S1-Omni：把材料、分子、蛋白与科学图像放进同一推理框架

2026年7月20日阅读约 2 分钟

导语

AI for Science 过去几年进展很快，但一个现实问题始终存在：材料、化学、蛋白、光谱和科学图像往往各有一套模型、数据格式和评估流程。S1-Omni 的目标正是把这些分散能力合并到一个统一的多模态科学推理模型中，让模型既能理解科学对象，也能完成预测与生成任务。

统一表示科学数据：S1-Omni 将自然语言指令与多类科学对象映射到共享空间，包括材料领域的 CIF、分子 SMILES、蛋白序列、光谱数据以及科学图像。这意味着模型不再只面向单一模态，而是尝试在同一框架内处理异构科学证据。
对齐科学规律与专家知识：论文强调，模型训练并不只是堆叠数据，而是在数据构建和训练过程中纳入科学规律、实验知识和专家经验，使推理过程更贴近科学问题本身。
任务专用解码：在统一表示之上，S1-Omni 使用面向不同领域任务的解码方式，支持性质预测、由光谱反推分子结构、蛋白位点与结构预测，以及科学图像生成和编辑等应用。
覆盖面较广：S1-Omni-Corpus 覆盖 200 多个科学任务，包含数百万条推理样本；模型在 60 多个科学基准上进行了评估。根据论文摘要，它在多数基准上超过 GPT-5.5 和 Gemini-3.1-Pro，并在若干任务上达到或超过领域专用模型。
开放资源：项目已开放模型权重、推理代码，以及一个包含 1 万条样本的 S1-Omni-Corpus 子集，便于社区复现和试用。

S1-Omni 的价值不只是“又一个科学大模型”，而是提出了一种更统一的 AI4Science 路线：把多种科学数据、知识约束和任务输出放在同一系统内建模。对科研场景来说，这可能降低跨学科建模的门槛，例如让材料结构、分子谱图和蛋白序列不再被割裂处理。

不过，统一模型能否在真实科研流程中稳定替代专用模型，还取决于开放数据规模、基准覆盖质量、推理可验证性以及不同领域专家的复核。S1-Omni 更像是一个整合型平台的开端：它展示了科学智能模型从“单点工具”走向“通用科学推理底座”的可能性。