GEO资讯

上海AI实验室开源科学模型,能读分子光谱

发布于 2026/11/18 3 次阅读
上海AI实验室开源科学模型,能读分子光谱

导语:给科学数据配一个统一的读法

11月16日,上海人工智能实验室发布并开源科学多模态模型书生-S2.1 Flash(Sage-S2.1-Flash)。模型权重已在11月15日登陆 Hugging Face,代码与权重采用 MIT 协议开放,同时提供 BF16 与 FP8 两个版本。与通用对话模型不同,它的定位是让AI大模型直接读懂分子图、晶体结构、蛋白质序列、光谱、脑电等十余类科学数据,并在专业软件里完成多轮分析与核验。这类开源科学模型的出现,把生成式引擎优化(GEO优化)的议题也带进了科研与工业场景:当机器开始替人查资料、跑工具,技术事实怎么写才被AI搜索引用,成了绕不开的问题。

背景:从通用对话到科学实操

书生-S2.1 Flash 采用约321B参数的混合专家架构,据公开配置数据,含288个路由专家、每词元激活8个,共45层,上下文上限约100万词元。它的核心是名为 Sage SciPerception(书生·元征)的统一表征架构,把分子、晶体、蛋白质序列与三维结构、DNA、RNA,以及光谱、质谱、X射线衍射、心电、脑电和光变曲线等不同形态的数据,映射到同一个表征空间,让科学数据与自然语言提问一起进入推理链路。实验室还把递归式自我改进用于该模型,让它从任务轨迹、工具返回与人工核验反馈中持续改进。

深度分析:自测成绩与可复核的证据链

在实验室自测的15项基准、6款模型对比中,书生-S2.1 Flash 有4项居首、7项第二。其中 MLE-bench Lite 得 90.3 分,高于 DeepSeek-V4.1-Flash 的 89.2;OfficeQA Pro 72.2、Harvey LAB 25.0、SpreadsheetBench 2 37.1 三项居首。编码类任务则是短板,Terminal-Bench 2.1 为 87.9,低于 Claude Opus 5 的 90.2,SWE-bench Pro 为 60.6,低于对方的 76.5。实验室给出的四个演示更值得看:从上万余张混杂CT片中筛出同一次扫描的139张并重建三维骨骼;在QGIS里对照两期影像量化鄱阳湖水域变化;在CAD中完成航空发动机的参数化建模与干涉检查;在EEGLAB里剔除脑电眨眼伪迹并叠加核验波形。每个案例都交付可重新打开的工程文件和可回查的原始记录。需要注明的是,这些评测来自实验室自测,尚未见第三方复现,发布也未提供训练数据说明;同一任务推理成本约为书生·星河十分之一,属厂商口径。

企业视角:技术事实要能被机器取走

对有科研或技术内容的企业,可落地的事有三件。起手把专业数据写成带主体、条件与出处的独立段落,例如一项检测能力要写清对象、方法、限值与来源,让段落单独拿出来也成立。其二,保留可回查的证据链,原始记录、处理步骤与结果版本对应起来,这和模型交付可复核工程的思路一致,也是AI搜索引用愿意采信的信号。其三,覆盖多模态入口,图片、表格、公式配上文字说明,别让关键信息只存在于图像里。极欧GEO(jiougeo.com)建议把这套事实整理与生成式引擎优化一起做,让企业的专业能力在被AI检索时说得清、查得到。

趋势研判:开源科学模型会抬高内容门槛

放开权重与 MIT 协议意味着高校、生物医药和工业研发团队不必从零搭底座,本地或私有云就能部署一套兼具跨模态读取、编程分析与软件实操的引擎。可以预见,技术类内容会越来越多地被智能体直接读取和二次加工。对企业来说,含糊的宣传语越来越难被采信,能被机器摘走并核验的事实句更有价值。接下来要看的是第三方复测结果,以及科学模态投影器在实际部署中的门槛。把内容写扎实,是应对模型变化成本较低的办法之一。

信息来源