多模態 AI 模型“神珍”開放，能處理蛋白質、天氣等六類科學信息

上海科學智能研究院（上智院）近日正式對外開放科學多模態基礎模型「神珍」（Monkey King Bang，MKB）。這款模型總參數約 110 億，能夠同時處理 DNA、RNA、蛋白質、小分子、地球系統與醫學影像六大類科學數據，在單一架構中實現對科學現象的理解與多類型結果的直接生成，為科學智能（AI for Science）領域提供了一個統一基礎模型的探索範例。在科學智能領域，既有的模型多為面向單一對象設計的專用模型，例如針對蛋白質結構預測、分子性質預測、氣象模擬或醫學影像分析的獨立系統。這些模型在各自任務上表現出色，但在跨領域知識共享與協同使用上存在門檻。

「神珍」正是針對這一問題展開的系統性嘗試，希望在保留各類科學數據自身規律的前提下，讓一個模型同時學習其中可共享的通用特徵，並同步支援科學理解與結果生成。模型的架構設計體現了「和而不同」的思路。「神珍」以 Qwen3-VL-8B 作為共享主幹，同時為六類科學數據分別設置了專用的訊息處理通路。蛋白質和核酸數據依舊按照序列方式處理，保留前後依賴關係；小分子則按照分子結構進行建模，強調原子間的連接；氣象場數據保留時空分佈特徵；醫學影像則保留局部細節與紋理。這些數據在進入共享模型前保持各自的原始格式，從而使模型能夠針對不同科學對象採用最適合的編碼方式。

除了以文本方式回答問題外，「神珍」還能直接生成 RNA 序列、可被計算機讀取的分子表示（SMILES）、全球氣象場以及醫學影像分割結果。這種統一的生成能力意味著研究人員不必在多個專用模型之間反覆切換，只需要在一個模型框架下調用相應功能即可完成多類任務。在生物序列相關任務上，「神珍」展現出強大的理解能力。研究人員在涵蓋 DNA、RNA、蛋白質以及不同生物序列關係判斷的 20 項任務上進行了評測。結果顯示「神珍」在其中 9 項取得三款參評模型中的最優結果，17 項位列前二。

與參數量相近的 Biology-Instructions 模型相比，「神珍」在 16 項任務上得分更高；而與總參數約 1 萬億的超大模型 Intern-S1-Pro 相比，兩者各有 10 項任務佔優，證明參數量並不是決定科學模型能力的唯一因素，有效的數據建模方式同樣至關重要。在小分子任務上，基於公開基準 SMolInstruct 的 6 項小分子屬性理解任務中，「神珍」在三款參評模型中於 4 項取得或並列取得最優，表現突出。氣象預報方面，在離線評測中，模型在給定一幀初始大氣場後，可以每 6 小時滾動預報一步，持續推演至第 10 天。

在第 10 天的預報結果中，500hPa 位勢高度、2 米溫度、海平面氣壓等多項指標達到或優於業務級數值預報模型的表現。醫學影像分割任務同樣成績亮眼：在覆蓋 CT、MRI、病理等九種影像模態、超過十萬個圖文樣本的評測中，「神珍」的平均 Dice 得分（衡量預測區域與人工標註的重合程度）達到 91.20，在 7 種參評方法中名列第一。分開九類影像看，有五類排名第一，其餘四類均排名第二。這一系列結果顯示，「神珍」成功地將四類代表性科學能力彙集於同一個統一模型中：理解生物序列、預測小分子性質或生成 SMILES、滾動生成最長 10 天的全球氣象場，以及根據文字提示完成醫學影像分割。

不同任務雖然調用相應的處理組件，但共享同一模型主幹與聯合訓練的權重，大幅降低了研究者使用多領域工具時的切換成本。在模型開放與共享方面，上智院此次同步提供了模型權重、推理代碼、示例腳本、詳細的輸入說明與使用文檔，並進一步補充了氣象預報和醫學影像分割所需的配置檔案，使研究者能夠直接在本地部署或接入既有科研流程。研究人員可以經由星河啟智科學智能開放平臺下載模型或調用 API，也可在 Hugging Face 獲取模型權重，在 GitHub 獲取推理代碼與示例，與平臺上匯聚的 1,500 餘個科學模型和工具進行組合與再創造。

「神珍」之名取意於《西遊記》中的「天河定底神珍鐵」，即孫悟空所使用的如意金箍棒。上智院團隊表示，希望這套開放模型能以相對精煉的形態承載多樣且具有挑戰性的科學任務，同時鼓勵更多研究者參與檢驗、使用與共同建設。此前，「神珍」已作為今年 3 月面世的系統級科研智能體「大聖」的超級大腦，此次模型開放將進一步推動科學智能基礎模型在大氣科學、生物醫藥、材料設計等多個前沿領域的整合應用。