AI模型“神珍”开放，能处理蛋白质、天气等六类科学信息

上海科学智能研究院开放科学多模态基础模型“神珍”（Monkey King Bang,MKB）。模型总参数约110亿，面向DNA、RNA、蛋白质、小分子、地球系统和医学影像六类科学数据，在一个统一模型中支持科学理解与多类结果生成。在扩展科学能力的同时，模型在相关评测中整体保持了基础模型的文本与通用图像能力。

在科学智能（AI for Science）领域，蛋白质、分子、气象和医学影像等方向已形成一批性能出色的专用模型。但不同科学对象背后的规律并不相同：序列强调前后依赖，分子强调原子之间的连接，气象场强调时空演化，医学影像强调局部结构。如何既保留这些差异，又让一个模型学习其中可共享的规律，并同时支持科学理解与结果生成，仍是科学智能基础模型需要回答的问题。“神珍”正是对这一问题的一次系统探索。

“神珍”以Qwen3-VL-8B为共享主干，为六类科学数据设置专门的数据处理通路。区别于把所有数据转换成同一种格式，“神珍”在进入共享模型前，分别保留序列的先后关系、分子的连接结构、气象场的空间分布和医学影像的局部细节。蛋白质和核酸仍按序列处理，小分子仍按结构处理，气象数据仍保留空间分布，医学影像仍保留图像细节。这些能力被集成在同一个模型中，使用时按任务调用相应功能。除文本回答外，“神珍”还能直接生成RNA序列、可供计算机读取的分子表示（SMILES）、全球气象场和医学影像分割结果。

在约110亿参数的规模下，“神珍”在生物序列、小分子、气象和医学影像等任务中展现出竞争力。在覆盖DNA、RNA、蛋白质以及不同生物序列关系判断的20项任务中，“神珍”有9项取得三款参评模型中的最优结果，17项位列前二。逐项比较，“神珍”在16项任务上得分高于同量级的 Biology-Instructions；与总参数约1万亿的Intern-S1-Pro相比，两款模型各在10项任务上得分更高。这组结果表明，参数规模并不是衡量科学模型能力的唯一维度；如何面向不同科学对象设计有效的建模方式，是科学基础模型仍需持续探索的问题。

“神珍”将四类代表性能力汇集在同一个统一模型中：理解生物序列，预测小分子性质或生成SMILES，滚动生成最长10天的全球气象场，以及根据文字提示完成医学影像分割。不同任务会调用相应的处理组件，但共享同一模型主干和联合训练的权重，研究者无需在多个彼此独立的领域模型之间切换。

对科学模型的开发共享而言，开放权重只是第一步。是否同时提供可运行的代码、示例和清晰的输入输出说明，也会直接影响模型能否被验证和复用。此次发布同步提供模型权重、推理代码、示例脚本、输入说明和使用文档，并补充气象预报与医学影像分割所需的配置，支持研究者开展本地部署或接入已有科研流程。