Realizar predicciones genómicas conjuntas para múltiples razas (MBGP) con el fin de ampliar el tamaño de referencia es una estrategia prometedora para mejorar la predicción en tamaños de población limitados o registros fenotípicos para una sola raza. Este estudio propone un modelo MBGP-mbBayesAB, que trata los mismos rasgos de diferentes razas como genéticamente relacionados pero diferentes, y divide los cromosomas en bloques independientes para ajustar (co)varianzas genéticas heterogéneas. Se analizaron las mejores prácticas de priors de matriz de varianza de efecto aleatorio en mbBayesAB, y se compararon las precisiones de predicción de mbBayesAB con los modelos MBGP dentro de la raza (WBGP) y otros comúnmente utilizados. Los resultados mostraron que asignar un prior de Wishart inverso al efecto aleatorio y obtener información sobre la escala del prior de Wishart inverso a partir del fenotipo permitió a mbBayesAB lograr la mayor precisión. Al combinar dos razas de ganado (Limousin y Angus) en referencia, mbBayesAB logró una mayor precisión que el modelo WBGP para dos rasgos de peso. Para el rasgo de puntuación de marmoleado en cerdos, MBGP de las razas Yorkshire y Landrace llevó a un aumento del 6.27% en la precisión para la validación de Yorkshire utilizando mbBayesAB en comparación con el uso del modelo WBGP. Por lo tanto, considerar (co)varianza genética heterogénea en MBGP es ventajoso. Sin embargo, determinar priors apropiados para (co)varianza e hiperparámetros es crucial para MBGP.