- 发布日期
多模态 AI 模型“神珍”开放，能处理蛋白质、天气等六类科学信息
- 作者
- 姓名
- 荷鲁斯快报
- 社交账号
上海科学智能研究院（上智院）近日正式开源科学多模态基础模型“神珍”（Monkey King Bang, MKB）。该模型总参数量约110亿，能够同时处理DNA、RNA、蛋白质、小分子、地球系统和医学影像六类科学数据，在一个统一框架内实现科学理解与多类结果生成，在保持通用语言和图像能力的同时大幅扩展了科学应用范围。
在科学智能（AI for Science）领域，已有不少针对单一对象（如蛋白质、分子、气象）的专用模型，但不同科学数据具有截然不同的结构特征：生物序列依赖前后关系，小分子强调原子连接，气象场涉及时空演化，医学影像注重局部细节。如何让一个模型同时学习这些差异化的规律并支持多种任务，是当前基础模型面临的核心挑战。”神珍”正是对这一问题的系统探索。
“神珍”以Qwen3-VL-8B为共享主干，针对每类科学数据设计了独立的处理通路。不同于简单将数据统一格式化，模型分别保留了序列的顺序性、分子的连接结构、气象场的空间分布和医学影像的局部细节。蛋白质与核酸按序列处理，小分子按结构处理，气象数据保持空间网格，医学影像保留图像特征。这些能力集成在同一模型中，用户可按需调用，模型可直接输出RNA序列、分子表示（SMILES）、全球气象场和医学影像分割结果。
在约110亿参数规模下，评测显示“神珍”在生物序列、小分子、气象和医学影像任务中表现突出。在覆盖DNA、RNA、蛋白质及序列关系判断的20项任务中，模型在9项上取得三款参评模型最优结果，17项位列前二。与同量级的Biology-Instructions相比，神珍在16项任务上得分更高；与总参数量约1万亿的Intern-S1-Pro相比，两款模型各在10项任务上更优，表明参数规模并非唯一决定因素，针对不同科学对象的建模方式更为关键。
在小分子方面，神珍在公开基准SMolInstruct的6项属性理解任务中，4项取得或并列最优。气象任务中，模型以6小时间隔滚动预报至第10天，离线评测显示500hPa位势高度、2米温度、海平面气压等指标达到或超过业务级数值预报水平。医学影像分割方面，神珍在9种影像模态（CT、MRI、病理等）逾十万样本评测中，平均Dice得分为91.20，在7种方法中排名第一，其中5类影像排名第一，其余4类排名第二。
神珍将生物序列理解、小分子预测、全球气象滚动生成和医学影像分割四大能力汇集于统一模型，不同任务调用相应组件但共享主干权重和联合训练参数，研究人员无需在多个独立领域模型间切换，大幅提升了跨学科研究的效率。
上智院同步开放了模型权重、推理代码、示例脚本、输入说明及使用文档，并补充了气象与医学影像分割所需的配置，支持本地部署和科研流程接入。研究人员可通过星河启智科学智能开放平台、Hugging Face及GitHub获取资源，与平台上1500余个科学模型和工具组合使用。作为3月发布的科研智能体“大圣”的超级大脑，“神珍”取意于《西游记》中的“天河定底神珍铁”，团队希望以相对精炼的形态承载多样科学任务，鼓励更多研究者参与检验、使用与共建。
