企业官网建设流程全解析

这项由中国科学院主导、联合问格人工智能共同研发的成果，以预印本形式于2026年7月发布在arXiv平台，论文编号为arXiv:2607.15686v1，有兴趣深入了解技术细节的读者可直接通过该编号检索完整论文。

---

一直以来，科学研究有个令人头疼的老问题：每个领域都有自己的"专家"，他们各自精通一块，但彼此之间几乎无法对话。研究蛋白质的不懂材料，研究光谱的不懂基因，研究医学影像的又是另一套体系。这就像一家医院里，骨科医生永远不和心内科医生共用病历本——效率极低，而且很容易遗漏重要信息。

人工智能领域也长期面临同样的困境。过去几年里，AI在科学研究上的进步走的是"专科化"路线：有专门看蛋白质折叠的AlphaFold，有专门做分子生成的模型，有专门处理医学图像的工具。这些模型各自精通自己的一亩三分地，但你没法拿一个问题同时问所有人，更没法让它们用一个统一的"科学大脑"来思考。

中国科学院的研究团队决定打破这堵墙。他们构建了一个叫做**S1-Omni**的统一多模态科学推理模型，目标是让一个AI同时承担起材料科学家、化学家、生物学家、医学影像分析师的职责——不是靠外挂各种工具，而是真正在一个统一的"大脑"里完成科学理解、预测和生成。

模型在覆盖200个科学任务的S1-Omni-Corpus数据集上训练，该数据集包含数百万条高质量科学推理样本，评测横跨超过60个科学基准测试。在绝大多数测试中，S1-Omni超越了GPT-5.5和Gemini-3.1-Pro，并在若干专项任务上追平甚至超越了专门训练的领域模型。

---

一、科学AI的碎片化困境：为什么"专科医生"不够用？

假设你是一名药物研发科学家，某天你想搞清楚一个新化合物是否有潜力成为药物候选分子。你需要先预测它的物理化学性质（能不能溶于水？稳不稳定？），然后判断它在人体里的代谢方式（会不会被肝脏快速分解？会不会影响心脏？），还要看它与靶蛋白的结合情况，最后可能还要生成它的三维结构来设计下一步实验。

在现有的技术格局下，你需要分别调用四五个不同的专业模型，把它们的输出结果人工拼接起来，中间还要自己判断各个模型的可信度。这不仅费时费力，更要命的是，这些模型之间没有统一的"科学知识底座"，它们各说各话，你作为人类研究者必须担当最终的知识整合者。

更深层的问题在于，科学知识本身就是相互交织的。蛋白质的功能位点往往与它的三维结构密不可分，而三维结构又受到氨基酸序列的约束，同时这个蛋白质可能恰好也是某个药物的作用靶点——这些信息在真正的专家脑子里是一体化的，但在AI模型里却被人为切割成了互不相干的碎片。

S1-Omni的出发点，就是重新把这些碎片拼回一个整体。研究团队把这个问题抽象成三个核心能力：第一，能够把不同格式的科学数据——不管是文字描述、分子结构字符串（SMILES）、晶体结构文件（CIF）、蛋白质序列、光谱图像还是医学影像——统一放进同一个"理解框架"里；第二，让模型在学习过程中真正吸收科学规律和专家经验，而不只是背诵数据里的表面规律；第三，对于需要特定格式输出的任务（比如生成分子结构、预测蛋白质三维坐标、输出分割图像），配备专门的"翻译模块"，把统一的内部理解转换成各领域能直接使用的原生格式。

---

二、S1-Omni的架构：一个大脑，多个专家之手

S1-Omni的设计哲学可以用一个比喻来理解：它像一位博学的科学顾问，身后配了一组专业助理。顾问负责理解问题、调取知识、形成判断，助理负责把判断转化为各自领域的专业输出。顾问和助理通过一套标准化的信息传递协议沟通，这套协议叫做"预填充隐藏表示"。

具体来说，模型的核心是一个32亿参数的视觉语言模型（S1-VL-32B），它承担科学理解和推理的工作。当你给它输入一段蛋白质序列、一张光谱图或者一个晶体结构文件时，它会先在内部形成一个富含科学含义的"任务状态表示"，同时生成可选的科学推理过程和文本回答，并输出一个决定后续走向的"任务令牌"。

任务令牌的作用是路由：如果任务的答案可以直接用文字表达（比如"这个分子有没有毒性？"），文本输出就是最终结果；如果任务需要特定格式的科学结果（比如"这个蛋白质序列哪些位点会结合配体？"或者"根据这张光谱图重建分子三维结构"），任务令牌就会激活对应的专用解码器，把共享的内部表示转换为特定领域的原生输出。

这套架构里一共有五类解码器，分别对应不同的输出需求。属性预测解码器负责把内部表示转换为连续数值（比如能带隙、溶解度）或分类标签（比如是否是CYP2C9底物）；蛋白质功能位点解码器在残基级别逐位输出结合概率；分子生成解码器把光谱信息转化为分子图谱和三维构象；蛋白质折叠解码器生成全原子三维坐标；图像生成与编辑解码器负责产生或修改医学和科学图像。

值得注意的是，这个设计有意回避了一个看似更"干净"的方案——把所有科学对象都硬塞进统一的Token序列。研究团队认为，这样做会破坏不同科学数据类型各自的结构特征：蛋白质序列有其位置信息，光谱有其频率分辨率，晶体结构有其空间几何，强行统一token化会稀释这些关键信息。因此，S1-Omni选择在理解层面统一，在输出层面专业化，在两者之间保持清晰的信息传递接口。

---

三、训练数据的"知识注入"：不只是让模型记数据，而是让它懂科学

训练一个这样的模型，数据设计是关键。研究团队构建了S1-Omni-Corpus，覆盖200个科学任务，包含超过800万条经过筛选的科学推理和任务监督记录，横跨化学、生物、材料、物理、医学影像等多个学科，同时保留了通用文本和多模态任务以维持模型的通用能力。

但数量不是最难的部分。真正的挑战在于：如何让训练数据不仅教会模型"这道题的答案是什么"，还能教会它"为什么是这个答案，以及从哪些科学证据可以推断出这个答案"。

研究团队为此设计了一套三阶段的数据构建流程，核心思想是"自然世界知识对齐"。简单来说，就是让科学规律和专家知识渗透进每一条训练样本的推理链条里。

第一个阶段是数据基础准备，包括去重、防止基准测试数据泄露、以及把原始数据转化为统一格式的科学任务实例。每条样本的格式包含用户指令、科学对象输入、文本目标（推理链和回答）以及领域原生监督目标，关键是领域原生目标不会出现在推理文本里——模型的推理过程看不到正确答案，这防止了模型靠"提前知道答案"来反向编造理由。

第二个阶段是推理维度和证据关系的设计。针对不同科学任务，研究团队定义了各自的证据维度。材料任务围绕组成、化学计量、局部配位和结构-性质关系来组织证据；光谱任务同时考虑观测到的峰、缺失的峰以及跨谱一致性；蛋白质任务关注序列保守性、残基局部几何和三维接触；图像任务检查实体、空间关系、目标区域和编辑边界。推理链通过支持、排除和修正三种关系把证据连接到结论。

第三个阶段是科学一致性验证。每条样本都要通过单位、量纲、索引格式、任务令牌和输出格式的检查，还要验证证据和结论之间是否逻辑自洽，以及领域原生目标有没有意外泄露到推理文本中。通过验证的样本才进入最终的训练集。

---

四、训练过程：分两步走，各司其职

模型的训练分为两个阶段，设计思路是"先建大脑，再练双手"。

第一阶段训练共享的视觉语言模型主干，让它学会任务理解、科学推理、文本回答和任务令牌生成。训练目标是标准的自回归语言建模，用交叉熵损失优化每个位置的预测概率。领域原生目标不参与这一阶段的损失计算，它们被留给第二阶段使用。

第一阶段结束后，模型主干的参数被冻结，进入第二阶段：专门训练各个任务解码器。每个解码器从已冻结的主干中提取任务条件表示（方式因任务不同而异：属性任务用均值池化，蛋白质位点任务用逐残基的Token级表示，光谱任务用可学习注意力投影，折叠任务用全局表示），然后在各自的领域原生监督空间里优化。连续属性任务最小化与参考值的数值偏差，分类和位点任务最小化类别或残基标签的预测误差，分子生成和结构预测任务使用对应生成过程的结构或几何损失，图像任务使用流匹配的潜在目标。各解码器独立训练，不通过共享的跨任务加权目标相互干扰。

这种两阶段设计有一个重要的实验支撑：研究团队发现，下游任务所需的科学信息，在主干完成"预填充"（即处理完输入的科学对象和任务指令）之后就已经大部分存在于隐藏表示中，不需要等到推理文本生成完毕才能提取。换句话说，推理过程的价值主要是"训练时塑造表示"，而不是"推理时产生信息"。这个发现对后续的解码器设计和特征提取方式有直接影响。

---

五、属性预测：从材料晶体到药物分子，一个模型管48个性质

评测的第一个任务家族是属性预测——给定一个分子或晶体的结构，预测它的某个物理、化学或生物医学性质。这类任务的难点在于，不同性质背后的科学机理可能截然不同：预测溶解度需要理解极性和氢键，预测能带隙需要理解电子结构，预测药物代谢稳定性需要理解酶学机制，强行用一个模型处理所有这些，以往被认为是非常困难的。

研究团队在48个属性上做了系统测试，覆盖材料（10个JARVIS-DFT材料回归性质和2个Materials Project分类性质）、量子化学（4个COMPAS-1D性质和7个QM9性质）以及分子/药物（7个MoleculeNet任务和18个TDC ADMET终点）。

在最贴近药物研发需求的ADMET测试中，S1-Omni在18个终点中的16个超过了GPT-5.5和Gemini-3.1-Pro，在几个关键指标上还超越了专业模型。具体来说，在CYP2C9底物识别（衡量药物被某种代谢酶处理的可能性，PRC-AUC从专业模型的0.414提升到0.697）、CYP2C9抑制（0.788提升到0.829）、CYP2D6抑制（0.704提升到0.882）、CYP3A4底物（0.654提升到0.665）、hERG毒性（0.848提升到0.873）以及肠道吸收（0.984提升到0.992）上，S1-Omni都超过了领域专业模型。这些任务都属于早期药物筛选的核心过滤指标，意味着S1-Omni在辅助药物发现方面有相当实际的价值。

量子化学属性方面，S1-Omni在全部11个测试性质上超过了GPT-5.5和Gemini-3.1-Pro，但与专注于分子三维结构的专业模型相比仍有差距——这个差距主要集中在需要精确三维构象信息的性质（如极化率α和热容Cv），背后的原因是专业模型经过了专门的三维预训练，能更精确地捕捉分子的空间构型。

材料性质预测上，12个测试属性中至少有一个专业模型在每个属性上超过S1-Omni，但S1-Omni在6个属性上超过了更强的通用闭源模型。这说明共享编码器确实能从CIF文件中形成有效的材料表示，但对于需要精确捕捉原子邻域、长程周期关系和电子结构的高精度材料预测，专业模型的归纳偏置仍然有不可忽视的价值。

---

六、推理监督的关键实验：乱打一通等于没打

研究团队做了一系列消融实验，其中最具启发性的一个发现是：推理文本的质量，远比推理文本的存在更重要。

在材料回归任务上，他们对比了三种训练配置：结构化、属性约束的推理（要求模型系统分析晶格结构、组成、局部配位和对称性，然后明确选择最相关的三到五个因素，说明其方向、强度和相互关系）、完全不包含推理文本（只保留任务令牌）、以及无约束的自由形式推理（只给一个宽泛的"请分析这个结构"指令，让教师模型自由发挥）。

结果出人意料：结构化推理的材料平均绝对误差是17.26，无推理文本的是20.46，而自由形式推理的高达34.82——比完全不要推理文本还差。这意味着，错误组织的推理文本不仅没有帮助，反而会对训练产生干扰，相当于给模型的学习信号里加入了噪声。

原因在于：自由形式推理的证据覆盖范围和分析顺序因样本而异，这种不一致性让主干模型无法形成稳定的"从证据到性质因素"的映射关系。而结构化推理通过强制施加一致的分析框架，减少了这种不一致性，给主干模型提供了更清晰的学习信号。这个发现对训练科学推理模型有重要的实践意义：不是加上推理就好，而是要加上组织良好、与任务相关的推理。

另一个发现是关于特征提取位置的。在属性预测任务上，只用问题侧预填充表示（即模型处理完输入的科学对象和任务指令后的隐藏状态）做池化，效果优于把生成的推理和回答也纳入池化范围——化学分类F1从0.773提升到0.822，化学回归RMSE从1.663降到0.908，材料MAD/MAE从0.899提升到1.454。这验证了一个核心假设：科学任务所需的信息，在模型"读完题目"之后就已经大部分编码完毕，答案生成阶段的激活状态混入了语言组织和表达的信息，反而稀释了纯粹的科学任务表示。

---

七、光谱到分子结构的重建：从"声纹"反推"人脸"

光谱到分子生成这个任务，直觉上有点像看波形猜乐手——你只知道声音的频率分布，要反推出弹奏者的样貌。具体来说，S1-Omni要从红外、拉曼和紫外-可见光谱（分别编码振动和电子跃迁信息）反推出分子的二维图谱和三维构象。

测试用的数据集是QM9S，包含10万个小分子及其对应的三种模拟光谱。评测指标既包括精确结构匹配率（Acc@1，要求整个二维图谱完全正确），也包括图相似度、指纹相似度和功能团相似度等更宽容的度量。

与专业光谱分子生成模型DiffSpectra相比，S1-Omni在精确匹配率上从0.406提升到0.457，图距离从1.327降到1.177，Morgan Tanimoto相似度从0.788提升到0.823。在三维几何方面，S1-Omni的键角误差从7.30×10??降到6.13×10??，是所有对比模型中最低的，说明其局部角度几何建模特别准确。

在化学有效性方面，S1-Omni生成的分子中，同时满足有效、唯一、新颖三个条件（V&U&N）的比例为0.911，高于DiffSpectra的0.900，说明S1-Omni在避免生成已知分子重复输出的同时，化学有效性并未下降。相比无条件分子生成基线（JODO、BioMatrix），S1-Omni的V&U&N提升幅度在0.13到0.17之间，充分体现了光谱条件信息的约束价值。

研究团队还做了一个有趣的探针实验：在QM9S数据集上训练一个20标签的分子功能团预测器，分别用不同方式从红外光谱的Token序列中提取表示，看看哪种提取方式最能保留分子的结构信息。结果是，基于可学习注意力的自适应聚合远超固定的全局池化策略（精确匹配率从50%提升到73%）。这说明功能团信息确实以分布式的方式存在于光谱的Token序列中，静态的均值或最大值池化会损失大量细节，而注意力机制能选择性地提取关键位置的信息。

更有意思的是不同光谱模态的对比：红外光谱的功能团预测Micro-F1为0.939，拉曼为0.920，紫外-可见光谱仅为0.749——这个排名与光谱的物理本质完全吻合（振动光谱直接反映化学键的类型，电子跃迁光谱反映的是更宏观的电子结构），说明S1-Omni的统一表示框架在学习过程中保留了不同光谱模态各自的科学特性，没有把它们压缩成无差别的通用"光谱嵌入"。

---

八、蛋白质功能位点预测：精准定位"按钮"在哪里

蛋白质功能位点预测这一大类任务，本质上是要在一条氨基酸序列上标出哪些位置参与了特定的生物学功能——和哪些蛋白质互作、结合什么配体、被抗体识别还是自己识别抗原、结合DNA或RNA，或者配位哪种金属离子。这类任务的难点在于正负样本极度不平衡（大多数残基不是功能位点）、不同任务的生物学逻辑差异显著，以及正确答案往往依赖三维结构信息而纯序列信息不足。

S1-Omni对所有这些子任务使用同一套残基级解码器，通过任务描述（告诉模型"这是PPI位点预测"还是"这是金属离子配位预测"）和交叉注意力机制来区分不同任务的需求。这相当于同一个打分系统，根据任务说明调整评分标准。

在蛋白质-蛋白质相互作用（PPI）位点预测上，S1-Omni的AUPR为0.666，高于专业模型MPBind的0.540；AUROC从0.830提升到0.859。在B细胞表位预测（识别抗原表面被抗体识别的残基）上，S1-Omni的AUPR达到0.472，比最强专业模型RoBep的0.268高出0.204；F1分数从0.379提升到0.546。在小分子结合位点预测上，AUROC从GraphBind的0.870提升到0.880，精确率和召回率都有提升。

金属离子配位位点预测是目前差距最大的任务：S1-Omni的平均MCC为0.467，而专业模型LABind达到0.655，差距来自后者明确嵌入了金属离子特异性化学先验知识，而S1-Omni主要依靠序列和语义信息，对精细的配位化学规则捕捉不足。

抗体旁位（Paratope）预测和DNA/RNA结合位点预测上，S1-Omni优于两个通用语言模型基线，但落后于相应专业模型，主要原因是这些任务高度依赖三维结构信息和特定的空间互补性，纯序列表示存在信息瓶颈。

研究团队还系统测试了残基级解码方式的重要性：把任务设计成"让模型生成残基索引文本"或"用最后一个Token的隐藏状态做全局分类"，F1接近于零；改成"保留每个残基位置的独立表示做逐残基预测"，F1提升到约0.30；再加上ESM2蛋白质语言模型的残基嵌入和任务上下文交叉注意力，F1提升到0.536。这三步递进验证了一个简洁的结论：蛋白质位点预测本质上是密集预测问题，不是问答问题，必须在每个序列位置上保留独立表示，才能进行有效的位点标注。

---

九、蛋白质结构预测：用语言模型的"理解力"辅助折叠

蛋白质三维结构预测是一个已经有成熟专业模型（AlphaFold2、ESMFold等）的领域，S1-Omni在这里的测试目标不是正面竞争，而是回答一个更具体的问题：固定折叠模型的几何解码器，只改变输入给它的条件表示，能否通过推理增强的语言模型表示来改善折叠质量？

测试用固定的SimpleFold-700M作为几何解码器，比较两种输入条件：无外部条件（SimpleFold原始配置）和S1-Omni推理条件表示（用S1-VL联合编码蛋白质序列和任务指令，经过推理监督训练后提取的预填充隐藏表示，通过轻量级投影层输入到折叠解码器）。

结果是：在平均TM-score上，S1-Omni条件从0.828760提升到0.829126，提升幅度约0.0004；中位RMSD从2.630降到2.504，改善了0.126。提升集中在全局拓扑和坐标对齐上，局部几何指标（lDDT、lDDT-Ca）变化在0.002以内。

这个提升幅度很小，但方向一致，且有对照组支撑。消融实验进一步确认了几个结论：用真实的DSSP二级结构（Oracle条件）作为条件，TM-score提升更大（0.831 vs 0.829），说明条件传递通道是有效的；用预测的二级结构硬标签作为条件，结果反而低于无条件基线，说明条件的信息质量比条件的存在更关键；同时更新投影层和扩散模块（而非只更新投影层）会导致所有指标下降，说明轻量化的参数更新策略更适合把推理信息注入一个已经成熟的几何先验模型。

这个实验的核心意义不在于提升幅度，而在于验证了一个架构原则：经过科学推理监督训练的语言模型表示，可以通过轻量级接口为专业几何解码器提供有意义的补充信息，两者之间不存在根本性的不兼容。这为后续把S1-Omni的推理能力与更大的折叠模型结合，提供了基础概念验证。

---

十、科学图像生成与编辑：懂科学的画家

这一部分评测的是S1-Omni生成和编辑科学图像的能力，包括从文字描述生成研究插图、机制示意图和技术流程图，以及对输入图像执行分割、模态转换和超分辨率等编辑操作。

在图像生成测试上，S1-Omni在GenExam（多学科科学插图，由GPT-5评估语义准确性和逻辑一致性）和TechImage-Bench（生物、工程和通用技术图，使用分层二元评分）上超过了两个开源图像模型（Qwen-Image和GLM-Image），但落后于GPT-Image-2和Nano Banana 2。在文字渲染密集的CVTG-2K测试上，S1-Omni得分80.39，高于GPT-Image-2和Nano Banana 2，但低于GLM-Image（91.16）。这表明S1-Omni在科学语义内容的组织上有优势，但字符级别的渲染精度还有提升空间。

在图像编辑测试上，S1-Omni在5个基准中的4个取得了最好成绩。医学图像分割（MSD）的Dice分数达到0.850，超过专业Swin UNETR模型的0.787；岩石SEM图像分割（cigRockSEM）的F1为0.982，超过专业U-Net的0.973；CBCT到CT的医学图像转换（SynthRAD2025）PSNR达到47.87 dB，比专业模型VBoussot高出13.09 dB；MRI超分辨率（IXI）PSNR为26.72 dB，超过专业模型CodeBrain的24.67 dB。只有病理染色转换（BCI）上，专业模型Pyramid Pix2pix以0.78 dB的差距保持领先。

研究团队还测试了"先思考再生成"（think-before-generate）模式对图像生成的影响。结果显示，显式推理过程能显著改善复杂科学流程图的生成质量——当任务需要协调多个功能模块的位置、层次、连接方向和信息流时，没有推理的版本往往遗漏关键结构或产生布局混乱，而推理阶段的分解规划提供了清晰的视觉单元和它们之间的关系描述，最终通过推理-扩散对齐机制注入图像解码器，使得生成结果更完整、拓扑更清晰、层次更分明。

---

十一、面对真实世界的压力测试：分布外预测有多难？

评测的最后一个维度是分布外（OOD）泛化，即模型在训练时几乎没见过的极端标签值上的表现如何。研究团队使用了BOOM协议：对每个量子化学性质，把标签分布的低密度区域分配给OOD测试集，其余部分随机划分为分布内（ID）测试集和训练集，比较三个模型在ID和OOD上的RMSE，以及从ID到OOD的误差放大比率。

与等变图神经网络GotenNet和回归Transformer（RT）的对比揭示了几个值得关注的现象。GotenNet在依赖三维构象的性质（极化率α、热容Cv、偶极矩μ、分子最大半径R?）上ID和OOD的绝对误差都最低，S1-Omni在轨道能量相关性质（HOMO、LUMO、能带隙）上的绝对误差最低。这种分工反映了归纳偏置的差异：等变三维表示更擅长捕捉空间构象相关的性质，而统一序列-图像表示对电子结构描述的量子化学性质有相对优势。

RT出现了极端失效：在极化率α和R?上，OOD的RMSE分别爆炸到74345和25458，是ID值的两万倍以上。研究团队把这归因于自回归数值解码的不稳定性——当目标值离开训练标签的主要支撑区域时，逐字符生成数值的方式会产生无界的极端输出。S1-Omni和GotenNet都使用连续回归头，没有出现这种数值爆炸。

然而，S1-Omni也有自己独特的OOD失效模式：在HOMO、LUMO、能带隙和偶极矩上，平均误差最低，但尾部的R?相关性为负值。负的R?意味着在标签分布的极端区域，模型的预测没有保留样本间的排序关系——低值被高估，高值被低估，预测向训练分布的中心收缩。这是典型的"回归均值"失效，在平均误差看起来不错的时候可能完全掩盖这种结构性问题。研究团队指出，这说明仅用平均OOD误差来评估分布外泛化是不够的，保留尾部排序的能力（体现在分箱R?上）是更严苛也更实际的评估标准。

---

归根结底，S1-Omni代表的是科学AI领域的一次体系化尝试：不是在某个单点任务上刷新记录，而是回答"能不能在同一个统一模型里，同时处理跨越化学、生物、材料和医学影像的科学任务，并且输出在各自领域直接可用的结果"这个更根本的问题。从60多个基准的系统评测来看，这个问题的答案已经从"不可能"变成了"在很多情况下可以，在少数任务上接近专业模型，在少数任务上仍有差距"。

这项研究最有价值的部分或许不是那些超越专业模型的数据点，而是它揭示的若干规律：组织良好的推理监督比推理文本的存在更重要；问题侧的预填充表示比生成侧的激活状态更适合作为下游科学任务的特征来源；残基级的密集解码对蛋白质位点预测是必要的，不是充分的；分布外泛化的失效模式因任务和表示类型而存在根本性差异，无法用一个统一的数字来描述。

当然，研究团队也坦率地列出了当前的局限：模型没有经过大规模科学预训练（从已有视觉语言模型出发微调），分子结构、蛋白质坐标和科学图像还不是由共享主干原生生成（依赖各自的解码器），任务覆盖的深度和跨任务迁移能力还远不充分，长时程规划和工具使用也基本未被探索。

研究团队已将S1-Omni的模型权重、代码和S1-Omni-Corpus-10K子集开源，感兴趣的读者可以通过arXiv论文编号arXiv:2607.15686v1查阅完整技术细节，并通过论文中给出的HuggingFace、ModelScope和GitHub地址获取模型资源。

---

**Q&A**

Q1：S1-Omni和AlphaFold这类专业蛋白质模型有什么区别？

A：AlphaFold专门解决蛋白质结构预测这一个任务，经过了针对蛋白质数据的专项设计和大规模预训练，精度极高。S1-Omni则是一个通用科学推理模型，蛋白质任务只是它负责的众多任务之一。S1-Omni在蛋白质折叠上的精度目前不及AlphaFold，但它能在同一个模型里同时处理蛋白质、分子、材料和医学图像，这是纯专业模型做不到的。

Q2：S1-Omni的训练数据是怎么保证不"作弊"的？

A：研究团队在数据构建阶段就做了严格的防泄露处理，所有基准测试的测试集样本及其近似重复项都在数据增强和推理蒸馏之前被过滤掉。此外，每条样本的领域原生正确答案不出现在可见的推理文本里，模型的推理链只能使用输入侧的科学对象和任务描述，不能看到正确答案再反推。

Q3：S1-Omni预测药物ADMET性质的准确率能用于实际药物开发吗？

A：在CYP酶底物识别、hERG心脏毒性和肠道吸收等核心指标上，S1-Omni已经超过了现有专业模型，说明其预测质量在某些重要终点上达到了实际参考价值的门槛。但ADMET预测通常作为大规模虚拟筛选的初步过滤手段，而非最终决策依据。现实药物开发中还需要结合实验验证和更精细的计算模型。