上海科学智能研究院近日推出一款名为“神珍”（Monkey King Bang，MKB）的开放科学多模态基础模型，标志着科学智能领域在统一模型架构上取得重要突破。该模型以约110亿参数规模，首次实现DNA、RNA、蛋白质、小分子、地球系统及医学影像六类科学数据的协同处理，在保持各类数据特性的同时，挖掘跨领域共享规律，为复杂科学问题提供一体化解决方案。
传统科学模型往往针对单一数据类型设计，例如生物序列模型侧重前后依赖关系，气象模型强调时空动态演化，医学影像模型聚焦局部细节特征。这种“专模专用”模式虽在特定领域表现优异，却难以应对跨学科综合任务。神珍模型通过创新架构设计，以Qwen3-VL-8B作为共享主干网络，为六类数据构建独立处理通路，在数据输入阶段即保留原始特征：生物序列维持线性结构，小分子保持原子连接关系，气象场保留空间坐标信息，医学影像完整保留像素级细节。这种“分而治之，合而为一”的策略，使模型既能精准理解各类数据特性，又能通过联合训练提取通用表征。
在生物序列分析领域，神珍在20项基准测试中展现强劲实力，其中9项任务成绩领先参评模型，17项进入前两名。与同量级Biology-Instructions模型相比，其在16项任务中得分更高；面对参数规模达万亿级的Intern-S1-Pro，双方各有10项任务表现更优，证明模型效能不单纯取决于参数规模，更取决于架构设计与训练策略。小分子属性预测方面，模型在SMolInstruct基准的6项任务中4次登顶；气象预报实验显示，其10天滚动预报的位势高度、温度、气压等指标达到业务级数值模型水平；医学影像分割任务中，模型在九种模态、超十万样本的测试集上取得91.20的平均Dice系数，七类影像模态排名第一，其余两类位居次席。
该模型的创新价值不仅体现在性能指标上，更在于其统一架构带来的应用便利性。研究人员无需在多个独立模型间切换，即可通过单一接口完成生物序列生成、小分子结构预测、气象场推演及医学影像分割等任务。模型支持多模态输出，除文本回答外，可直接生成RNA序列、SMILES分子式、全球气象场数据及影像分割掩膜，显著提升科研效率。
为推动模型落地应用，研发团队同步开放模型权重、推理代码、示例脚本及详细文档，并提供完整的配置方案支持本地部署。研究人员既可通过星河启智科学智能平台下载模型或调用API，与平台内1500余个科学工具组合使用，也可在Hugging Face获取权重文件、在GitHub下载代码示例。这种全链条开放策略，为模型验证、二次开发及跨领域应用奠定基础。
据悉，神珍模型将作为系统级科研智能体“大圣”的核心组件，持续吸收研究者反馈进行迭代优化。其命名灵感源自《西游记》中可随心意变化的神兵“天河定底神珍铁”，寓意模型以精简架构承载多元功能，通过开放共建机制凝聚科研社区力量，共同探索科学智能的边界与可能。
