Biomedicinsk forskning har længe efterspurgt AI-løsninger, der kan matche ekspertviden og håndtere komplekse opgaver på tværs af genomik, klinisk diagnostik og sjældne sygdomme. Nu ser vi et markant skift med lanceringen af Biomni-R0 – de første agentiske sprogmodeller trænet end-to-end med multi-turn reinforcement learning (RL) specifikt til biomedicin. For første gang kan AI ikke blot finde fakta, men også ræsonnere og træffe beslutninger på et niveau, der nærmer sig menneskelige eksperter.

Det er ikke bare endnu en model. Biomni-R0 markerer et teknologisk spring, hvor AI’s rolle i sundhedssektoren ændres fra passiv assistent til aktiv problemløser. For thoughtleaders og beslutningstagere i danske SMV’er og sundhedssektoren er det nu, man skal holde øje – for potentialet til at effektivisere og forbedre både klinisk praksis og forskning er større end nogensinde.

Behovet for ekspert-niveau AI og hvorfor klassiske modeller fejler

Inden for biomedicin er opgaverne ofte så komplekse, at kun specialister kan løse dem. Det gælder alt fra at prioritere genvarianter til at diagnosticere sjældne sygdomme, hvor fejltagelser kan have store konsekvenser. Traditionelle AI-modeller, selv de største sprogmodeller, snubler ofte på disse opgaver. De kan måske finde information, men mangler robusthed og evne til at ræsonnere i flere trin – især når opgaven kræver forståelse for biologiske hierarkier eller integration af eksterne værktøjer.

Problemet er, at klassiske modeller ofte bygger på overfladisk retrieval og statiske prompts. De er ikke designet til at tilpasse sig nye situationer eller udføre handlinger, der kræver dyb forståelse. Når det gælder sjældne diagnoser eller variantprioritering, falder de hurtigt igennem. Det er her, Biomni-R0 adskiller sig markant.

Teknologien bag Biomni-R0: To-faset træning og avanceret systemarkitektur

Biomni-R0 er ikke bare en stor sprogmodel. Den er trænet gennem en to-faset pipeline, hvor første fase er supervised fine-tuning (SFT) på ekspert-annoterede opgaver. Her lærer modellen at følge strukturerede ræsonnementer, ofte hentet fra eksisterende topmodeller som Claude 4 Sonnet. Anden fase er selve RL-træningen, hvor modellen optimeres med belønninger for både korrekthed og for at følge bestemte formater – for eksempel at bruge

og tags korrekt.

Systemarkitekturen er bygget til at håndtere eksterne værktøjer og store datamængder. Ved at bruge asynkron rollout kan modellen arbejde effektivt, selv når eksterne værktøjer er langsomme. Samtidig er kontekstlængden udvidet til 64.000 tokens, hvilket gør det muligt at håndtere lange, komplekse samtaler og ræsonnementer uden at miste overblikket.

Datasikkerhed og compliance i praksis

Med så følsomme data som i biomedicin er datasikkerhed og compliance altafgørende. Biomni-R0’s træningsmiljø er designet med fokus på GDPR og andre relevante standarder. Det betyder, at løsningen kan integreres i europæiske og danske sundhedssystemer uden at gå på kompromis med datasikkerhed. For mange SMV’er og hospitaler er det en forudsætning for at kunne tage AI i brug på et højere niveau.

Benchmarking: Biomni-R0 mod GPT-5, Claude 4 Sonnet og Qwen-32B

Resultaterne taler for sig selv. Biomni-R0-32B scorer 0,669 på tværs af benchmark-opgaver, hvor GPT-5 og Claude 4 Sonnet må se sig slået på 7 ud af 10 opgaver. Selv den mindre Biomni-R0-8B overgår de store generalistmodeller. Særligt bemærkelsesværdigt er præstationen i sjældne diagnoser, hvor Biomni-R0-32B opnår 0,67 mod Qwen-32Bs 0,03 – en forbedring på over 20 gange.

På variantprioritering i GWAS-analyser går modellen fra 0,16 til 0,74 i score. Det viser, at RL-træningen og den domænespecifikke tilgang giver en reel fordel, når det gælder dybdegående biomedicinsk ræsonnement.

Konkrete cases: Fra klinik til forskning

Biomni-R0 er allerede testet i både kliniske og forskningsmæssige sammenhænge. I klinikken kan modellen hjælpe med at prioritere genvarianter for patienter med sjældne sygdomme, hvor hurtig og korrekt diagnosticering er afgørende. I forskningen bruges modellen til at analysere store datasæt fra genomstudier, hvor den kan identificere nye sammenhænge og forslag til eksperimenter.

Eksempler fra pharma og biotek viser, at modellen kan automatisere dele af forskningsprocessen, fra litteratursøgning til design af nye forsøg. Det frigør tid for forskere og klinikere, så de kan fokusere på de opgaver, hvor menneskelig dømmekraft stadig er nødvendig.

Integration i arbejdsgange og IT-systemer

En af de store styrker ved Biomni-R0 er, at den er bygget til at kunne integreres direkte i eksisterende arbejdsgange og IT-systemer. Det betyder, at hospitaler, biotek og pharma-virksomheder kan udnytte modellens evner uden at skulle bygge alt om fra bunden. For SMV’er er det en klar fordel, da ressourcerne ofte er begrænsede.

Modellen kan for eksempel kobles til elektroniske patientjournaler eller forskningsdatabaser, så den automatisk kan foreslå diagnoser eller prioritere opgaver. Det gør det muligt at udnytte AI på et niveau, der tidligere var forbeholdt store organisationer med egne udviklingsteams.

Forretningsmæssige og regulatoriske perspektiver

Fra et forretningsperspektiv er der store gevinster at hente. Automatisering af komplekse processer kan give både ROI og konkurrencefordel, især i brancher hvor tid og præcision er afgørende. Men der er også risici: Regulatoriske krav til AI i sundhed er skrappe, og EU AI Act sætter grænser for, hvor autonomt AI må agere uden menneskelig indgriben.

Bias og manglende generaliserbarhed er fortsat udfordringer, især når modeller trænes på snævre datasæt. Derfor er det vigtigt at have styr på både compliance og løbende validering, hvis man vil bruge AI på et højt niveau i sundhedssektoren.

Begrænsninger og fremtidsperspektiver

Selvom Biomni-R0 sætter nye standarder, er der stadig udfordringer. Bias kan opstå, hvis træningsdata ikke dækker hele spektret af patienter eller sygdomme. Generaliserbarhed til nye områder kræver løbende tilpasning og opdatering. Men potentialet for videreudvikling er stort – både mod nye sygdomsområder og integration med endnu flere eksterne værktøjer.

Vi forventer, at fremtidens biomedicinske AI-agenter vil kunne håndtere endnu mere komplekse opgaver, måske endda på tværs af sprog og landegrænser. For thoughtleaders og SMV’er i Danmark gælder det om at holde sig opdateret og tænke strategisk i forhold til, hvordan AI kan indgå i både forskning og klinisk praksis.

Konklusion: Hvad betyder Biomni-R0 for forskning, klinik og industri?

Biomni-R0 er et vigtigt skridt mod AI, der kan matche og måske endda overgå menneskelige eksperter på udvalgte områder i biomedicin. For danske SMV’er og beslutningstagere i sundhedssektoren åbner det nye muligheder for automatisering, procesforbedring og innovation. Men det kræver, at man har styr på både teknologi, compliance og forretningsstrategi.

Hos Snilld ser vi Biomni-R0 som en gamechanger, der kan gøre avanceret AI tilgængelig for langt flere aktører – også dem uden store udviklingsafdelinger. Vi hjælper gerne med at vurdere, hvordan løsningen kan integreres i netop jeres arbejdsgange, og hvordan man bedst balancerer muligheder og risici. Fremtiden for biomedicinsk AI er her – spørgsmålet er, hvem der tør tage springet først.

Kilder:

• https://www.marktechpost.com/2025/09/04/biomni-r0-new-agentic-llms-trained-end-to-end-with-multi-turn-reinforcement-learning-for-expert-level-intelligence-in-biomedical-research/
• https://x.com/jure/status/1962963103467045136

Målgruppens mening om artiklen

Anne Møller, IT-chef, mellemstor biotekvirksomhed:

Jeg giver artiklen 92. Den er ekstremt relevant for os, fordi den både forklarer de teknologiske fremskridt og de praktiske muligheder for integration i eksisterende systemer. Jeg kunne dog godt have ønsket mig lidt mere om konkrete implementeringsudfordringer og omkostninger, men det er småting i forhold til det samlede udbytte.

Jens Christensen, overlæge, regionalt hospital:

Jeg giver den 85. Artiklen rammer plet ift. vores behov for mere avancerede AI-løsninger, især til sjældne diagnoser. Den er dog lidt teknisk, og jeg savner flere kliniske eksempler og måske et par kritiske perspektiver på patientkontakt og ansvar.

Maria Larsen, CEO, lille healthtech-startup:

Jeg giver den 95. Artiklen er både inspirerende og konkret, og den adresserer præcis de udfordringer vi står med, når vi skal konkurrere med større aktører. Fokus på integration og compliance er spot on. Jeg kunne godt have brugt lidt mere om, hvordan man starter i det små.

Thomas Friis, IT-arkitekt, regionalt sundhedsnetværk:

Jeg giver den 88. Teknisk set er artiklen stærk, og jeg sætter pris på detaljerne om systemarkitektur og datasikkerhed. Jeg savner dog lidt mere om interoperabilitet med eksisterende nationale løsninger og standarder.

Lone Pedersen, forskningsleder, universitetsklinik:

Jeg giver den 90. Artiklen er meget oplysende og relevant for forskningsmiljøet, især med fokus på RL og domænespecifik træning. Det er dog lidt en salgstale til sidst, hvilket trækker lidt ned, men alt i alt er det en stærk og informativ artikel.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af FLUX.1.1 Pro fra Black Forest Labs.