在近期举行的世界人工智能大会上，中科闻歌磐石 ScienceOne 团队重磅发布了两项核心产品：
面向科学场景、实现深度理解、预测与生成的科学多模态统一推理模型 ——
S1-Omni
；
以 S1-Omni 为基座、覆盖整个科研生命周期的智能化服务平台 ——
ScienceOne
。
从事科研工作的朋友们每天都要面对海量新论文，实验方向需要反复试错，不同工具之间频繁切换，好不容易得出结果，写论文、补充引用、调整格式又要耗费大量精力。这些难题，几乎每位科研人员都深有体会。
中科院自动化所牵头了磐石 2.0（S1-Omni）的技术攻关，中科闻歌则主导大模型训练，将各项能力落地到 ScienceOne 科研智能平台，让 AI 大模型真正融入科研工作流，使每一位科研工作者都能拥有一个全天候在线的学术助理。
在最新一轮评测中，S1-Omni 展现了极为强劲的性能：
在所有测试任务中，95.5% 的任务表现超越 GPT-5.5，83.3% 击败了 Gemini-3.1-Pro
。
聚焦于药物研发中极具挑战性的 18 项 ADMET（药物毒理及理化性质预测）评估，
S1-Omni 表现明显趋近于专业 SOTA 模型，
其中 6 项指标甚至超越了传统专用 SOTA 模型，取得了单项最佳成绩
。
▲ S1‑Omni 与 GPT‑5.5、Gemini‑3.1‑Pro 及专业 SOTA 的 ADMET 成绩对比。蓝色粗体为单项最佳，下划线为次佳。
这意味着，未来我们或许不再需要为每项研究单独训练和部署繁琐的专用大模型。
拥有中科院背景、在 WAIC 首发、综合测评表现领先，听起来确实令人振奋。那么，在实际的日常科研场景中，S1-Omni 究竟表现如何？今天我们就来亲身体验一下，S1-Omni 是如何协助科研人员高效工作的。
01. S1‑Omni 怎么做科研
我们打开基于 S1-Omni 构建的 ScienceOne 平台，通过自然语言就能让 AI 辅助我们浏览资讯、确定选题、检索论文、开展实验、表达成果、制作配图、进行评审等。
深度研究一个课题
我们输入一个自己感兴趣的课题：
提示词：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。
如果是人工自行查询，我们需要搜索论文和官方公告，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、样本和关键指标，打开几十个网页慢慢摸索。
ScienceOne 内置了 2000+ Skill、2000+ MCP 插件以及近 300 个专业数据库
，能够在对话中智能自主调用最匹配的技能和工具来完成科研任务。
ScienceOne 首先根据我们的需求，思考并提炼检索关键词。
第一轮进行宽泛搜索，快速摸清整体方向。发现线索之后，再进行第二轮检索，补齐关键信息。
这个过程与我们自己做调研非常相似：先广泛搜索定位方向，再顺着线索深入查找。
我们一起来看看 ScienceOne 的回复：
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，并附上了参考来源。
做科研最怕遇到黑箱操作，ScienceOne 直接采用规范的流程、结构化的结果和明确的引用来源，大大节省了我们的精力。
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，模型可以在对话中自动选择相应工具，无需我们逐一寻找和操作。
AI 配图
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。我们可以让 ScienceOne 通过自然语言生成科研配图。
提示词：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 就将复杂的光催化过程拆解为形象的画面，并附带了能带结构、动力学模型、过程解析，甚至提供了图例说明。
AI 评审
写完论文后，最让人头疼的就是不知道该如何优化。创新点是否足够突出？实验设计是否存在明显缺口？参考文献是否过于陈旧？自己反复阅读论文几十遍，往往很难发现问题。
ScienceOne 的创新评价功能，可以帮助我们先进行一轮投稿前预审。
目前支持两类任务：一类是项目立项、论文开题前的选题评估；另一类是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，并同时附上了论文附件，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，自动调用了对应的创新评价 Skill，并生成了一套结构化的审查流程。
ScienceOne 像一位挑剔的真实审稿人，从 7 个维度对论文逐项检查：
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，这篇测试论文获得了 3.6/4.0 的综合评分，建议为接收。
更有价值的是后续的各维度详细评价和改进建议。
例如，ScienceOne 指出这篇论文的原创性、技术正确性和实验验证获得了 4 分；但论文表达、参考文献和发表标准只有 3 分。ScienceOne 直接定位了问题所在：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，并且实验部分需要增加更有针对性的 Baseline 对比。
ScienceOne 还将评审结果生成了 HTML 和 Markdown 两种格式，方便后续修改、分享或存档。
ScienceOne 为何能够做出如此深度的先进性与创新性评价？
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。
当然，AI 给出的“接收”建议并不意味着 IEEE 真的会接收。我们可以把它当作投稿前的第一轮体检，帮助我们提前发现并规避明显问题。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。
追踪全球科研头条
除了主动交互，ScienceOne 还提供了一个
科研头条板块
，这里汇集了全球科研新闻和前沿论文，涵盖数理科学、化学、生命科学等众多类别。
我们可以根据自己的研究方向订阅特定专题，AI 会根据订阅内容进行个性化推荐。
以前追踪前沿信息，常见做法是每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，我们获取前沿信息的方式从被动的关键词检索，升级为了
主动的科研洞察
，能够帮助我们节省不少文献追踪的精力。
02. 一些分享
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、只给出预测数值的黑盒，转变为能够与专业研究员在逻辑和物理常识层面相通的科学助手。
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，以往我们需要部署、微调和维护多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，用于连接和驱动各种垂直领域解码器。这降低了环境部署的复杂度，使跨学科的交叉研究变得更加容易上手。
这种统一表示、逻辑先行的架构设计，有望成为未来科学大模型研发的范本。
我们也深知，科学研究是一个容错率极低、不容半点马虎的领域。S1-Omni 要想在真实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其能力边界的反复测试。
