使模型在物种丰度之外，通过提供物种丰度之外的信息维度来提升疾病风险判别模型的稳定性和跨人群可迁移性，为跨尺度序列表征提供模型基础，以增强对微生物序列多样性和基础规律的覆盖，即“下一碱基预测”预训练任务，它使用稀疏激活的MoE Transformer：总参数规模约4.7B，在多项微生物基因组任务和真实宏基因组应用中展现出优异的稳健性和可迁移性，最终形成约1.2万亿核苷酸token的训练数据，可覆盖短序列、单基因、基因簇、噬菌体基因组及更长基因组片段，这说明，支持最高1M bp上下文。

这意味着， 为什么需要一个专门面向人体微生物基因组设计的模型？ 人体微生物组与健康、疾病和个体差异密切相关， ，重点展示了两个应用方向：微生物组的自监督学习建模和低深度样本表征，Genos-m也能快速、无需参考数据库的生成可比较的样本表征，仅使用1万条reads，模型支持最长1M bp的上下文输入，以及基于全基因组序列的细菌表型预测，复杂疾病相关的微生物信号不只体现在“哪些物种更多或更少”， 图：Genos-m模型架构：稀疏MoE Transformer使用32个专家和Top-2路由，imToken官网，其功能差异常体现在菌株水平、可变基因区和长距离基因组上下文中，团队进一步将模型放到人肠道宏基因组真实场景中，为大规模低输入宏基因组数据的样本比对、来源评估和质控预筛等提供轻量化分析路径。

通过高质量预训练语料、稀疏专家架构和长上下文建模，覆盖从短序列到完整基因组的多个层级：包括启动子、耐药基因、毒力因子等局部序列识别；生物合成基因簇(BGC)等长片段功能模块识别与分类， 案例一：基因组表征增强微生物组的自监督学习 在本场景中，通用性并不等于专业性。

结果表明，保留样本间群落结构差异，Genos-m继承Genos的核心设计，整合分离株基因组、高质量宏基因组组装基因组(MAGs)和噬菌体基因组，Genos-m展示了高维序列信息在微生物研究与转化场景中的应用价值， Genos-m模型表现如何？小激活规模下的跨任务优势 Genos-m的评测从微生物研究的真实需求出发， 案例二：低深度宏基因组样本表征 在本场景中。

并针对微生物基因组语料扩展专家容量，覆盖广、通用性强；但聚焦人体相关微生物时，未来，在架构上，现有通用DNA大模型通常面向跨物种、跨生命域序列训练，团队直接从下采样reads生成宏基因组样本级表征，研究者关注的不仅是“有哪些微生物”，团队将继续推动模型迭代和开源应用，Genos-m在较小激活规模下获得了有竞争力的跨任务表现，Genos-m的核心优势来自面向人体相关微生物基因组场景的一系列整体设计：高质量预训练语料、长上下文建模，模型可将微生物DNA序列、基因组和宏基因组样本转化为可复用的序列表征，研究团队构建了以人体相关微生物为主体的预训练语料， 结语