V2G智能体给每个GWAS位点附上证据链，但去掉证据排序后准确率反而升到0.864

V2G把变异到基因的判定从单一压缩分数改成一条可逐位点核查的证据链：每个位点的精细定位、表达QTL、共定位、孟德尔随机化和人群等位基因频率都作为独立、被记录的查询发出，语言模型再在汇总证据上给出排序和所用依据。 此前的整合分数把调控与分子证据压成一个数，用户能看到的是固定模型的特征贡献，而不是可以对着检索证据逐条核对的取舍理由，分数也不说明方法在哪些位点拒绝作答。 在135个自然检索成功且Open Targets也给出预测的留出位点上，GPT-5.2五种子共识的Precision@1为0.793（107/135），高于它收到的证据排序0.711（11比0，P=9.8×10⁻⁴）和最近基因分配的0.615（35比11，P=5.4×10⁻⁴）。

模型很少改动给定顺序，改动集中在少数位点，且这些改动多数指向参考基因。 在296个留出位点各5个种子的1480次判定中，模型有86%保留给定首位候选；在参考基因被自然检索到的位点上，142次偏离中有120次选中参考基因，覆盖37个位点中的31个。 没有任何一次偏离替换掉本来就正确的首位候选；以117个首位候选正确的位点计，零事件与每位点最高2.5%的替换率相容（单侧95%界）。

去掉证据、只给性状和打乱顺序的基因名，同一模型反而更准，说明它靠的是对基因—性状关联的回忆。 完整提示在三个种子上为0.778–0.807，只给名字的提示为0.864（三种子0.859–0.867），在97个与训练集无基因–EFO重叠的主分析位点上为0.832对0.794。 在114个参考基因从未被检索到、只能强制加入的位点上，只给名字的提示选中参考基因的比例为0.594，完整提示为0.076；把每个基因名移到另一基因的证据行后，模型跟随得分最高的首行，主分析Precision@1降到0.284。

演示范围是844个精细定位位点中的296个留出位点，主分析限定在候选检索成功且Open Targets给出预测的135个自然位点；流程以容器镜像形式在用户机构内部署，摘要统计不离开容器，演示镜像只带两个位点的参考数据切片，完整部署约需100 GB参考数据。

训练测试划分只部分隔离了关联，87个测试位点与训练位点共享参考基因和确切性状名，无重叠子集的分析是事后敏感性分析；复制队列的88个位点全部与训练共享参考基因–EFO对。研究刻画了两个语言模型骨干，结果依赖所用骨干；未与通用生物医学智能体比较，示例是一个熟悉的关联。精细定位方法与共定位输入未做敏感性检验，冻结基准中共定位只在17个测试位点可用且由不完整的区域输入算出；表型比较停在18个器官系统类别，且这些注释本身来自模型可能见过的文献。作者报告没有独立复现。