一个模型，同时读懂DNA双螺旋、蛋白质折叠、分子结构、气象场和医学影像——这件事在2026年7月变成了现实。
7月18日，上海科学智能研究院在2026世界人工智能大会科学智能开放论坛上，正式发布“神珍”科学多模态基础模型。它不是又一个专用模型，而是一个试图让AI真正“看懂”科学的底层超级大脑。
一、专用模型的困境：数据孤岛正在制约科学突破
过去几年，AI for Science领域涌现出一批性能出色的专用模型——AlphaFold2能预测蛋白质结构，专用模型能生成分子、设计材料。但问题也随之而来：这些模型各自为政，表征空间被锚定在单一模态和特定物理尺度内，既难以跨领域迁移知识，也无法与其他科学模态建立语义关联。
疾病研究就是一个典型例子。面对基因序列、蛋白质构象与药理活性数据交织而成的复杂因果网络，研究者需要的不是一个预测精准的蛋白质模型，而是一个能同时“阅读”序列语言、“理解”空间构象、“推演”动态交互的统一框架。
另一种思路是把科学数据强行转成文本token喂给大模型——把分子、蛋白质翻译成一串字母。但科学数据本质上是结构化的，被压扁为文本时，结构性信息会出现系统化损失。正如上智院院长漆远所说：“想发现底层规律，前提就是在第一步别把关键的细节信息丢掉。”
“神珍”正是对这一问题的一次系统探索。
二、110亿参数，一个模型打通六类科学数据
“神珍”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，在一个统一模型中同时支持科学理解与多类结果生成。
它的名字取自《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。
架构上，“神珍”以Qwen3-VL-8B为共享主干，为六类科学数据各设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，它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。
蛋白质和核酸按序列处理，小分子按结构处理，气象数据保留空间分布，医学影像保留图像细节。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。
更关键的是，“神珍”不仅能理解，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。理解与生成两套能力被捏进了同一个框架。
三、评测：110亿参数打出万亿级水平
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。
生物序列：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。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。参数规模并不是衡量科学模型能力的唯一维度。
小分子：在公开基准SMolInstruct的6项小分子属性理解任务中，“神珍”有4项取得或并列取得最优结果。
气象：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。
医学影像：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。
四、开源开放：让更多研究者参与共建
“神珍”的发布同步提供了模型权重、推理代码、示例脚本、输入说明和使用文档。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，与平台上汇聚的1500余个科学模型和工具组合使用；也可以在Hugging Face下载权重、在GitHub获取代码。
上智院方面表示，欢迎全球科研团队围绕“神珍”开展验证和二次开发，共建开放的科学智能社区。
五、从“背科学”到“发现科学”
“神珍”是今年3月初面世的系统级科研智能体“大圣”的超级大脑。两者的组合构成了一个完整的科研闭环——模型提供理解与生成能力，智能体组织复杂的研究流程。
漆远在论坛上点出了这场变革的终局想象：“AI要从‘预测’下一个Token走向‘发现’未知的规律，而AI发现未知科学规律将是超级智能的开始。”
真实的科研是包含文献、假设、数据、模型、仿真、实验及反馈的长链条过程。当110亿参数的“神珍”把六类科学数据收进同一个大脑，科学发现的形态，或许正被悄悄改写。
