Can current general-purpose frontier LLMs reliably interpret aging-related biological data? 1. 先交代 model roster 和 evaluation setting：frontier models + fine-tuned L-LLMs + base models；主文最终比较 26 个模型。 2. 解释 aggregate ranking 的思路：先在 task 内排名，再在 domain 内平均，最后 equal-domain aggregation，避免某个 task-rich domain 主导总分。 3. Figure 2：先看总体——没有单一 frontier model 在所有 domain 都稳定占优；不同模型在不同 biodata domain 上表现差异明显。 4. Figure 3/4/5：按 task type 看细节——pairwise/binary、multiclass、regression 各自有什么特点；重点抓 2–3 个代表性例子，不要逐图逐条念。 5. 突出“clinical 相对容易、raw molecular measurements 更难”的总体趋势。 6. 加入 classical ML baseline：本文并不是在证明 LLM 全面替代 ML；固定 feature 的 supervised task 上传统 ML 常常仍然很强。 7. 讲 benchmark sensitivity：例如 GTEx pairwise → ternary 后性能下降；说明问题格式会改变测得的能力。 8. 用一句结论收束：general-purpose LLM 有一定能力，但 raw omics 与 task formulation 暴露出明显的不稳定性。
Can current general-purpose frontier LLMs reliably interpret aging-related biological data?
1. 先交代 model roster 和 evaluation setting：frontier models + fine-tuned L-LLMs + base models；主文最终比较 26 个模型。
2. 解释 aggregate ranking 的思路：先在 task 内排名，再在 domain 内平均，最后 equal-domain aggregation，避免某个 task-rich domain 主导总分。
3. Figure 2：先看总体——没有单一 frontier model 在所有 domain 都稳定占优；不同模型在不同 biodata domain 上表现差异明显。
4. Figure 3/4/5：按 task type 看细节——pairwise/binary、multiclass、regression 各自有什么特点；重点抓 2–3 个代表性例子，不要逐图逐条念。
5. 突出“clinical 相对容易、raw molecular measurements 更难”的总体趋势。
6. 加入 classical ML baseline：本文并不是在证明 LLM 全面替代 ML；固定 feature 的 supervised task 上传统 ML 常常仍然很强。
7. 讲 benchmark sensitivity：例如 GTEx pairwise → ternary 后性能下降；说明问题格式会改变测得的能力。
8. 用一句结论收束：general-purpose LLM 有一定能力，但 raw omics 与 task formulation 暴露出明显的不稳定性。
Created using ChatSlide
本研究探讨了LLM在理解生物数据方面的能力，特别是LongevityBench的17项任务和5类生物数据。结果显示，模型在不同领域的表现不均，尤其在数据覆盖和转换结构方面存在挑战。此外，CellAge的检测任务显示出高达95%的准确率，但原始生物测量的稳定性仍需改进。整体而言，研究揭示了模型在生物数据分析中的潜力与局限性，为未来的研究提供了重要参考。