上海科学智能研究院发布统一科学多模态模型“神珍”

一个模型既要读懂DNA序列，又要预测气象变化，还要在医学影像上标注病灶——这类任务过去需要多个专用模型分别完成。7月20日，上海科学智能研究院发布开放科学多模态基础模型“神珍”（Monkey King Bang，MKB），以约110亿参数实现统一建模，可同时处理DNA、RNA、蛋白质、小分子、地球系统和医学影像六类科学数据。

科学智能领域目前已在蛋白质、分子、气象和医学影像等方向涌现出多个性能出色的专用模型。但这些数据背后的规律差异显著：序列讲究前后依赖，分子强调原子连接结构，气象场关注时空演化，医学影像则侧重局部细节。如何在保留各领域特性的同时提取可共享的通用规律，是科学基础模型的核心挑战。“神珍”的设计正是针对这一难题。

该模型以Qwen3-VL-8B为共享主干，为六类科学数据分别设计专门的处理通路。与将所有数据统一压缩为同一格式的做法不同，“神珍”在进入共享模型前，保留了各类数据的原始特征：蛋白质与核酸维持序列形式，小分子保留结构信息，气象数据维持空间分布，医学影像保留图像细节。用户可按任务需求调用对应功能。除文本回答外，模型还能直接生成RNA序列、SMILES分子表示、全球气象场以及医学影像分割结果。

在约110亿参数规模下，“神珍”在多项任务中表现突出。在覆盖DNA、RNA、蛋白质及生物序列关系判断的20项任务中，该模型9项获参评模型最优，17项进入前二；16项得分高于同量级Biology-Instructions模型，与总参数约1万亿的Intern-S1-Pro相比则各有10项领先。这表明参数规模并非科学模型能力的唯一决定因素，针对不同科学对象设计有效的建模方式更为关键。

跨领域验证显示：小分子方面，在SMolInstruct基准6项属性理解任务中4项取得最优；气象方面，以6小时为步长滚动预报至第10天，500hPa位势高度、2米温度、海平面气压等指标达到或优于业务级数值预报水平；医学影像分割方面，在覆盖CT、MRI、病理等9种模态、逾十万样本的评测中，平均Dice得分91.20，在7种参评方法中排名第一，9类影像中5类第一、4类第二。

“神珍”将四类能力整合于同一模型：理解生物序列、预测小分子性质或生成SMILES、滚动生成最长10天全球气象场、依据文字提示完成医学影像分割。不同任务调用各自处理组件，但共享同一模型主干和联合训练权重，避免了研究者在多个独立模型间切换。

本次发布同步开放模型权重、推理代码、示例脚本、输入说明和使用文档，并补齐气象预报与医学影像分割所需配置。研究者可通过星河启智科学智能平台下载模型或调用API，也可在Hugging Face获取权重、在GitHub获取代码。该模型作为今年3月发布的科研智能体“大圣”的核心组件，其名称取自《西游记》中的天河定底神珍铁，寓意以精炼形态承载多样科学任务。