导语｜WAIC 2026 世界人工智能大会上，中科闻歌磐石 ScienceOne 团队一口气亮出两张王牌：科学多模态统一推理模型 S1-Omni，以及以它为基座、贯穿整个科研生命周期的一站式智能平台 ScienceOne。中科院自动化所牵头技术攻关，中科闻歌主攻大模型训练，目标很明确——让所有科研人员都能拥有一个 24 小时在线的「学术特助」，打通看资讯、定选题、查论文、做实验、写论文、配图、评审的全链路。
左视频已收录 ScienceOne 磐石导航页：ScienceOne 磐石 – 中科院推出的「人工智能+科学」操作系统，五个核心开源项目的详细介绍和上手建议都在里面。
一、S1-Omni 的性能：不只是「超越GPT-5.5」
在最新测试里，S1-Omni 展现出了极其强悍的性能：在全部评测中 95.5% 的任务表现超越 GPT-5.5，83.3% 击败 Gemini-3.1-Pro。这个数字光看比例已经很吓人，但更值得关注的其实是它在垂直科学领域的具体表现。
聚焦到药物研发中极具挑战的 18 项 ADMET（药物毒理及理化性质预测）评估，S1-Omni 表现明显更接近专业 SOTA 模型，其中 6 项指标甚至超越了传统的专用 SOTA 模型，拿到了单项最佳成绩。
这意味着什么？传统的科研 AI 做法是，每个细分方向单独训练一个小模型——药物毒性一个、蛋白质结构一个、材料性能一个——这导致部署和维护成本极高。而 S1-Omni 用一个统一模型同时覆盖多个科学子领域，还拿到了比专用模型更好的单项成绩。这意味着在未来，我们或许不需要再为单项研究单独训练和部署那些繁琐的专用大模型了。
二、实战体验：S1-Omni 是怎么帮科研人员干活的
我们打开了基于 S1-Omni 打造的 ScienceOne 平台，用大白话就可以让 AI 辅助看资讯、定选题、查论文、做实验、成果表达、配图、评审等科研全流程。
场景一：文献调研——阿尔茨海默病早期诊断研究
我们输入了一个真实的科研选题需求：「盘点近 3 年美国在阿尔茨海默病早期诊断生物标志物研究领域的 4 项代表性成果，包括新型血液标志物、影像学标记物等方向。」
如果是人工自己查，我们需要搜索论文和官方公告，了解并区分血液标志物、医学影像和 AI 预测等技术路线，逐一核对研究时间、机构、样本量和关键指标——开几十个网页慢慢摸索，小半天就搭进去了。
ScienceOne 的做法完全不同。它内置了 2000+ Skill、2000+ MCP 插件以及近 300 个专业数据库，可以在对话中智能自主调用最匹配的技能和工具。ScienceOne 先根据需求思考提炼检索关键词，第一轮进行宽泛搜索快速摸清方向，发现线索后再进行二次检索补齐关键信息。
这个过程和科研人员自己做调研很像——先广泛搜索找方向，再顺着线索往下查。最终输出中，每项成果都列出了研究机构、技术方向、关键数据和研究意义，最后还生成了总结表格并附上参考来源。做科研最怕大模型的黑箱操作，ScienceOne 直接用规范的流程、结构化的结果和明确的引用来源解决了这个问题。
据 ScienceOne 官网介绍，平台已聚合 5000 余个科学工具和 294 个专业数据集，覆盖数据处理、模型训练、特征分析等科研环节。面对不同任务，模型可以在对话中选择相应工具，而不需要我们逐个寻找和操作。
场景二：科研配图——一句话生成论文插图
论文写到关键处，往往需要一张高质量的示意图来辅助说明。以前要么自己画（费时），要么找设计师（费钱）。ScienceOne 支持通过自然语言直接生成科研配图。
我们测试了一个化学领域的配图需求：「构建光催化电荷分离与转移动力学模型图，解析激子生成、界面迁移与复合损耗过程，生成中文图片。」
一句话，ScienceOne 就把复杂的光催化过程拆解成了形象的画面，并且附上了能带结构、动力学模型、过程解析和完整的图例说明。对很多不擅长画图的理工科研究者来说，这个功能本身就能省下大量时间。
场景三：投稿前创新评审——7 维度逐项审稿
写完论文后，最让人头疼的就是不知道该怎么优化。创新点够不够突出？实验设计有没有明显缺口？参考文献是不是太陈旧？自己盯着论文看了几十遍，很难发现问题所在。
ScienceOne 的创新评价模块可以帮我们做一次投稿前预审。目前支持两类任务：项目立项/论文开题前的选题评估，以及论文投稿前的质量检查。
我们上传了一篇多目标网络优化领域的未公开论文，要求它严格按照 IEEE Peer Review Process Guidelines（IEEE 同行评审过程指南）进行综合评价。文件上传后，ScienceOne 首先读取了论文和评审标准，判断任务类型后自动调用对应的创新评价 Skill，生成了一套结构化的审查流程。
ScienceOne 像一个挑剔的真实审稿人，从 7 个维度对论文进行逐项检查：原创性、技术正确性、研究相关性、实验验证、论文表达、参考文献和发表标准。最终，这篇测试论文得到了 3.6/4.0 的综合评分，建议为「接收」。
更有用的是后续的各维度详细评价和改进建议。比如原创性、技术正确性和实验验证拿到了满分 4 分，但论文表达、参考文献和发表标准只有 3 分——ScienceOne 直接定位了问题：部分英文专业表达不够准确、引用格式需要统一、理论证明可以补充更多公式细节，且实验部分需要增加更有针对性的 Baseline 对比。评审结果还生成了 HTML 和 Markdown 两种格式，方便后续修改、分享或存档。
当然，AI 给出「接收」并不代表 IEEE 真的会接收。我们可以把它当作投稿前的第一轮体检，帮我们提前发现和规避明显问题。真正涉及创新性判断、实验可靠性和发表决定，仍然需要导师、同行专家和期刊审稿人把关。
三、科学大模型背后的数据底座
ScienceOne 为什么能做出如此深度的创新性评价？因为它背后有巨量的数据支撑。据官网介绍，ScienceOne 汇聚了全球 40 多个国家的 3200 万项科研项目公开信息、70 万份产业研发年报，以及 2.7 亿篇论文与专利。这些海量数据为大模型评估一项工作的先进性与重复性提供了强有力的参考背景。
四、科研头条与个性化订阅
除了主动交互，ScienceOne 还提供了一个科研头条板块，收集了全球的科研新闻和前沿论文，涵盖数理科学、化学、生命科学等多个类目。我们可以根据研究方向订阅特定专题，AI 会根据订阅进行个性化推荐。
以前追踪前沿信息，常见做法是隔一段时间重新搜索关键词。现在通过周报推送和订阅机制，获取前沿信息的方式从被动的关键词检索升级为主动的科研洞察，能省下不少文献追踪的精力。
五、架构设计：统一表示，逻辑先行
ScienceOne 走的是一条极其轻量化的科研 AI 路径。在实际研发流程中，以往需要部署、微调和维护数个完全不同的专用模型，不同模态之间的数据流转换异常繁琐，软硬件的综合维护成本极高。S1-Omni 提供了统一的科学大模型底座，去连接和驱动各种垂直领域解码器，降低了环境部署的复杂度，让跨学科的交叉研究变得更加容易上手。
科研 AI 正在从统计拟合走向逻辑推理——大模型从一个冷冰冰的、只给预测数值的黑盒，变成可以与专业研究员在逻辑和物理常识层面相通的科学助手。这种「统一表示、逻辑先行」的架构设计，或许会成为未来科学大模型研发的范本。
六、左视频导航页
左视频已上线 ScienceOne 磐石的独立导航页（/link/13640.html），覆盖 GitHub 上五个核心开源项目——Agent-Interaction-Protocol（AIP）、AutoThink、DeepLiterature、S1-Agent、DeepSeek-671B-SFT-Guide——的代码结构、适用场景和上手建议。如果你对 S1-Omni 背后的开源组件想深入了解，可以从导航页直接跳转 GitHub 仓库。
我们也深知，科学研究是一个容错率极低、来不得半点马虎的领域。S1-Omni 想要在真实的学术研究中走得更稳、更远，依然离不开开源社区对高质量数据的持续补充，以及广大科研人员在实际场景中对它能力边界的反复测试。感兴趣的科研小伙伴可以直接上手体验——目前 ScienceOne 可免费领取一个月试用体验，兑换邀请码：DH26GYZ1688（数量有限，先到先得）。
本文基于 WAIC 2026 公开资料、「K姐研究社」发布的体验报告及中科闻歌磐石 ScienceOne 官方信息做原创整理。评测数据来源为 ScienceOne 团队公开的 benchmark 结果。