科学领域语言模型与多模态基础模型

数据库第 17 类收录 27 个模型（编号 188–214）。它们用科学文献、专业知识、科学数据或科研任务训练，处理的是科学文本和科学数据：有的偏研究规划，有的偏化学推理，有的擅长材料结构、科学图像或分子表示。全章用“CO₂ 在 MOF 中的吸附”作为贯穿例子。

一、这一类模型是什么

它们是经过科学领域训练的大语言模型，或者能同时处理科学文本与其他科学数据的多模态模型。通用语言模型主要学习网页、书籍、代码等文本；科学领域模型会进一步强调：

• 科学论文和教材；
• 化学反应与分子结构；
• 材料结构及性质数据；
• 物理、化学、生物等学科的问题与解答；
• 科研推理、实验规划和科学工作流；
• 部分模型还学习图像、光谱、晶体结构等数据。

二、典型科研流程

这些模型可能参与下面流程中的若干环节：

1. 提出研究问题；
2. 检索和理解文献；
3. 分析已有知识与实验结果；
4. 提出假设；
5. 设计计算或实验方案；
6. 生成代码、输入文件或候选结构；
7. 借助外部程序执行；
8. 整理结果，提出下一步问题。

不同模型覆盖的环节不同。一个模型能生成分子结构，不表示它也擅长规划完整研究；能提出计算方案，也不表示它已经连上了实际的计算程序。

三、与 Hydrogen-1.0 的关系

Hydrogen-1.0 是这一类中的一个具体成员。据其模型卡和技术博客，它由深度原理（Deep Principle）在 GLM-5.3 的基础上，用化学、材料科学和生命科学的领域数据，加上实验室记录与发现轨迹做后训练（监督微调加强化学习），定位是科学问题求解与科研辅助。这一类模型按主要用途可以这样分：

• 科学领域语言模型与多模态基础模型
  • 跨学科科学推理与科研辅助：Hydrogen-1.0、Intern-S1 / Intern-S1-Pro / Intern-S2、S1-Base、S1-DeepResearch、SciReasoner、SciDFM、SciGLM、Galactica
  • 化学语言模型与化学推理：ChemDFM / ChemDFM-R、Chem-R、ether0、ChemLLM、ECNU-ChemGPT、LlaSMol、MolReasoner
  • 材料与 MOF 领域模型：MOFReasoner、LLaMat、MechGPT
  • 多模态科学模型：S1-VL-32B、S1-Omni、ChemMLLM（Intern-S 系列也属于这一方向）
  • 科研假设与文献：MOOSE-Star（科研假设）、OpenScholar（文献检索与综合）
  • 相关模型，偏科学对象生成：NatureLM、ChemFM

这是按主要用途划分的概念分类，同一个模型可以同时属于多个方向。例如 Intern-S1 既是跨学科科学模型，也是多模态模型。

四、跨学科科学推理与科研辅助

Hydrogen-1.0（188）

目标是协助处理开放性的科学问题：分解研究目标，讨论实验或计算方案，协助编写科学代码，解释结果并提出后续问题。技术博客展示的科学计算、反应网络探索、NMR 结构分析和实验规划案例，都把模型和外部工具、具体研究环境结合在一起，所以模型本身和接入工具后的科研系统要分开理解。在 CO₂-MOF 的例子里，它适合讨论研究方案，检查 UMA、ORCA、PySCF 或 Quantum ESPRESSO 的输入和输出。限制：生成的方案和代码都要验证；模型权重本身不带任何电脑、GPU 或云平台的权限。模型卡列出约 753B 总参数，官方部署示例用 SGLang 在 8 张 GPU 上做张量并行，另有面向 NVIDIA Blackwell 的 NVFP4 和面向 AMD MI350X/MI355X 的 MXFP4 量化版本。

Intern-S1、Intern-S1-Pro 与 Intern-S2（189–191）

上海人工智能实验室的系列。Intern-S1（2025）在 235B 的 MoE 语言模型（Qwen3）和 6B 视觉编码器（InternViT）上，继续预训练了 5 万亿 token 的多模态数据，其中科学领域数据超过 2.5 万亿 token；它的动态分词器可以直接读分子式和蛋白序列。Intern-S1-mini 由 8B 稠密语言模型（Qwen3）和 0.3B 视觉编码器组成。Intern-S1-Pro（2026）扩展到约一万亿参数。Intern-S2 系列（2026，先后发布 35B 预览版、397B 预览版和 397B 正式版）直接从科学文献的原始页面做视觉预训练，在 20 多个领域上做强化学习，并加强长流程智能体任务。官方代码仓库 InternLM/Intern-S1 同时介绍 S1 和 S2。

多模态让它们比纯文本模型多一种用法：把含有论文图表、材料结构图或化学示意图的问题交给它们，再和 Hydrogen-1.0 的回答对比。能看图不代表能可靠读出所有坐标、图例或实验条件，最终数据仍应回到原论文和原始数据核对。

ScienceOne：S1-Base 与 S1-DeepResearch（192–193）

ScienceOne（磐石）是中国科学院磐石团队的科学模型与工具系列，不是单个模型。S1-Base 学习数学、物理、化学、地球科学、天文和生物六门基础学科的理论、定律和专业知识；8B、32B 分别基于 Qwen3-8B、Qwen3-32B，671B 基于 DeepSeek-R1。S1-DeepResearch 面向较长的研究任务，32B 版以 Qwen3-32B 为基座，强调深度研究指令遵循、调研报告写作、文件理解与生成和技能调用；官方案例里，它先调用 pymatgen 技能补充专业知识，再用 pymatgen 完成材料建模并输出 CIF 文件。同系列的 S1-VL 和 S1-Omni 放在下面的多模态一节。

SciReasoner（194）

上海人工智能实验室等在 2025 年公开的跨学科科学推理模型。技术报告说明：它先在 2060 亿 token 的语料（科学文本、纯序列和序列—文本对）上预训练，再用 4000 万条指令做监督微调，然后用长思维链冷启动和带任务奖励的强化学习对齐。重点是把自然语言与不同的科学表示对齐，例如分子表示、蛋白质序列、科学性质预测和分类任务：让模型处理科学问题里真正使用的数据表示，而不只是谈论科学。论文提供 SciReasoner-8B 权重。

SciDFM、SciGLM 与 Galactica（195–197）

SciDFM（2024）是上海交通大学 X-LANCE 实验室与苏州实验室从头训练的混合专家模型。名称里的 A5.6B 指每个 token 激活约 5.6B 参数，全部权重约 18.5B，两者不能混为一谈。SciGLM（2024）用自我反思的标注框架生成科学指令数据 SciInstruct，增强数学、物理、化学和形式证明（Lean）的推理。Galactica 是 Meta 在 2022 年公开的早期科学语言模型，在 1060 亿 token 的开放获取科学文本和数据上训练。它对理解这一领域的发展历史很重要，但年代较早；官方模型卡提醒语言模型可能出现幻觉，不建议不加防护地用于生产。

五、化学语言模型与化学推理

ChemDFM 与 ChemDFM-R（198）

ChemDFM 是上海交通大学与苏州实验室的化学对话基础模型系列（2024 年公开，2025 年发表于 Cell Reports Physical Science）。ChemDFM-R（2025，14B）把分子和反应中的官能团等“原子化化学知识”作为连接结构与性质、反应性的中间环节来训练化学推理。它适合测试专业化学概念、反应与分子结构分析、逐步的化学问题推理，以及对计算方案的初步讨论，可以作为化学知识的对照模型。但“会化学问答”推不出“能正确处理周期性 MOF 的电子结构计算”。

Chem-R（199）

Chem-R（2025，KDD 2026）由上海人工智能实验室、复旦大学等团队开发，分三个阶段训练：化学基础训练、化学推理协议蒸馏、多任务 GRPO 强化学习，覆盖分子和反应层面的任务。权重与许可的核实结果：官方代码仓库采用 Apache-2.0；权重 Chem-R-8B 在 Hugging Face 公开，基座是 Llama-3.1-8B-Instruct，登录后申请访问（自动通过），仓库标注 Apache-2.0。值得和 ChemDFM-R、ether0 放在一起比较。

ether0（200）

FutureHouse 在 2025 年推出的 24B 化学推理模型，基于 Mistral-Small-24B。它用强化学习在 64 万余道有实验依据的化学题上训练，涵盖 375 类任务（从可合成性、血脑屏障通透性到人体受体活性和气味），能用自然语言推理并以 SMILES 给出分子结构。“设计一个满足若干结构条件的分子并输出 SMILES”这类问题，比制定整个 MOF 研究计划更接近它的主要展示方向。

ChemLLM 与 ECNU-ChemGPT（201–202）

ChemLLM（2024）是上海人工智能实验室基于 InternLM2 训练的较早的化学对话模型，面向化学与分子科学问答。ECNU-ChemGPT 是华东师范大学的化学模型套件，包括化学知识问答（ChemGPT2-QA-72B，在 Qwen2-72B-Instruct 上微调，权重 2024 年上线）和逆合成预测，相关论文 2025 年公开。对周期性 MOF 的吸附问题，不能只凭“化学专用”的标签判断它们是否适用。

LlaSMol 与 MolReasoner（203–204）

这两个更强调化学对象本身。LlaSMol（2024，COLM 2024）由俄亥俄州立大学开发，用包含 14 项任务、300 多万条样本的指令数据集 SMolInstruct 微调多个开源模型；任务分为名称转换（IUPAC 名、分子式与 SMILES 互转）、性质预测、分子描述和化学反应四类，论文发现 Mistral 是其中最合适的基座。MolReasoner（2025）先用知识增强的思维链数据做监督微调，再用任务自适应奖励的强化学习减少结构和文字幻觉，在分子生成和分子描述任务上评测。它们偏分子级任务，不宜只根据分子生成表现判断科研规划能力。化学多模态模型 ChemMLLM 放在第七节。

六、材料科学与 MOF 领域模型

MOFReasoner（205）

以 MOF 吸附为重点，用 8200 余篇研究论文和 500 篇综述构建领域思维链数据，再把 DeepSeek-V3、Qwen-Turbo、DeepSeek-R1 等大模型的能力蒸馏到较小的模型里。论文 2026 年发表于 Digital Discovery（开放获取）。可以用它讨论：MOF 孔道与吸附质的关系；孔径、表面化学环境和吸附位点；金属节点、官能团与吸附行为；怎样设计值得验证的研究假设。名称提醒：它的权重仓库目前叫 ChemReasoner-7B，模型卡写明项目将改名为 MOFReasoner；它和 arXiv 2402.10980 的 ChemReasoner 不是同一个项目。模型卡的部署示例用 2 张 GPU。它适合提出或整理 MOF 吸附相关的假设；需要精确的吸附能、选择性或吸附量时，仍要调用相应的模型或计算程序，并检查方法和参考数据。

LLaMat（206）

印度理工学院德里分校等团队在材料文献和晶体学数据上继续预训练 LLaMA 得到的材料模型系列（2024），有基于 Llama 2 和 Llama 3 的对话版，以及生成晶体结构的 LLaMat-CIF。论文报告它在材料领域的文本处理和从文本、表格中抽取结构化信息上表现突出，CIF 版能生成覆盖周期表的稳定晶体；论文还发现，LLaMat-2 在多项材料任务上反而比 LLaMat-3 更好。它可以作为“材料领域模型”和“化学领域模型”之间的对照。

MechGPT（207）

MIT 的 Markus Buehler 用微调的大语言模型连接力学、材料失效和多尺度建模知识（2023 年预印本，2024 年发表于 Applied Mechanics Reviews）。对 MOF 吸附能，它不一定是最直接的选择；研究涉及 MOF 的结构稳定性、受力变形、力学性质或多尺度材料问题时，它更值得参考。没有找到官方公开的权重，本站标为“仅论文”。

七、多模态科学模型：不只处理文字

科学中的模态可能包括文字、化学结构图、光谱图、显微图、分子或蛋白质序列、晶体结构文件、时间序列等。多模态不等于能处理所有格式，必须看具体模型支持的输入和输出。

S1-VL-32B（208）

中国科学院磐石团队基于 Qwen3-VL-32B 的科学多模态推理模型，支持两种推理方式：一种是结构化思维链的科学推理；另一种是“以图思考”，在接入代码执行环境时，推理过程中生成并运行代码，对图像做裁剪、放大、增强、标框或标点，再继续分析。例如交给它一张论文里的吸附等温线图，让它识别曲线、图例和坐标轴，再概括作者比较了哪些材料。真正使用数据时应查论文的表格、补充材料或原始数据，因为图像识别可能读错单位、曲线颜色或坐标轴。

S1-Omni（209）

磐石团队的统一科学多模态推理模型：共享的主干负责跨学科、跨模态的理解与推理，再按任务接到各领域的专用解码器，输出可验证的结果。输入可以是自然语言指令和材料 CIF、化学 SMILES、蛋白序列、光谱、科学图像等科学对象。使用前要逐项检查具体版本、接口或推理代码是否真的支持手头的文件和目标任务。

ChemMLLM（210）

上海人工智能实验室、中国科学技术大学等的化学多模态大模型（2025），在文本、SMILES 和分子图像之间设计了五类理解与生成任务，能力延伸到生成分子图像。官方代码仓库目前没有公开权重和许可证，本站标为“仅论文”。

八、科研假设与文献

MOOSE-Star（211）

研究如何从已有研究背景中检索启发，再组合成新的科学假设（ICML 2026）。它不是单一的聊天模型，而是一套训练框架和三个 7B 模型：灵感检索（IR）模型、假设组合（HC）模型，以及二者合一的多任务模型，都基于 DeepSeek-R1-Distill-Qwen-7B。公开的训练与评测数据 TOMATO-Star 来自拆解后的生物医学论文，所以不能因为它会生成假设，就假定它已经针对 MOF 吸附验证过。

OpenScholar（212）

华盛顿大学、艾伦人工智能研究所等开发的检索增强语言模型：先从 4500 万篇开放获取论文中找出相关段落，再生成带引用的综合回答（2024 年预印本，2026 年发表于 Nature）。它适合回答“开放金属位点如何影响 MOF 对 CO₂ 的吸附？请列出证据来源”这类问题。即使给出了引用，也应点开原文检查：论文是否真的支持结论，研究对象是否相同，结果有没有适用条件。

九、相关模型：NatureLM 与 ChemFM 为什么单列

NatureLM 由 Microsoft Research AI for Science 发布，预训练数据包括文本、SMILES 表示的小分子、FASTA 格式的蛋白质、DNA 和 RNA，以及用化学组成和空间群表示的材料，重点是按自然语言指令生成或优化科学对象、做跨领域设计。模型卡写明它不是通用语言模型，没有针对文本摘要或问答做优化；还说明训练语料里无机数据只有约 2000 万 token（总计 1430 亿 token），因此在无机相关任务上的表现受限。ChemFM 在 UniChem 的 1.78 亿个分子上做自监督预训练（3B 参数），可以微调到性质预测、条件分子生成和反应预测。它们和 Hydrogen-1.0 的研究辅助定位有交集，但分工不同：

• Hydrogen-1.0、S1-Base 等：理解自然语言的科学问题，协助推理和研究任务；
• ChemFM、NatureLM 的部分任务：生成或预测分子、材料等科学对象；
• UMA、MACE：预测原子体系的能量和力等性质（见本站模型接口）；
• PySCF、ORCA、Quantum ESPRESSO：按指定的理论和数值设置执行科学计算。

它们可以在同一研究流程中协作，但输入、输出和职责不同。

十、它们通常是怎样训练出来的

1. 从通用语言模型出发；
2. 加入科学文献、教材和科学数据，做科学领域的继续训练；
3. 用科研问答、推理过程或任务指令训练；
4. 部分模型再做强化学习或其他后训练；
5. 得到面向科学问题的模型。

常见方法：

• 领域继续训练：用领域文献继续预训练，例如从材料文献中学习“晶格常数”“吸附位点”等术语和上下文。LLaMat、Intern-S1 用了这一步。
• 指令微调：用“问题—回答”或“任务—解决方案”的示例训练。例如“比较两种 DFT 泛函用于弱相互作用时，应检查哪些问题？”，好的回答应讨论色散校正、基组、收敛和基准验证。SciGLM、LlaSMol 属于这一类。
• 推理训练：用多步骤的问题和解题过程训练，例如：确认体系 → 判断是否周期性 → 确认电荷和自旋 → 选择计算方法 → 检查收敛 → 分析结果。Chem-R 的推理协议蒸馏、MOFReasoner 的思维链数据属于这一类，ether0、Chem-R、SciReasoner 等还在其后做了强化学习。
• 多模态训练：把文字与科学图像、分子表示、结构数据一起训练，例如 Intern-S1、S1-VL、ChemMLLM。
• 工具和智能体训练：用科研工作流或工具调用的轨迹训练，让模型更会判断什么时候检索、写代码或调用工具，例如 S1-DeepResearch、Intern-S2，以及 Hydrogen-1.0 的发现轨迹训练。

十一、性能应该怎样比较

不能把这些模型简单排成一个绝对名次，因为任务不同：MOFReasoner 针对 MOF 吸附知识，ether0 关注分子结构，S1-VL 涉及科学图像，OpenScholar 偏文献检索和综合，Hydrogen-1.0 和 Intern-S 系列覆盖更广的科研问题。比较时先确定任务，再选评价方式：

一个具体例子：MolecularIQ

MolecularIQ（Bartmann 等，2026，arXiv 2601.15279）只考察能用符号方法验证的分子结构推理任务，分为计数、索引和按约束生成三类。同一篇论文、同一套评测下，三个化学模型的总体准确率如下（论文表 C1）：

同一张表里，有些通用模型的分数更高，例如 Qwen-3 32B 为 15.6% ± 0.4%。

另一项化学基准研究 CHEMSETS（2025，NeurIPS 2025 页面）在统一、可复现的设置下比较化学推理模型，结论是：现有化学专用模型在训练过的任务之外泛化有限；在其测试的化学任务上，近期的开放权重通用推理模型整体超过了化学专用模型。所以“是否专门为化学训练”不能单独决定一个模型是否更好，要看具体版本、题目、工具使用情况和评测设置。

十二、共同限制

• 会生成听起来合理但不正确的解释。一项针对化学推理模型的研究（Li 等，2026，arXiv 2607.20935）检查了四个推理模型家族、十二项化学任务，发现幻觉很普遍，而且和答案对错基本无关：最终答案正确时，推理过程里也常有分子中并不存在的结构描述。推理过程也并非毫无作用，作者把它比作一张容易出错的“分子草稿纸”，例如扰动 Chem-R 推理中的 SMILES 草稿会让生成结果变差。结论是：解释写得完整，不代表解释在科学上正确。
• 专业训练不保证覆盖具体体系。学过很多有机化学资料，不代表熟悉过渡金属的多种自旋态、周期性体系中的开放金属位点、MOF 中的电荷状态、特定 DFT 泛函与色散校正，或某个 UMA 任务的训练范围。
• 会混淆不同层次的结果。例如把吸附能、吸附焓、吉布斯自由能、实验吸附量和 CO₂/N₂ 选择性混成同一个指标。
• “开放权重”不等于适合手头的硬件。它不保证单张显卡放得下，不保证有现成的在线服务，不保证商业使用没有限制，也不保证训练数据、代码和流程全部公开。例如 Hydrogen-1.0 模型卡列出约 753B 总参数，官方部署示例用 8 张 GPU，和 7B、8B 模型的部署难度不能直接相比；它的完整训练数据和训练配方也没有随权重公开。

十三、放进计算化学研究：以 CO₂ 在 MOF 中的吸附为例

1. 科学语言模型协助提出问题。例如问 Hydrogen-1.0、Intern-S 系列或 MOFReasoner：“对三个已有晶体结构的 MOF，怎样在一致的条件下比较 CO₂ 与框架的相互作用？”它们可以帮忙列出结构来源、吸附位点、初始构型、模型和计算方法、能量定义（例如 E_ads = E(MOF+CO₂) − E(MOF) − E(CO₂)，负值表示结合放能）、数据记录方式和验证计划。
2. 专业程序负责实际计算。ASE 负责结构读写和计算流程；UMA 或 MACE 在适用条件下预测能量和力（本站模型接口提供这类模型的在线计算）；Quantum ESPRESSO 做周期性 DFT；ORCA、PySCF 做分子或簇模型的电子结构计算；需要吸附量或选择性时，再考虑合适的统计力学方法和软件。
3. 科学模型协助检查结果：是否收敛；能量单位是否一致；吸附前后的原子组成是否匹配；有没有异常短的原子间距；不同计算的能量参考能否相互比较；哪些候选值得进一步验证。
4. 研究者和计算结果共同决定结论。模型可以提示“这个吸附能异常地负，可能要检查几何结构、参考能量和模型的适用范围”，但这是一个需要检验的假设，最终仍要回到结构文件、日志、计算设置和独立的验证结果。

十四、按用途选择（不是性能名次）

值得先做的一项比较：把同一份 CO₂-MOF 任务分别交给 Hydrogen-1.0、Intern-S 系列和 MOFReasoner。前两者覆盖较广的科学任务，后者更贴近 MOF 领域。再用同一套标准检查它们能否正确区分研究目标、计算方法、能量定义和验证步骤。