「零样本」的光环与边界:单细胞基础模型评测再审视

单细胞基础模型最响亮的卖点，是「零样本」——不微调、拿来就用。但一份系统评测给出了相反的信号：在许多任务上，零样本表现接近甚至不如简单方法，「免微调」并非普遍成立，而是有严格适用边界的。对正在选型的人来说，这份结论的价值，远大于又一个新模型的宣传。

▍这篇评测做了什么

Kedzierska、Crawford 等做的是对照评测（Zero-shot evaluation reveals limitations of single-cell foundation models，Genome Biology, 2025, 26(1)，DOI: 10.1186/s13059-025-03574-x）。

思路很清楚：不针对下游任务做任何微调，直接用预训练得到的细胞嵌入，去做细胞类型注释、批次整合等典型任务，再与传统方法（比如基于高变基因的简单分类器、PCA 类降维方法）在同一套数据上对比。

之所以专门盯住「零样本」，是因为这正是基础模型推广时最有吸引力、也最少被追问的说法。

▍三个关键发现

• 零样本注释并不稳。在部分数据集／任务上，基础模型的零样本表现和简单基线拉不开差距，个别设定下甚至更差。
• 嵌入质量与任务强相关。有的模型在某种任务上保留了较好的生物学结构，换到另一种任务上就退化成「细胞系指纹」——学到的是技术性差异而非生物学信号。
• 评测设计会放大优势。当对比基准选得不那么恰当、当任务恰好对某个模型有利时，「零样本很强」的印象就会被放大。

• 预训练数据泄漏。模型预训练时可能见过与评测集高度相似的细胞，等于提前看过答案。
• 任务本身的难度。像细胞注释这种任务，有时靠少数几个高变基因就能做得不错，基础模型的复杂表征并没有带来增量价值。
• 批次效应被误当成信号。如果模型把批次当作主要区分维度，整合类任务上就可能出现「虚假高分」。

把零样本当作「能不能用」的门槛，而不是「好不好用」的结论。更稳的做法是：先在自己的数据上，把基础模型的零样本版和一个微调版都跑出来，再看微调带来的提升值不值得那份成本。如果零样本已经够用，那当然好；如果差得多，就别勉强。选型最怕的不是模型弱，而是拿别人的评测结论当成自己场景的结论。

基础模型不是不需要评测的「免检产品」。恰恰相反，它的零样本卖点越响，越需要一份独立、严格的评测来划定边界。我们做选型时的习惯，是先在自己数据上把「零样本版」和「微调版」都跑出来，再决定用哪个——这套对照流程也固化进了对话式分析平台（IntelliCytoPilot）。

（上海交大博后团队长期做单细胞与空间分析，基础模型的选型与评测也是常规工作的一部分。手上有一批数据不确定该不该上基础模型，欢迎交流。）

▍关联阅读

• 《深度模型还没赢过线性基线：扰动效应预测的审稿姿势》
• 《扰动分析与基础模型评测的现成框架：pertpy 与 BioLLM》
• 《大模型智能体做单细胞分析，到底行不行》

测序数据跑不动？图表要求高？方法学难下笔？

君录云析提供单细胞时空多组学全流程分析：从质控注释到高级分析，交付发表级图表＋可编辑源文件＋方法学段落。

（相关工作由上海交大博后团队承担。）

（本文为方法探讨，不构成具体项目的分析建议。）