中国队交卷，盲测打爆Claude！科学多模态统一AI来了

新智元报道

科研人苦等多年的AI搭档，终于来了！

就在WAIC现场，中科闻歌磐石（ScienceOne）团队一口气亮出两张「王牌」——

• S1-Omni：首个面向「科学理解、预测与生成」的科学多模态统一推理模型；

• ScienceOne：以S1-Omni为核心、贯穿科研全流程的一体化平台。

实测结果非常硬核。

同一批真实科研任务，磐石与GPT-5.5、Gemini 3.1 Pro、Claude Science等全球顶流同台作答，全程交给第三方模型盲评打分。最终拿下最高分的，是磐石。

但成绩归成绩，我们认为更有意思的，是成绩底下那颗S1-Omni。

因为它代表的，是AI4S的一次范式跃迁，科研工作流第一次有机会被真正重塑：

AI把繁琐的活儿接过去，科研人得以把更多时间，留给真正的科学问题。

「磐石2.0」登场，统一科学智能

去年7月，中国科学院联合团队曾发布了磐石·科学基础大模型1.0，并全面开源。

一年之后的同一个舞台，7月17日，磐石2.0正式发布。

其中，中国科学院自动化研究所牵头磐石科学基础大模型技术攻关，其产业化平台中科闻歌主攻基础大模型训练与文献、创新评价智能体。

那么问题来了，通用LLM已经这么强了，为什么还要单做「科学基础模型」？

答案，藏在一个根本的错位里。

通用大模型的底层逻辑，是基于统计的「概率」。它擅长的是，模糊、近似、听起来很有道理。

丢给它一个开放问题，它会输出一段流畅、得体、八成正确的回答。写文案、写代码、做客服，这份能力绰绰有余。

但科学，绝不妥协于「八成正确」，它要的是精确、可靠、可溯源——

一个结论，必须能被验证；一条推理链，必须能被追溯；一个错误，必须能被定位和修正。

所以，在AI for Science这条赛道上，真正的壁垒是「模型懂不懂科学」。

这几年，AI4S大致沿着三条路线推进。各有各的强项，也各有各的天花板：

• 领域专用模型（AlphaFold 3、ESM3）：在蛋白质等特定对象的预测任务上做到了极致，但能力也被严格局限在单一对象和任务形式上；

• 工具增强型通用模型（GPT-Rosalind、Claude Science）：凭借外部工具链灵活切入科学场景，但其科学能力仅寄生于工具，模型本体并未深化对科学的本质理解；

• 科学语言模型（NatureLM、LOGOS、BioMatrix）：试图将蛋白质、分子等转化为符号序列进行跨对象的统一联合建模，但目前的探索仍主要停留在表征层面。

三条路线各自突围，但「科学智能」仍散落在彼此独立的模型、工具和任务系统里。

这次，磐石2.0想要更进一步——实现科学多模态统一推理（Unified Scientific Multimodal Reasoning）。

在一款面向科学理解、预测与生成的科学多模态统一推理模型 ——S1-Omni的加持下，「统一」被拆成了三件具体的事。

一是，把科学数据「统一编码」。

它把自然语言指令，和材料的CIF、化学的SMILES、蛋白质序列、光谱数据、科学图像等多种科学模态，组织进同一套任务表征里。

关键在于，它并不是抹平不同科学数据之间的差异，而是在保留各类对象类型边界、表示结构与编码特性的基础上，将它们投射到一个共享的科学表征空间中，在尊重不同科学数据特性的基础上实现协同建模。

换句话说，它懂得蛋白质是蛋白质、光谱是光谱，而这两者又能在同一个模型里被一起理解。

左右滑动查看

二是，让模型和「真实世界的知识」对齐。

训练时，它不只学输入输出之间的统计相关，还把科学规律、实验事实、专家经验一起融进数据构建、样本校验和训练过程。

基于此，模型就可以依据当前任务里的科学证据形成中间判断。从而让推理有了证据支撑，而不再停留在「凭语感接话」的层面，可解释性也随之提升。

三是，按领域任务「定向解码」。

在共享的理解与推理之上，模型会根据具体任务，连接对应的科学解码器。

比如，要预测性质就走性质预测，要重建结构就走结构重建，还能做三维结构生成、科学图像生成与编辑。

最终输出的，是各自领域里「原生形式」的、可被验证的结果。

支撑这三项能力背后，是一个S1-Omni-Corpus的语料库——

覆盖200+个科研任务、包含百万级高质量科学多模态推理数据，并且在构建时刻意保留了「科学证据→任务判断→目标结果」这条可检查的链路。

它让S1-Omni学到的，不只是科学数据的表面模式，更是「如何在具体任务中基于专家知识去推理」。

在60多个科学任务的基准评测上，S1-Omni直接拉爆了通用模型。

其中，有95.5%的任务超过GPT-5.5，83.3%的任务超过Gemini-3.1-Pro；在部分任务上，甚至达到或超过了各领域的任务专用模型，具体来看：

• 在药物性质相关的ADMET 18项评测里，有16项同时优于GPT-5.5和Gemini 3.1 Pro；在CYP、hERG、肠道吸收等几个关键药物性质任务上，其性能已达到甚至超越了业内代表性的化学专用模型。

• 在蛋白质位点预测上，它统一支持多类残基级功能位点识别，并在PPI、Epitope、小分子结合位点等任务上达到了行业领先水平。

• 在科学图像生成与编辑上，它在医学图像分割、医学图像翻译、超分辨率、科研插图生成等任务上都展现出不错的能力。

简而言之，S1-Omni成功打通了从「跨模态科学理解与推理」到「领域原生结果生成」的完整链路。

它让单一模型具备了处理多类科学任务的能力，并能输出符合专业规范、高度可验证的成果。

然而，卓越的模型能力并非终点。只有将 AI 与海量科研数据、专业工具及真实工作流深度融合，才能让它走出实验室，转化为科研人员触手可及的先进生产力。

为此，磐石团队基于S1-Omni，进一步打造了科研智能平台ScienceOne，将模型的理解、预测与生成能力无缝嵌入科研的全生命周期。

如果说S1-Omni回答了「AI能否真正理解科学」，那么ScienceOne解决的，就是「AI如何真正深入科研现场」。

从S1-Omni到ScienceOne

把模型装进科研现场

有了懂科学的模型，下一个问题是：怎么让科学家真的用起来。

ScienceOne给出的答案，是以S1-Omni为统一基座，向下接管2.7亿论文/专利，全球40多个国家3200多万科研项目，700多万产业研报、90PB大科学装置数据和近300个专业数据库，向上编排任务、调度智能体，把原本散落各处的模型、数据与工具，收拢进同一个平台。

正如Windows之于PC。它不是某一个应用，而是内核、是驱动、是应用商店，是让上层无数软件得以运行的那层地基。

磐石在科研世界里扮演的，正是这个角色：从文献分析、研究假设、方案设计，到建模仿真、验证分析、成果表达，科研全生命周期的六个环节，它全程在场。

它更像你身边的一位科学导师，能自主拆解复杂需求，智能调用最适配的专业技能与工具，替科研人精准啃下每一个环节的硬骨头。

盲测打爆世界顶流闭源通用模型

接下来，我们就用真实科研任务做了一波盲测。

• 正面硬碰Claude Science，磐石不落下风

同一道题，磐石、Claude Science、GPT-5.5三家各跑一遍，结果扔给第三方模型盲测打分。

这是一道量子信息方向的题：要围绕Depolarizing噪声对Bell态纠缠的影响做模拟研究。

传统做法里，手动搭量子电路、调试噪声模型、做数值演算、再把结果绘图汇总，本身就很耗时。

一旦纠缠熵的数据出现分歧，还得翻大量量子数学推导资料去逐条比对，数据整理和学术报告编制的活儿更是压人。

而磐石则是用自然语言、分步把需求说出来。

先要仿真测算，再要答疑论证，最后要一份整合好的可视化报告。

剩下的它替你跑：从ScienceHub一键调用专用科研skill（这里是Qiskit），把电路搭建 → 噪声仿真 → 数据核算 → 理论推导 → 多类型绘图 → 交互式HTML报告串成一条全链路自动输出。

当你对纠缠熵提出学术质疑时，它能精准回应、并补充多模型对照数据。

省下的是大量编程和翻推导资料的时间，产出的那份报告，可以直接拿去做课题汇报。

同一个提示横评显示，磐石得分最高，表现优于Claude Science与GPT-5.5。

在此次复杂的量子态演化任务中，GPT-5.5扮演了「前端UI设计师」的角色，Claude表现得像一位「理论科普员」，而磐石则展现出了一位「资深量子物理学家」的专业素养。

当它们还在用文字绕圈子解释噪声影响时，磐石直接「甩」出了depolarizing noise作用后的完整密度矩阵：

评价纠缠态，磐石一针见血地指出：混合态不能只看子系统熵，必须上Concurrence（共生纠缠度）等硬指标。

这说明模型真的「懂」前沿量子信息。

注：模型1是GPT-5.5，模型2是磐石，模型3是Claude Science

再看看排在后面的GPT-5.5，虽然图表画得花里胡哨，但一句「噪声后子系统熵保持为1」，直接暴露了它连局域噪声和全局噪声都没分清的理论硬伤。

Claude Science虽然图表动效做得不错，但关键矩阵和本征值全都没给，甚至在假设上把全局和局域去极化混为一谈，逻辑底层直接打架。

而磐石不仅算清了基本盘，还顺手拉出了Fidelity、Purity和Concurrence的完整分析，真正做到了从理论建模到数值解析的科研级闭环。

图左：Claude Science；图右：GPT-5.5

换一道更贴近临床的硬题，磐石的表现同样能打。

• 乳腺癌变异数据，硬啃「意义未明变异」（VUS）。

面对海量乳腺癌相关变异，尤其是棘手的VUS，研究者得频繁在GWAS群体遗传信号和UniProt蛋白质空间结构之间做跨组学比对。

传统模式下，大部分精力都陷在写爬虫、调API、清洗异构JSON的「工程泥潭」里，真正用于推导致病机制的时间被严重挤压。

有了磐石之后，它会把高度依赖人工脚本的跨组学联合分析，转成AI驱动的标准化流水线——过去要耗上好几周的活儿，如今几分钟就能跑完。

在测试中，磐石展现了统治级的科研任务闭环能力。

面对复杂的基因数据，磐石并没有停留在简单的文本罗列，而是展现出了极强的跨数据库整合与科学推理能力。

它精准打通了UniProt与GWAS数据，完整补充了ClinVar与gnomAD中的临床与人群频率信息，构建了立体的突变注释网络。

磐石最突出的表现，在于它像一位真实的生物学家一样，主动给出了「实验优先级排序」，并附带了严密的生物学论证理由。

这种结果不再是干瘪的数据，而是可以直接用于指导下游功能实验设计、甚至作为高水平论文数据支撑的「现成」科研成果。

更进一步，它还把这些关键致病位点，在3D蛋白结构图里逐一精准标注了出来。哪个残基落在哪个结构域、离活性口袋有多近，一眼可辨。

值得一提的是，磐石都是先用一句自然语言让系统去下载对应的科研Skill，系统随即从ScienceHub自动调用相关能力，一路把整个case跑完。

这正是「不知道用什么就直接说需求」的机制在真实科研里的落地。

在同一个提示词下，Gemini 3.1 Pro的表现中规中矩，其优势在于结构化数据的呈现（如主动输出了清晰的CSV数据表）。

它的能力边界停留在「数据整理」层面，一旦深入到科研推理环节便暴露出短板。

GPT-5.5在该项专业科研任务中表现垫底，仅拿下78分。

其输出结果呈现明显的「降智」现象，仅抓取了部分突变位置，严重缺失ClinVar/gnomAD等关键临床数据库的交叉验证，完全没有建立起结构域与乳腺癌致病性之间的关联。

注：模型1是磐石，模型2是Gemini 3.1 Pro，模型3是GPT-5.5

从AlphaFold到统一科学智能，AI for Science正在从「单点工具」走向「系统能力」。

磐石2.0与ScienceOne真正的分量，未必落在某一项榜单的领先上——

它更大的意义，是把「懂科学的模型」和「用得上的系统」拼成了一个整体，让AI第一次有机会，成为科学家身边真正的科研搭档。

这条路才刚刚开始，但方向已经清楚。

磐石ScienceOne今天正式上线，感兴趣的朋友可以戳「阅读原文」试试~