
十种科研数据读进同一空间:书生 Sage 在 MLE-bench Lite 拿到 90.3
书生 Sage S2.1 Flash 用统一表示架构把分子图、晶体结构、蛋白序列等十多种科研数据编码进语言模型嵌入空间,15 项评测中 4 项第一 7 项第二,代码与权重 MIT。
相关标签
一张分子式截图、一段蛋白质序列、一个晶格参数表——现在的做法是把它们画成图,再让视觉模型去”看”。上海人工智能实验室的 Sage S2.1 Flash 换了条路:先把这些科研数据编码成结构表示,再投进语言模型的嵌入空间,让模型直接”读结构”。
它是做什么的
Sage S2.1 Flash 是书生(InternLM)团队的科研多模态模型,面向”需要多轮分析与验证”的研究任务。输入是自然语言指令加科研数据,输出是分析结论、预测/分类结果、位点定位、定量分析或结构推断;中间它能调专用软件跑分析,拿中间输出和可视化反馈核对,再决定下一步怎么走。
支持的科学输入超过十种,模型卡点名的是分子图、晶体结构、蛋白质序列与 3D 结构。实现靠 Sage SciPerception 的统一表示架构:每类输入由各自的科学编码器编码,再用可训练的 projector 投影到语言模型的输入嵌入空间,与自然语言指令一起推理。这样保留下来的不只是”图长什么样”,还有原始数据的结构信息与局部信息——对材料性质预测、序列分类、位点定位这类任务,这两点恰恰是画成图片后最容易丢掉的东西。
能力落在哪些榜上
模型卡列了 15 个 benchmark、6 个模型的对比,Sage S2.1 Flash 在其中 4 项第一、7 项第二。第一的四项分别是:
- MLE-bench Lite 90.3,排在 DeepSeek-V4.1-Flash-1017(89.2)之前;
- OfficeQA Pro 72.2(对照:GLM-5.3-Flash 64.7、DeepSeek-V4.1-Flash-1017 69.7);
- Harvey LAB 25.0,这一项差距最大——DeepSeek 11.7、GPT-5.6 Sol 5.0;
- SpreadsheetBench 2 37.1,压过 Claude Opus 5 的 33.6。
第二的七项覆盖工具使用与执行类:AutomationBench 56.7、ALE-CLI 32.4、BFCL V4 75.5、WebArena-Verified 67.6、DeepResearch Bench II 54.2、JobBench 58.8、OSWorld-Verified 85.2(这一项它反超了 DeepSeek 的 78.5)。
编码类基准则不是它的强项:Terminal-Bench 2.1 得 87.9(Claude Opus 5 为 90.2、Qwen3.8-Max 89.6),SWE-bench Pro 60.6(Claude Opus 5 76.5),NL2Repo-Bench 57.2(Claude 79.9)。这和它的定位一致:科研分析 + 办公文档 + 工具执行三头并进,但不是纯粹的代码 Agent。
值得一提的是 PostTrainBench 39.2 与 PaperBench 88.0 也在表里——前者测的是”能不能把模型训好”,后者测”能不能复现论文”,恰好是科研场景里最难外包给通用模型的两件事。
怎么接进自己的流水线
部署分两条路。通用任务(编码、办公、安全、computer use)按仓库里的 deployment guide 走;科研数据则需要单独处理 projector:
- 从模型仓库下载
projectors/sage-s2.1-flash/**,再从Sage-SciPerception仓库取load_projector.py与modeling_projector.py; - 客户端按对应任务的输入协议抽特征,跑 projector(晶体任务可以先用
load_projector(...cif/jarvis...)在 CPU 上验证能否加载); - 把 projector 输出与文本 token embedding 拼成完整 prompt 序列,发给开了
--enable-prompt-embeds的 vLLM,走/v1/completions的prompt_embeds。
各任务的输入格式写在 config.json 里,Sage-SciPerception 的推理指南给了一个完整的 CIF 客户端示例。官方另发 FP8 版本,长跑批量实验更划算。
谁该看这条
做材料、化学、生物、药物方向,且已经有自建推理管线的团队。它的价值不在”能聊科研”,而在模型卡里那句”preserve structural and local information”——性质预测、位点定位、结构推断都依赖原子级的位置关系,这正是截图式输入的死穴。反过来,如果需求只是通用问答或写代码,它的性价比不如专门的编码模型。
许可是 MIT,代码与权重都能商用改改;这点在科研模型里不算常见。
更多资讯
想看更多优质内容?
浏览所有资讯