一句话看懂：上海科学智能研究院（上智院）正式发布并开放了科学多模态基础模型“神珍”（MKB），该模型以110亿参数统一处理DNA、RNA、蛋白质、小分子、气象和医学影像六类科学数据，在多项评测中展现了与万亿参数级模型竞争的实力，并同步提供了完整的开源代码、权重及部署文档。
事件核心：发生了什么
据IT之家7月20日报道，上智院于近日开放了其科学多模态基础模型“神珍”。该模型以Qwen3-VL-8B为共享主干，总参数约110亿，专为解决科学智能领域内不同数据形态（如序列、分子结构、空间场、影像）的融合学习问题而设计。与以往将各类科学数据统一为一种格式的做法不同，“神珍”为六类数据分别保留了其天然的结构特性（如序列的先后关系、分子的连接结构、气象场的空间分布）。在功能上，模型不仅能进行文本回答，还能直接生成RNA序列、SMILES分子表示、全球气象场（最长滚动预报10天）以及医学影像分割结果。在生物序列、小分子、气象和医学影像四大类评测中，“神珍”在多项任务上达到或超越了同量级及万亿参数级模型的表现，例如在20项生物序列理解任务中有9项取得最优，在医学影像分割中平均Dice得分达到91.20。
为什么重要
此举标志着科学智能（AI for Science）领域开始从“专用模型”向“统一模型”迈进。目前，蛋白质、分子、气象等方向已形成众多性能出色的专用模型，但不同学科的底层规律差异巨大，难以共享和复用。上智院的“神珍”证明了在相对精炼的110亿参数规模下，通过保留各类数据的原始结构特征并统一训练，可以有效捕获不同科学问题背后的共通规律，避免了为每个任务重复训练模型的高昂成本。这种架构思路对降低科学计算的门槛、加速跨学科研究协同具有实际意义。同时，模型权重、推理代码及使用文档的完整开放，使得学术界和工业界的研究者可以直接验证、修改并集成到自身科研流程中，这对于科学的可复现性和生态建设至关重要。
对用户/开发者/创作者的影响
对于科研人员、AI应用开发者以及生物医药、气象预测等领域的从业者，“神珍”的开放最直接的影响是降低了获取综合科学AI能力的门槛。开发者无需维护多个独立的领域模型，通过一个模型和API接口即可处理序列、分子、气象图、医学影像等多种任务。模型同时提供了Hugging Face和GitHub上的权重与代码，以及星河启智平台上的API服务，便于本地部署和云端调用。尤其对于气象和医学影像从业者，“神珍”直接提供了业务级精度的气象预报和基于文本提示的影像分割能力，减少了从零训练或定制模型的前期投入。对于普通用户而言，目前公开信息显示该模型主要面向专业科研应用，暂无面向C端的直接产品形态。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. 开发者生态的建立与验证：模型的开源能否吸引足够多的研究者在实际科研项目中采用和贡献，这将直接影响“神珍”所代表的统一科学模型范式的生命力。可将平台上的模型下载量、GitHub star数及复现论文数量作为观察指标。2. 商业化路径探索：作为上智院“大圣”科研智能体的超级大脑，“神珍”是否会通过API付费或其他合作方式进入制药、气象服务等垂直行业，值得持续关注。3. 竞品跟进与迭代速度：当前万亿参数级的大模型在科学任务中的表现被“神珍”有选择地超越，这可能会刺激其他大模型团队调整针对科学数据的建模方式，后续是否会有更多类似架构的统一科学模型发布将影响行业技术路线。
来源：IT之家（RSS）
