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

IT之家 7 月 20 日消息，据上海科学智能研究院官方微信公众号消息，近日，上海科学智能研究院（下称“上智院”）开放科学多模态基础模型“神珍”（Monkey King Bang, MKB）。模型总参数约 110 亿，面向 DNA、RNA、蛋白质、小分子、地球系统和医学影像六类科学数据，在一个统一模型中支持科学理解与多类结果生成。在扩展科学能力的同时，模型在相关评测中整体保持了基础模型的文本与通用图像能力。

据IT之家了解，在科学智能（AI for Science）领域，蛋白质、分子、气象和医学影像等方向已形成一批性能出色的专用模型。但不同科学对象背后的规律并不相同：序列强调前后依赖，分子强调原子之间的连接，气象场强调时空演化，医学影像强调局部结构。如何既保留这些差异，又让一个模型学习其中可共享的规律，并同时支持科学理解与结果生成，仍是科学智能基础模型需要回答的问题。“神珍”正是对这一问题的一次系统探索。

“神珍”以 Qwen3-VL-8B 为共享主干，为六类科学数据设置专门的数据处理通路。区别于把所有数据转换成同一种格式，“神珍”在进入共享模型前，分别保留序列的先后关系、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。蛋白质和核酸仍按序列处理，小分子仍按结构处理，气象数据仍保留空间分布，医学影像仍保留图像细节。这些能力被集成在同一个模型中，使用时按任务调用相应功能。除文本回答外，“神珍”还能直接生成 RNA 序列、可供计算机读取的分子表示（SMILES）、全球气象场和医学影像分割结果。

图 1｜“神珍”总体架构｜多种科学数据从各自入口进入同一个模型，并根据任务输出文本、RNA 序列、SMILES 分子表示、全球气象场或医学影像分割结果。

在约 110 亿参数的规模下，“神珍”在生物序列、小分子、气象和医学影像等任务中展现出竞争力。在覆盖 DNA、RNA、蛋白质以及不同生物序列关系判断的 20 项任务中，“神珍”有 9 项取得三款参评模型中的最优结果，17 项位列前二。逐项比较，“神珍”在 16 项任务上得分高于同量级的 Biology-Instructions；与总参数约 1 万亿的 Intern-S1-Pro 相比，两款模型各在 10 项任务上得分更高。这组结果表明，参数规模并不是衡量科学模型能力的唯一维度；如何面向不同科学对象设计有效的建模方式，是科学基础模型仍需持续探索的问题。

图 2｜生物序列理解任务的结果对比。加粗为三款参评模型中的最优结果，下划线为次优结果。

除生物序列外，“神珍”还在小分子、气象和医学影像任务中进行了验证。

小分子：在公开基准 SMolInstruct 的 6 项小分子属性理解任务中，“神珍”在三款参评模型中有 4 项取得或并列取得最优结果。

图 3｜小分子理解任务的结果对比｜加粗为三款参评模型中的最优结果，下划线为次优结果。

气象：在离线评测中，给定一帧初始大气场，模型每 6 小时滚动预报一步，持续推演至第 10 天；在第 10 天的预报中，500hPa 位势高度、2 米温度、海平面气压等多项指标达到或优于业务级数值预报的水平。

图 4｜“神珍”与 ECMWF HRES 在全球 ERA5 预报上的比较

医学影像分割：在覆盖 CT、MRI、病理等九种影像模态、逾十万个图文样本的评测中，“神珍”衡量预测区域与人工标注重合程度的平均 Dice 得分为 91.20，在 7 种参评方法中最优。分 9 类影像看，5 类排名第一，其余 4 类排名第二。

图 5｜9 类医学影像的文本提示分割案例

“神珍”将四类代表性能力汇集在同一个统一模型中：理解生物序列，预测小分子性质或生成 SMILES，滚动生成最长 10 天的全球气象场，以及根据文字提示完成医学影像分割。不同任务会调用相应的处理组件，但共享同一模型主干和联合训练的权重，研究者无需在多个彼此独立的领域模型之间切换。

对科学模型的开发共享而言，开放权重只是第一步。是否同时提供可运行的代码、示例和清晰的输入输出说明，也会直接影响模型能否被验证和复用。此次发布同步提供模型权重、推理代码、示例脚本、输入说明和使用文档，并补充气象预报与医学影像分割所需的配置，支持研究者开展本地部署或接入已有科研流程。

研究者可以通过星河启智科学智能开放平台下载模型或调用 API，与平台汇聚的 1500 余个科学模型和工具一起组合与再创造；也可在 Hugging Face 下载模型权重，在 GitHub 获取推理代码和示例。

作为今年 3 月初面世的系统级科研智能体“大圣”的超级大脑，“神珍”之名，取意于《西游记》中的“天河定底神珍铁”。团队希望这套开放模型以相对精炼的形态承载多样的科学任务，也让更多研究者参与检验、使用与共建。