科学计算领域的“碎片化”困境由来已久：做蛋白质预测的模型看不懂气象场，分析小分子的模型没法处理医学图像。这种各扫门前雪的现状，让研究人员不得不在多个专用模型间反复横跳。7月20日，上海科学智能研究院拿出了一套系统性解法——开放科学多模态基础模型“神针”（又名猴王金棒MKB），用约110亿参数把DNA、RNA、蛋白质、小分子、地球系统、医学图像这六类科学数据收进一个统一模型里，既能理解，也能直接生成结果。
在科学智能这条赛道上，蛋白质、分子、气象、医学影像等方向早就跑出了各自的专用模型，性能也不差。但它们的底层逻辑根本不兼容：序列数据依赖顺序依赖，小分子看重原子连接结构，气象场讲究时空演变，医学图像则抠局部细节。怎么在保留这些差异的同时，让一个模型学会它们共享的规律，一直是科学基础模型绕不开的必答题。神针就是冲着这道题来的。
它的骨架是以Qwen3-VL-8B作为共享主体，六类科学数据各自走独立的数据处理通路。关键一步在于：没有把所有数据强行压成一种格式，而是在进入共享模型之前，保留序列的顺序关系、分子的结构连接、气象场的空间分布、医学图像的局部细节。蛋白质和核酸还是按序列走，小分子保留结构，气象数据保住空间分布，医学图像留住图像细节。这些能力被集成到同一个模型里，根据任务调用对应的功能。除了回答文本，神针还能直接生成RNA序列、机器可读的SMILES分子表示、全球气象场以及医学图像分割结果。
约110亿参数的神针，在生物序列、小分子、气象、医学影像等任务上已经展现出有竞争力的表现。在涵盖DNA、RNA、蛋白质以及不同生物序列关系判断的20个任务中，神针在9个任务上拿到三个对比模型中的最佳成绩，17个任务进入前两名。单独对比的话，它面对同规模的Biology-Instructions模型，在16个任务上胜出；而面对万亿参数的Intern-S1-Pro模型，双方各在10个任务上占优。这个对比说明一件事：参数规模不是衡量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，才是更值得持续精进的方向。
跳出生物序列，神针还在小分子、气象和医学影像上验证了能力。小分子领域，在公开基准SMolInstruct的六个属性理解任务中，神针在四个任务上拿到最佳或并列最佳。气象方面，离线评测时给定初始大气场，模型每6小时做一次预报，一直模拟到第10天——到第10天时，500hPa位势高度、2米温度、海平面气压等指标已经达到或超过了业务化数值预报的水平。医学图像分割上，在覆盖CT、MRI、病理等9种影像模态、超过10万张图像文本对的评测中，神针预测区域与人工标注区域的平均Dice分数达到91.20，在7个评测方法中排名第一；分影像类别看，5类排第一，剩下4类排第二。
神针把四种代表性能力集成到一个统一模型里：理解生物序列、预测小分子属性或生成SMILES、滚动输出最长10天的全球气象场、根据文本提示完成医学图像分割。不同任务调用各自的处理组件，但共享同一个模型骨架和联合训练的权重，研究人员不用再在多个独立领域模型之间来回切换。
对科学模型来说，开源权重只是第一步。能不能提供可执行的代码、示例以及清晰的输入输出指令，直接决定了模型能不能被验证和复用。这次发布包含了模型权重、推理代码、示例脚本、输入说明和使用文档，还做好了气象预报和医学图像分割所需的配置，支持研究人员本地部署或嵌入已有研究流程。研究人员可以通过星河启智科学智能开放平台下载模型或调用API，与平台上超过1500个科学模型和工具搭配使用；也可以在Hugging Face下载权重，在GitHub获取推理代码和示例。
作为今年3月初上线的系统级科学智能体“大圣”的超级大脑，神针这个名字取自《西游记》里的“神珍铁铁”。团队希望这个开源模型能以相对轻量的形态承载多样的科学任务，并且吸引更多研究人员参与测试、使用和共建。从行业角度看，科学基础模型正在从“大而全”向“既大又专”进化——参数不再是唯一信仰，如何设计适配不同物理世界的编码结构，才是未来AI for Science真正破局的关键。
