 mRNABench、带 API 访问的 Orthrus 嵌入——截至该日期，尚未公开宣布任何外部融资轮次。该领域资金充裕：创始人的发布帖估算了竞争对手的规模，包括 Strand（1.53 亿美元）、Orna（2.21 亿美元）和 Sail Biomedicines（4.4 亿美元），并主张资金投入已跑在工具建设之前。