中國隊交卷，盲測打爆Claude！科學多模態統一AI來了

新智元報道

科研人苦等多年的AI搭檔，終于來了！

就在WAIC現場，中科聞歌磐石（ScienceOne）團隊一口氣亮出兩張「王牌」——

• S1-Omni：首個面向「科學理解、預測與生成」的科學多模態統一推理模型；

• ScienceOne：以S1-Omni為核心、貫穿科研全流程的一體化平臺。

實測結果非常硬核。

同一批真實科研任務，磐石與GPT-5.5、Gemini 3.1 Pro、Claude Science等全球頂流同臺作答，全程交給第三方模型盲評打分。最終拿下最高分的，是磐石。

但成績歸成績，我們認為更有意思的，是成績底下那顆S1-Omni。

因為它代表的，是AI4S的一次范式躍遷，科研工作流第一次有機會被真正重塑：

AI把繁瑣的活兒接過去，科研人得以把更多時間，留給真正的科學問題。

「磐石2.0」登場，統一科學智能

去年7月，中國科學院聯合團隊曾發布了磐石·科學基礎大模型1.0，并全面開源。

一年之后的同一個舞臺，7月17日，磐石2.0正式發布。

其中，中國科學院自動化研究所牽頭磐石科學基礎大模型技術攻關，其產業化平臺中科聞歌主攻基礎大模型訓練與文獻、創新評價智能體。

那么問題來了，通用LLM已經這么強了，為什么還要單做「科學基礎模型」？

答案，藏在一個根本的錯位里。

通用大模型的底層邏輯，是基于統計的「概率」。它擅長的是，模糊、近似、聽起來很有道理。

丟給它一個開放問題，它會輸出一段流暢、得體、八成正確的回答。寫文案、寫代碼、做客服，這份能力綽綽有余。

但科學，絕不妥協于「八成正確」，它要的是精確、可靠、可溯源——

一個結論，必須能被驗證；一條推理鏈，必須能被追溯；一個錯誤，必須能被定位和修正。

所以，在AI for Science這條賽道上，真正的壁壘是「模型懂不懂科學」。

這幾年，AI4S大致沿著三條路線推進。各有各的強項，也各有各的天花板：

• 領域專用模型（AlphaFold 3、ESM3）：在蛋白質等特定對象的預測任務上做到了極致，但能力也被嚴格局限在單一對象和任務形式上；

• 工具增強型通用模型（GPT-Rosalind、Claude Science）：憑借外部工具鏈靈活切入科學場景，但其科學能力僅寄生于工具，模型本體并未深化對科學的本質理解；

• 科學語言模型（NatureLM、LOGOS、BioMatrix）：試圖將蛋白質、分子等轉化為符號序列進行跨對象的統一聯合建模，但目前的探索仍主要停留在表征層面。

三條路線各自突圍，但「科學智能」仍散落在彼此獨立的模型、工具和任務系統里。

這次，磐石2.0想要更進一步——實現科學多模態統一推理（Unified Scientific Multimodal Reasoning）。

在一款面向科學理解、預測與生成的科學多模態統一推理模型 ——S1-Omni的加持下，「統一」被拆成了三件具體的事。

一是，把科學數據「統一編碼」。

它把自然語言指令，和材料的CIF、化學的SMILES、蛋白質序列、光譜數據、科學圖像等多種科學模態，組織進同一套任務表征里。

關鍵在于，它并不是抹平不同科學數據之間的差異，而是在保留各類對象類型邊界、表示結構與編碼特性的基礎上，將它們投射到一個共享的科學表征空間中，在尊重不同科學數據特性的基礎上實現協同建模。

換句話說，它懂得蛋白質是蛋白質、光譜是光譜，而這兩者又能在同一個模型里被一起理解。

左右滑動查看

二是，讓模型和「真實世界的知識」對齊。

訓練時，它不只學輸入輸出之間的統計相關，還把科學規律、實驗事實、專家經驗一起融進數據構建、樣本校驗和訓練過程。

基于此，模型就可以依據當前任務里的科學證據形成中間判斷。從而讓推理有了證據支撐，而不再停留在「憑語感接話」的層面，可解釋性也隨之提升。

三是，按領域任務「定向解碼」。

在共享的理解與推理之上，模型會根據具體任務，連接對應的科學解碼器。

比如，要預測性質就走性質預測，要重建結構就走結構重建，還能做三維結構生成、科學圖像生成與編輯。

最終輸出的，是各自領域里「原生形式」的、可被驗證的結果。

支撐這三項能力背后，是一個S1-Omni-Corpus的語料庫——

覆蓋200+個科研任務、包含百萬級高質量科學多模態推理數據，并且在構建時刻意保留了「科學證據→任務判斷→目標結果」這條可檢查的鏈路。

它讓S1-Omni學到的，不只是科學數據的表面模式，更是「如何在具體任務中基于專家知識去推理」。

在60多個科學任務的基準評測上，S1-Omni直接拉爆了通用模型。

其中，有95.5%的任務超過GPT-5.5，83.3%的任務超過Gemini-3.1-Pro；在部分任務上，甚至達到或超過了各領域的任務專用模型，具體來看：

• 在藥物性質相關的ADMET 18項評測里，有16項同時優于GPT-5.5和Gemini 3.1 Pro；在CYP、hERG、腸道吸收等幾個關鍵藥物性質任務上，其性能已達到甚至超越了業內代表性的化學專用模型。

• 在蛋白質位點預測上，它統一支持多類殘基級功能位點識別，并在PPI、Epitope、小分子結合位點等任務上達到了行業領先水平。

• 在科學圖像生成與編輯上，它在醫學圖像分割、醫學圖像翻譯、超分辨率、科研插圖生成等任務上都展現出不錯的能力。

簡而言之，S1-Omni成功打通了從「跨模態科學理解與推理」到「領域原生結果生成」的完整鏈路。

它讓單一模型具備了處理多類科學任務的能力，并能輸出符合專業規范、高度可驗證的成果。

然而，卓越的模型能力并非終點。只有將 AI 與海量科研數據、專業工具及真實工作流深度融合，才能讓它走出實驗室，轉化為科研人員觸手可及的先進生產力。

為此，磐石團隊基于S1-Omni，進一步打造了科研智能平臺ScienceOne，將模型的理解、預測與生成能力無縫嵌入科研的全生命周期。

如果說S1-Omni回答了「AI能否真正理解科學」，那么ScienceOne解決的，就是「AI如何真正深入科研現場」。

從S1-Omni到ScienceOne

把模型裝進科研現場

有了懂科學的模型，下一個問題是：怎么讓科學家真的用起來。

ScienceOne給出的答案，是以S1-Omni為統一基座，向下接管2.7億論文/專利，全球40多個國家3200多萬科研項目，700多萬產業研報、90PB大科學裝置數據和近300個專業數據庫，向上編排任務、調度智能體，把原本散落各處的模型、數據與工具，收攏進同一個平臺。

正如Windows之于PC。它不是某一個應用，而是內核、是驅動、是應用商店，是讓上層無數軟件得以運行的那層地基。

磐石在科研世界里扮演的，正是這個角色：從文獻分析、研究假設、方案設計，到建模仿真、驗證分析、成果表達，科研全生命周期的六個環節，它全程在場。

它更像你身邊的一位科學導師，能自主拆解復雜需求，智能調用最適配的專業技能與工具，替科研人精準啃下每一個環節的硬骨頭。

盲測打爆世界頂流閉源通用模型

接下來，我們就用真實科研任務做了一波盲測。

• 正面硬碰Claude Science，磐石不落下風

同一道題，磐石、Claude Science、GPT-5.5三家各跑一遍，結果扔給第三方模型盲測打分。

這是一道量子信息方向的題：要圍繞Depolarizing噪聲對Bell態糾纏的影響做模擬研究。

傳統做法里，手動搭量子電路、調試噪聲模型、做數值演算、再把結果繪圖匯總，本身就很耗時。

一旦糾纏熵的數據出現分歧，還得翻大量量子數學推導資料去逐條比對，數據整理和學術報告編制的活兒更是壓人。

而磐石則是用自然語言、分步把需求說出來。

先要仿真測算，再要答疑論證，最后要一份整合好的可視化報告。

剩下的它替你跑：從ScienceHub一鍵調用專用科研skill（這里是Qiskit），把電路搭建 → 噪聲仿真 → 數據核算 → 理論推導 → 多類型繪圖 → 交互式HTML報告串成一條全鏈路自動輸出。

當你對糾纏熵提出學術質疑時，它能精準回應、并補充多模型對照數據。

省下的是大量編程和翻推導資料的時間，產出的那份報告，可以直接拿去做課題匯報。

同一個提示橫評顯示，磐石得分最高，表現優于Claude Science與GPT-5.5。

在此次復雜的量子態演化任務中，GPT-5.5扮演了「前端UI設計師」的角色，Claude表現得像一位「理論科普員」，而磐石則展現出了一位「資深量子物理學家」的專業素養。

當它們還在用文字繞圈子解釋噪聲影響時，磐石直接「甩」出了depolarizing noise作用后的完整密度矩陣：

評價糾纏態，磐石一針見血地指出：混合態不能只看子系統熵，必須上Concurrence（共生糾纏度）等硬指標。

這說明模型真的「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，雖然圖表畫得花里胡哨，但一句「噪聲后子系統熵保持為1」，直接暴露了它連局域噪聲和全局噪聲都沒分清的理論硬傷。

Claude Science雖然圖表動效做得不錯，但關鍵矩陣和本征值全都沒給，甚至在假設上把全局和局域去極化混為一談，邏輯底層直接打架。

而磐石不僅算清了基本盤，還順手拉出了Fidelity、Purity和Concurrence的完整分析，真正做到了從理論建模到數值解析的科研級閉環。

圖左：Claude Science；圖右：GPT-5.5

換一道更貼近臨床的硬題，磐石的表現同樣能打。

• 乳腺癌變異數據，硬啃「意義未明變異」（VUS）。

面對海量乳腺癌相關變異，尤其是棘手的VUS，研究者得頻繁在GWAS群體遺傳信號和UniProt蛋白質空間結構之間做跨組學比對。

傳統模式下，大部分精力都陷在寫爬蟲、調API、清洗異構JSON的「工程泥潭」里，真正用于推導致病機制的時間被嚴重擠壓。

有了磐石之后，它會把高度依賴人工腳本的跨組學聯合分析，轉成AI驅動的標準化流水線——過去要耗上好幾周的活兒，如今幾分鐘就能跑完。

在測試中，磐石展現了統治級的科研任務閉環能力。

面對復雜的基因數據，磐石并沒有停留在簡單的文本羅列，而是展現出了極強的跨數據庫整合與科學推理能力。

它精準打通了UniProt與GWAS數據，完整補充了ClinVar與gnomAD中的臨床與人群頻率信息，構建了立體的突變注釋網絡。

磐石最突出的表現，在于它像一位真實的生物學家一樣，主動給出了「實驗優先級排序」，并附帶了嚴密的生物學論證理由。

這種結果不再是干癟的數據，而是可以直接用于指導下游功能實驗設計、甚至作為高水平論文數據支撐的「現成」科研成果。

更進一步，它還把這些關鍵致病位點，在3D蛋白結構圖里逐一精準標注了出來。哪個殘基落在哪個結構域、離活性口袋有多近，一眼可辨。

值得一提的是，磐石都是先用一句自然語言讓系統去下載對應的科研Skill，系統隨即從ScienceHub自動調用相關能力，一路把整個case跑完。

這正是「不知道用什么就直接說需求」的機制在真實科研里的落地。

在同一個提示詞下，Gemini 3.1 Pro的表現中規中矩，其優勢在于結構化數據的呈現（如主動輸出了清晰的CSV數據表）。

它的能力邊界停留在「數據整理」層面，一旦深入到科研推理環節便暴露出短板。

GPT-5.5在該項專業科研任務中表現墊底，僅拿下78分。

其輸出結果呈現明顯的「降智」現象，僅抓取了部分突變位置，嚴重缺失ClinVar/gnomAD等關鍵臨床數據庫的交叉驗證，完全沒有建立起結構域與乳腺癌致病性之間的關聯。

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

從AlphaFold到統一科學智能，AI for Science正在從「單點工具」走向「系統能力」。

磐石2.0與ScienceOne真正的分量，未必落在某一項榜單的領先上——

它更大的意義，是把「懂科學的模型」和「用得上的系統」拼成了一個整體，讓AI第一次有機會，成為科學家身邊真正的科研搭檔。

這條路才剛剛開始，但方向已經清楚。

磐石ScienceOne今天正式上線，感興趣的朋友可以戳「閱讀原文」試試~