---
title: "SciReasoner – 上海AI Lab等推出的科学推理多模态基础模型"
url: "https://paooo.com/aigc-news/38602/"
author: "Prompt 语宙研究院"
published_at: "2026-07-23T12:54:21+08:00"
updated_at: "2026-07-23T12:54:21+08:00"
categories: "AIGC 资讯"
tags: "3D与空间智能, AI智能体, RAG检索增强, 大模型微调, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# SciReasoner – 上海AI Lab等推出的科学推理多模态基础模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/38602/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-23

## AI 30 秒核心看点 (TL;DR)

- 首次提出原生结构推理范式，把结构信息变成可审查的推理证据链。
- 覆盖蛋白、分子、晶体三大领域，86项基准中67项达到SOTA。
- 低同源蛋白功能预测与逆合成表现突出，兼顾精度与可解释性。

## SciReasoner是什么

SciReasoner 是上海人工智能实验室联合港中文、中科院药物所、斯坦福、牛津等团队推出的新一代科学推理多模态基础模型。模型首次提出原生结构推理范式，将蛋白质三维结构、分子拓扑与晶体晶格转化为可寻址的推理证据单元，使 AI 像科学家一样围绕真实结构证据组织分析。模型基于 Qwen3 持续预训练，在 86 项跨学科基准中 67 项达到 SOTA，覆盖蛋白功能注释、逆合成规划、药物筛选与材料性质预测，实现从黑箱预测到可解释科学链路的跨越。

## SciReasoner的主要功能

- 
**蛋白质功能注释**：基于 3D 结构（Foldseek 3Di 表示）预测 Gene Ontology 术语，在低同源和孤儿蛋白上表现尤为突出。

- 
**逆合成规划**：分析产物骨架与官能团，识别关键断键位点，验证反应物结构并判断反应可行性。

- 
**分子虚拟筛选**：基于三维药团相似性进行药物分子筛选，无需额外对接打分或任务微调。

- 
**材料性质预测**：分析晶体空间群、配位环境与周期连接性，预测形成能、带隙等物理化学性质。

- 
**科学问答与生成**：支持跨蛋白质、DNA/RNA、小分子、晶体的开放式科学问答与分子设计。

## SciReasoner的技术原理

- 
**统一结构感知词表**：将不同科学对象离散化为结构感知 Token，小分子使用 ConfSeq，蛋白质使用 Foldseek 3Di，晶体使用 SLICES，避免传统分词对化学语义的破坏。

- 
**三阶段持续预训练**：基于 Qwen3 进行 Warm-up 训练、全参数多模态训练、退火训练，建立稳定的结构-语言接口。

- 
**后训练推理框架**：采用自举式原生结构推理，通过领域内结构证据接地训练蛋白/分子/材料专家，再通过跨领域推理整合将专家能力统一，使用强化学习连接结构词表语义与思维链策略。

- 
**可审查的推理轨迹**：模型输出 `<think.../think>` 包裹的推理链，中间主张可追溯至具体结构 Token，实现从黑箱预测到可解释科学链路的转变。

微信关注回复“**开源**”，加入**AI开源项目交流群**

## 如何使用SciReasoner

- 
**获取资源**：访问 GitHub 仓库克隆代码并下载模型权重。

- 
**安装环境**：按照 README 配置 Python 依赖与运行环境。

- 
**准备数据**：根据任务类型整理蛋白质 PDB/3Di、分子 SMILES/ConfSeq 或晶体 CIF/SLICES 等结构输入。

- 
**加载模型**：初始化 SciReasoner 模型并接入结构感知词表。

- 
**输入指令**：将结构数据与自然语言问题组合送入模型。

- 
**获取推理**：模型输出带 `<think.../think>` 标签的可审查推理链及最终预测结果。

- 
**验证结果**：将推理轨迹中的结构 Token 映射回三维结构进行专家审核。

## SciReasoner的核心优势

- 
**原生结构推理**：结构 Token 不是辅助输入，而是推理的核心证据单元，推理过程可围绕空间关系、配位环境、对称性等展开。

- 
**低同源场景优势显著**：在序列相似度低于 30% 的蛋白功能预测中，Cellular Component Fmax 从 0.42 提升至 0.55，远超 BLAST 和 ESM2。

- 
**跨学科统一能力**：单一模型覆盖生物学、化学、材料科学三大领域，在 86 项基准中 67 项达到 SOTA，打破传统专用模型壁垒。

- 
**可解释性领先**：双盲专家评估中，98% 的案例认为其推理轨迹优于或与前沿大语言模型相当，推理链可直接映射到三维结构区域。

- 
**化学推理精度高**：USPTO-50K 逆合成 Top-1 准确率达 72.0%，显著超过此前最佳方法 RSGPT 的 63.4%。

## SciReasoner的项目地址

- **项目官网**：https://scireasoner.github.io/

- **GitHub仓库**：https://github.com/SpectrAI-Initiative/SciReasoner

- **arXiv技术论文**：https://arxiv.org/pdf/2607.07708

## SciReasoner的同类竞品对比

维度
SciReasoner
ESM2 (Meta)

**定位**
跨学科科学推理基础模型
蛋白质语言模型

**输入模态**
蛋白结构/序列、分子、晶体
仅蛋白质序列

**推理范式**
原生结构推理，可审查轨迹
序列嵌入预测，黑箱输出

**低同源蛋白**
CC Fmax 0.55（≤30% 相似度）
CC Fmax 0.42

**可解释性**
推理链可映射至结构 Token
注意力热图，无自然语言推理

**跨领域**
生物+化学+材料统一模型
仅限蛋白质领域

## SciReasoner的应用场景

- 
**孤儿蛋白功能发现**：针对缺乏同源序列的未知蛋白质，通过三维折叠结构推断其分子功能与亚细胞定位。

- 
**药物分子逆合成设计**：辅助化学家规划从靶点分子到商业可得前体的合成路线，明确断键位点与反应条件。

- 
**新型材料筛选**：基于晶体结构预测材料稳定性与电子性质，加速电池材料、催化剂等的功能材料研发。

- 
**AI 辅助科学教育**：利用其可解释的推理轨迹，帮助学生理解”结构决定性质”的科学思维过程。

- 
**跨模态科学发现**：整合蛋白质-小分子相互作用、RNA 功能预测等多模态任务，支持系统生物学研究。

## 常见问题解答 (FAQ)

### SciReasoner适合做哪些科学任务？
它适合蛋白质功能注释、逆合成规划、分子虚拟筛选、材料性质预测，以及跨蛋白、DNA/RNA、小分子和晶体的开放式科学问答与分子设计。

### SciReasoner和普通蛋白模型有什么区别？
普通蛋白模型多基于序列嵌入做黑箱预测，SciReasoner则把结构Token作为推理核心证据，能输出可审查的推理轨迹，并覆盖生物、化学和材料三大领域。

### SciReasoner如何使用？
先从GitHub获取代码和权重，按README配置环境，再准备PDB/3Di、SMILES/ConfSeq或CIF/SLICES等结构输入，加载模型后结合自然语言问题推理并审核结果。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
