上智院发布110亿参数多模态科学基础模型神珍
「神珍」从底层对齐DNA、蛋白质、分子等六类科学模态，用原生科学token而非文本token实现统一推理，参数110亿。
上智院发布开源多模态科学基础模型「神珍」，参数量110亿。区别于将科学数据转为文本的大模型，它用专属编码器保留序列、分子图、气象场等原生结构，统一映射到共享表征空间，支持跨模态理解与生成。在49项基准测试中，单点任务比肩专业模型，跨模态推理初显优势。
正文摘录
打破模态壁垒，11B通用底座，上智院开放多模态科学基础模型「神珍」 - sourcecompany: 机器之心 - bodymarkdown: .jpg) 人工智能（AI）模型在科学发现中的角色，正经历着一场从「工程缝合者」向「智能推演者」的深刻蜕变。 过去几年，AI for Science 领域涌现出众多性能优异的专用模型，蛋白质结构预测、分子生成、材料设计等单一任务频现进展。然而，在科研场景中，实质性的突破往往诞生于跨模态的交界地带。 以疾病研究为例，面对基因序列、蛋白质构象与药理活性数据交织而成的复杂因果网络，研究者需要的不是预测精准的蛋白质模型，而是一个能同时「阅读」序列语言、「理解」空间构象、「推演」动态交互的统一框架。 最近，由上海科学智能研究院（下称「上智院」）发布并开放的科学多模态基础模型 ——「神珍」，有力回应了这一需求。 作为一款总参数量为 110 亿的统一基座模型，「神珍」并非简单地将多个专用模型打包，而是从底层模态对齐入手，在一个统一架构内同时支撑科学理解与多类结果生成，现已覆盖 DNA、RNA、蛋白质、小分子、地球系统与医学影像六类科学数据。 科学智能新思路 2020 年，AlphaFold2 成功从氨基酸序列直接预测蛋白质的三维结构，证明了 AI 模型在单一科学任务上的潜力。以之为代表的专用模型路线，针对特定科学领域定制网络架构与损失函数，在大量标注数据上充分挖掘特征，从而在既定任务上精度卓越、物理合理性强。