# Evo2

Evo2把智能体外壳的改写结果反过来训练负责改写的模型，在SWE-bench Verified上把解决率从最强基线的41.0%提到48.3%，Polyglot通过率从62.6%提到82.1%。

Evo2把智能体外壳的改写结果反过来训练负责改写的模型，在SWE-bench Verified上把解决率从最强基线的41.0%提到48.3%，Polyglot通过率从62.6%提到82.1%。

从头组装里，unitig图的分叉点此前只能靠拓扑、配对读段或覆盖度等启发式来选路，序列本身是否支持某条延伸很少被直接评估。RASTRO把每个候选延伸按样本自身的n-gram统计或Evo2语言模型算成每碱基惊讶度（bits-per-base），分数越低越优先，并用跨越分叉接合处的边界k-mer在原始读段中的出现次数作为独立参照。在HIV-1与SARS-CoV-2的unitig图上，样本自适应的RASTRO-S与读段支持选择的一致率随上下文长度从n=5升到n=10而提高，高于随机选择与最长延伸贪心基线；摘要与结果表在HIV-1的n=10数值上并不一致。

从头组装里，unitig图的分叉点此前只能靠拓扑、配对读段或覆盖度等启发式来选路，序列本身是否支持某条延伸很少被直接评估。RASTRO把每个候选延伸按样本自身的n-gram统计或Evo2语言模型算成每碱基惊讶度（bits-per-base），分数越低越优先，并用跨越分叉接合处的边界k-mer在原始读段中的出现次数作为独立参照。在HIV-1与SARS-CoV-2的unitig图上，样本自适应的RASTRO-S与读段支持选择的一致率随上下文长度从n=5升到n=10而提高，高于随机选择与最长延伸贪心基线；摘要与结果表在HIV-1的n=10数值上并不一致。

EvSpark 为 Evo2 这类卷积-循环-注意力混合 DNA 基础模型设计了一套推测解码系统，通过一次块前向并行验证草稿并用“状态切片”选择保留的中间状态来同时恢复 FIR、IIR 与 KV 三类推理状态而无需重放，在 Evo2 7B 的 48 条提示基准上（三个训练种子）对 43 条真实序列提示取得 2.96× 加速、含五条合成对照时为 3.27×，在 262k 上下文仍保持 1.84×–2.43×，并在 20B/40B 目标上分别取得 2.18×–2.46×（真实序列）与 2.51×–2.78×（全量套件）。

EvSpark 为 Evo2 这类卷积-循环-注意力混合 DNA 基础模型设计了一套推测解码系统，通过一次块前向并行验证草稿并用“状态切片”选择保留的中间状态来同时恢复 FIR、IIR 与 KV 三类推理状态而无需重放，在 Evo2 7B 的 48 条提示基准上（三个训练种子）对 43 条真实序列提示取得 2.96× 加速、含五条合成对照时为 3.27×，在 262k 上下文仍保持 1.84×–2.43×，并在 20B/40B 目标上分别取得 2.18×–2.46×（真实序列）与 2.51×–2.78×（全量套件）。