Cinco modelos de IA compactos, de 0,6 a 9 bilhões de parâmetros, igualaram ou superaram sistemas bem maiores num teste de biologia do envelhecimento. É o que relata um estudo da Insilico Medicine, feito com pesquisadores da Liquid AI, do Buck Institute for Research on Aging e da Harvard Medical School, publicado na revista Cell em 17 de setembro de 2026.
Publicidade
Modo Vitta: Foco e EquilíbrioPara mentes que não param: alinhe tarefas, rotina, hábitos, foco e metas num só app.Ver no Google Play →
Um teste pra dificultar a cola
O estudo apresenta o LongevityBench, um conjunto aberto de 17 tarefas com cinco tipos de dado: clínico, genético, epigenético, transcriptômico e proteômico. Segundo a Insilico, ele foi desenhado pra reduzir a chance de um modelo ir bem só por lembrar do que viu no treinamento, e pra medir se ele analisa os dados, reconhece padrões e resolve problemas de pesquisa sobre envelhecimento.
Com ele, os autores avaliaram 18 sistemas de IA de ponta, de seis desenvolvedoras: OpenAI, Google, Anthropic, xAI, DeepSeek e Moonshot AI. Nenhum foi o melhor em tudo, o desempenho mudava conforme a forma de perguntar, e prever a idade a partir de dados ômicos foi a tarefa mais difícil pra todos, qualquer que fosse o tamanho do modelo.
Os pequenos entram em campo
Na outra frente do estudo, o grupo ajustou cinco modelos compactos com dados de envelhecimento, sobre arquiteturas abertas da Liquid AI (LFM2) e da Alibaba (Qwen3 e Qwen3.5). O melhor deles, o L-Qwen3.5-9B, teve a maior pontuação geral entre os 26 sistemas do estudo e ficou à frente de todos os modelos de fronteira testados, incluindo o Gemini 3.1 Pro, do Google. Até o menor, de 0,6 bilhão de parâmetros, superou a maioria dos sistemas de ponta.
Num exemplo do placar público do projeto, esse modelo menor errou em média 5,7 anos ao estimar a idade a partir de dados de proteínas do plasma; o melhor modelo de fronteira errou 10,1 anos.
Alex Zhavoronkov, fundador e co-CEO da Insilico, defende que dados científicos bem curados e otimização pro domínio podem pesar mais que o tamanho do modelo em aplicações biológicas especializadas.
Um agente que sugere alvos
O grupo também colocou o L-Qwen3.5-9B dentro do Longevity Claw, uma plataforma aberta de pesquisa com agente de IA, pensada pra montar e executar fluxos de pesquisa em várias etapas, com ferramentas como cálculo de relógios de envelhecimento biológico e busca de evidências. Aplicada a 14 marcas reconhecidas do envelhecimento, ela indicou 328 genes como possíveis alvos de intervenção. Segundo a Insilico, um deles, o KDM1A, já tinha sido validado num estudo publicado à parte como alvo de envelhecimento e de câncer.
Tudo aberto, com uma ressalva
A Insilico liberou o benchmark, os modelos, os recursos de treinamento, o código de avaliação e o Longevity Claw pra que outros pesquisadores testem e validem por conta própria. Os modelos e os dados estão numa coleção no Hugging Face, e o projeto mantém um placar público.
A ressalva: os resultados vêm do próprio grupo, e o teste e os modelos que foram bem nele saíram do mesmo estudo. O LongevityBench mede o desempenho da IA em tarefas de análise de dados sobre envelhecimento; ele não testa nenhum tratamento.
