一句话看懂：上海科学智能研究院于7月20日开源了多模态科学基础模型”神珍”（Monkey King Bang, MKB），用一个约110亿参数的统一模型同时处理DNA、RNA、蛋白质、小分子、气象和医学影像六类科学数据，在多项任务上达到或超过了专用模型和数值预报的水平。这一做法试图打破科学AI模型”数据各走各路、模型各自为政”的局面。
事件核心：发生了什么
上海科学智能研究院（上智院）正式开源了”神珍”多模态科学基础模型。模型的骨干网络基于通义千问Qwen3-VL-8B，但为每类科学数据保留了独立的预处理通道：蛋白质和核酸维持序列顺序，小分子保留原子连接结构，气象场保持空间分布，医学影像保存局部细节，数据进入共享主模型后由不同任务模块调用。在20项生物序列任务中，”神珍”在17项位居前两名；在小分子属性预测中，它在公开基准SMolInstruct的6项任务里4项取得最佳或并列最佳；在气象预报方面，给定初始场后每6小时滚动预测一次，第10天的500hPa位势高度、2米温度和海平面气压等指标达到或超过业务化数值预报水平；在医学影像分割任务中，覆盖CT、MRI、病理等9种模态的平均Dice评分达到91.20，在7种方法中排名第一。模型权重、可执行代码和示例均已开放。
为什么重要
此前科学AI的发展路径是”一个问题一个模型”：蛋白质用AlphaFold、气象用FourCastNet、医学影像用专用分割模型。这些模型底层架构各异，无法共享通用知识，研究者切换任务时需要部署多个独立模型。”神珍”的核心创新在于没有把所有科学数据简单压成同一种格式，而是保持各自的数据拓扑结构（序列、图、网格、像素），然后通过共享的骨干模型学习跨领域特征。这验证了一个关键假设：110亿参数的”中等规模”模型，如果设计得当，可以在多个科学领域同时超越巨型模型的单点性能——在对比中，它面对1万亿参数的Intern-S1-Pro模型时，双方在10项任务上互有胜负。这意味着，参数规模不再是评估科学模型能力的唯一标尺，针对不同科学对象设计有效的建模方法同样重要。
对用户/开发者/创作者的影响
对于研究者与开发者，”神珍”开源提供了”一套代码、一个模型”即可覆盖基因组学、药物设计、气象预报和医学影像分析的能力，大幅降低了在多个领域部署推理服务的技术成本。目前公开信息显示，模型权重与示例已可下载，但API服务、在线Playground或企业级部署方案尚未披露。在实用层面，气象预报可输出长达10天的全球滚动场，药物研发人员可以直接获取机器可读的SMILES分子表示，医生可基于文本提示直接得到图像分割结果——这些能力从原型走向产品落地，还需要用户自己在自有数据上做微调和验证。
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
第一个观察点是实际落地速度：虽然模型已开源，但上智院是否会推出可调用API或SaaS服务，将直接影响广泛采用。第二个观察点是竞品跟进：国内外已有多个科学基础模型团队，若”神珍”在生物序列和气象场上的跨模态表现被重复验证，可能加速对手在架构上从”单领域大模型”向”多领域共享模型”的转向。第三个观察点是开发者生态：模型能否在HuggingFace等平台形成社区、是否有第三方贡献者微调出垂直版本（例如更小参数的RNA子模型），将是衡量其生命力的关键指标。
来源：AIbase
