阿里开源首个统一科学大模型LOGOS

科学研究的底层逻辑正在被大模型悄然改写。过去几年，AI在各个细分科学领域虽然屡有突破，但一个尴尬的现实是：模型往往是“专才”，换一个分子、换一个研究环节，就得重新训练一套系统。这种各自为战的局面，终于迎来了一个潜在的破局者。

阿里 ATH-Token Foundry 与中国人民大学高瓴人工智能学院联合推出的 LOGOS——全称 Language Of Generative Objects in Science，正是冲着这个痛点而来。这个被定位为“基于统一科学语法”的多领域基础模型，今天正式开源，并在六大代表性科学任务上，以纯序列建模范式一致性地匹配甚至超越了那些领域专用方法。

LOGOS 在六大任务上展现了出人意料的通用能力。这里的“出人意料”，很大程度上源于它极低的参数量——仅 1B 的模型，就在多个任务上超越了拥有 8×7B 参数的微软 NatureLM。换句话说，参数量只有后者的 1/56，效果却能打平甚至反超。这种参数效率，才是真正值得关注的硬核指标。

那么，LOGOS 是怎么做到的？

首先，它在训练阶段构建了一个庞大的多模态语料库，共计 44.87B token，横跨7类模态——从蛋白质（28.9B token）、抗体（3.0B token）、小分子（2.1B token），到化学反应与 MOF 材料（0.47B token），再到蛋白质口袋（5.8B token）以及蛋白口袋-配体复合物（4.6B token）。这意味着模型在预训练阶段就同时“阅读”了生物、化学、材料三大领域的核心语言。

但存储量大只是一方面。最关键的设计在于，它建立了一套共享词表——把蛋白质序列、小分子 SMILES 结构、材料晶体参数这些原本“鸡同鸭讲”的异构对象，全部编码成统一的离散 Token 序列。这种方案的好处是，所有科学对象可以在同一个生成空间中，被大模型以自回归的方式理解和生成。本质上，它们说的不再是各自的行话，而是同一种“科学语法”。

更妙的是对3D空间互作的处理。传统的做法，要让模型理解蛋白质与小分子如何结合，必须依赖显式的3D坐标和复杂的几何神经网络。而 LOGOS 发明了一种“文字描述法”。它将3D空间的接触模式直接“语法化”为离散 Token，模型根本不需要输入3D坐标。它只需要“读文字”——也就是进行序列预测——就能在内部构建出复杂的3D互作规律。这就好比用自然语言描述一幅立体画，不再需要你拥有立体视觉，描述本身就暗含了空间结构。

传统科学AI存在两个绕不开的障碍：一是“专病专药”，从一个研究环节切换至另一个环节，比如从结构预测换到分子生成，就得换模型、换假设；二是“学用脱节”，预训练目标和实际应用之间隔着一条鸿沟，模型落地时免不了大量微调。 LOGOS 的科学语法设计恰好把这两点同时解决了。

在形式上，预训练数据的序列形式就等于下游任务的输入输出形式；在目标上，预训练阶段的 next-token prediction 与下游的条件生成任务完全对齐。这种 form-objective alignment 意味着，模型在预训练时学什么，下游就用在什么地方，两者之间的 gap 几乎被抹平，复杂的适配层或大量微调也就变得不再必要。

统一语法带来的另一个深层好处是知识共享。举个直观的例子：模型在看到蛋白质的“方言”——比如某个氨基酸口袋序列时，可以直接“翻译”出对应小分子的“方言”，也就是 SMILES 结构。这证明它真的不是在机械对比表面特征，而是在底层学会了两类科学对象之间的对应关系。它掌握了“翻译”能力，而不仅仅是“背诵”。

目前，LOGOS 的模型权重、推理代码与技术报告已经全部开源，访问 HuggingFace、GitHub 或阅读 arXiv 论文即可获取全部资料。如果你正在构思大模型如何科学化落地，这个项目值得仔细推敲一番。