На форуме WAIC2026 CEO компании «Сайсы Цзисянь» Сюй Нань представил технические достижения модели «磐石2.0». Это «универсально-специализированный» научный базовый модель — она объединяет общие знания и профессиональные научные способности. Модель решает сложные научные и инженерные задачи.
Сюй Нань отметил, что сейчас в области AI for Science есть три основных подхода к созданию базовых моделей:
* специализированные модели (например, AlphaFold, ESM), ориентированные на конкретные задачи;
* усиление общих больших моделей с помощью интеллектуальных агентов и исследовательских инструментов;
* доменные языковые модели, которые переводят научные объекты (белки, ДНК) в единое языковое пространство.
«磐石2.0» предлагает четвёртый подход — «универсально-специализированный»: модель перестраивает свою архитектуру, объединяя общие и специализированные способности. Её базовая модель ScienceOne-Omni имеет трёхслойную структуру:
1. Единое кодирование разных типов научных данных (текст, кристаллические структуры, химические формулы, белки, спектры, изображения).
2. Включение научных закономерностей и опыта экспертов в обучение модели — это повышает логичность и объяснимость рассуждений.
3. Специализированное декодирование для разных задач — модель может понимать научные данные, делать выводы, предсказывать свойства и генерировать структуры.
Команда «磐石» вместе с институтами Китайской академии наук собрала 8 млн высококачественных данных для научных рассуждений — они охватывают более 200 исследовательских задач. В более чем 60 профессиональных оценках «磐石2.0» во многих задачах превзошла такие модели, как Gemini-3.1 Pro и GPT-5.5. В частности, модель лидирует в предсказании химических свойств, преобразовании спектров в молекулярные структуры, предсказании сайтов связывания белков.
Примеры практического применения:
* В области спектральных данных ScienceOne-Omni может распознавать характерные пики на спектрах, определять функциональные группы, связывать спектры и выводить структуру молекулы.
* В химии и материаловедении модель изучает связь между кристаллической структурой, симметрией, молекулярной формой, электронной структурой и свойствами материала. Она поддерживает 48 сценариев, включая квантовую химию, молекулярную физику, ADMET-исследования лекарств и отбор материалов.
* В структурной биологии модель анализирует последовательности белков, предсказывает сайты связывания для белков, ДНК, антител и антигенов и достигает лучших результатов на открытых наборах данных.
* Для научных изображений модель использует подход «сначала размышление, потом генерация» — она понимает, генерирует и редактирует изображения, лидируя в сегментации, переводе и повышении разрешения.
Модель уже используется в десятках научных организаций. Например, в механике команда «磐石» совместно с Институтом механики Китайской академии наук разработала программное обеспечение для высокопроизводительных вычислений потоков — оно выдаёт результаты за 10 секунд с погрешностью не более 5%. В материаловедении совместно с Шанхайским институтом силикатов команда создала интеллектуальный агент для создания катализаторов: время проектирования материалов сократилось с нескольких месяцев до 30 минут, активность катализатора выросла на 38%. Также «磐石» сотрудничает с Китайским университетом науки и технологий — там система на базе модели самостоятельно разбивает задачи, координирует поиск литературы, проектирование экспериментов, работу оборудования, моделирование и оптимизацию. Система провела 462 синтеза и миллионы виртуальных отборов — около 40% из 20 лучших материалов оказались лучше исходных.
Кроме того, «磐石» совместно с «中科闻歌» создала единую исследовательскую интеллектуальную платформу ScienceOne.ai. Сейчас она поддерживает более 2000 MCP и включает свыше 3000 повторно используемых исследовательских навыков. Исследователи могут быстро собирать нужные интеллектуальные агенты и получать поддержку на всех этапах — от поиска знаний до проектирования экспериментов.
Подписаться в Макс
