最近，世界人工智能大會上，中科聞歌磐石 ScienceOne 團隊一口氣亮出兩張王牌：

▲ S1‑Omni 與 GPT‑5.5、Gemini‑3.1‑Pro 及專業 SOTA 的 ADMET 成績對比。藍色粗體爲單項最佳，下劃線爲次佳。

這意味着，在未來我們或許不需要再爲單項研究單獨訓練、部署那些繁瑣的專用大模型了。

中科院背書、WAIC 首發、綜合測評領先，聽起來確實很猛。那麼，在真實的日常科研場景中，S1-Omni 表現到底如何？

今天我們一起體驗一下，S1-Omni 是怎麼幫科研人員幹活的。

01. S1‑Omni 怎麼做科研

我們打開了基於 S1-Omni 打造的 ScienceOne 平台，用大白話就可以讓 AI 輔助我們看資訊、定選題、查論文、實驗、成果表達、配圖、評審…

深度研究一個課題

我們輸入一個自己感興趣的課題：

提示詞：盤點近3年美國在阿爾茨海默病早期診斷生物標誌物研究領域的4項代表性成果，包括新型血液標誌物、影像學標記物等方向。

如果是人工自己查，我們要搜索論文和官方公告，瞭解、區分血液標誌物、醫學影像和 AI 預測等技術路線，還要逐一覈對研究時間、機構、樣本和關鍵指標，開幾十個網頁慢慢摸索。

ScienceOne 內置了 2000+ Skill、2000+ MCP 插件以及近 300 個專業數據庫，可以在對話中智能自主調用最匹配的技能和工具來完成科研任務。

ScienceOne 先根據我們的需求，思考提煉檢索關鍵詞。第一輪先進行寬泛搜索，快速摸清方向。發現線索之後，再進行二次檢索，補齊關鍵信息。

這個過程和我們自己做調研很像，先廣泛搜索找方向，再順着線索往下查。

我們一起看看 ScienceOne 的回覆：

每項成果都列出了研究機構、技術方向、關鍵數據和研究意義，最後還生成了總結表格，並附上參考來源。

做科研最怕大模型的黑箱操作，ScienceOne 直接用規範的流程、結構化的結果和明確的引用來源，省了不少事。

據 ScienceOne 官網介紹，平台已聚合 5000 餘個科學工具和 294 個專業數據集，覆蓋數據處理、模型訓練、特徵分析等科研環節。面對不同任務，模型可以在對話中選擇相應工具，而不需要我們逐個尋找和操作。

AI 配圖

論文寫到關鍵處，往往需要一張高質量的示意圖來輔助說明。我們可以讓 ScienceOne 通過自然語言生成科研配圖。

提示詞：構建光催化電荷分離與轉移動力學模型圖，解析激子生成、界面遷移與複合損耗過程，生成中文圖片。

一句話 ScienceOne 就把複雜的光催化過程拆解成了形象的畫面，並且附上了能帶結構、動力學模型、過程解析，甚至還附上了圖例說明。

AI 評審

寫完論文後，最讓人頭疼的就是不知道該如何優化。創新點夠不夠突出？實驗設計有沒有明顯的缺口？參考文獻是不是太陳舊？自己盯着論文看了幾十遍，很難發現問題所在。

ScienceOne 的創新評價，可以先幫我們做一次投稿前預審。

目前支持兩類任務：一類是項目立項、論文開題前的選題評估；另一類是論文投稿前的質量檢查。

我們上傳了一篇多目標網絡優化領域的未公開論文，並同時附上了論文附件，要求它嚴格按照 IEEE Peer Review Process Guidelines（IEEE 同行評審過程指南）進行綜合評價。

文件上傳後，ScienceOne 首先讀取了論文和評審標準，判斷任務類型後，自動調用了對應的創新評價 Skill，並生成了一套結構化的審查流程。

ScienceOne 像一個挑剔的真實審稿人一樣，從 7 個維度對論文進行逐項檢查：原創性、技術正確性、研究相關性、實驗驗證、論文表達、參考文獻和發表標準。

最終，這篇測試論文得到了 3.6/4.0 的綜合評分，建議爲接收。

更有用的是後續的各維度詳細評價和改進建議。

比如，ScienceOne 指出這篇論文的原創性、技術正確性和實驗驗證拿到了 4 分；但論文表達、參考文獻和發表標準只有 3 分。ScienceOne 直接定位了問題所在：部分英文專業表達不夠準確、引用格式需要統一、理論證明可以補充更多公式細節，且實驗部分需要增加更有針對性的 Baseline 對比。

ScienceOne 還把評審結果生成了HTML和Markdown兩種格式，方便後續繼續修改、分享或存檔。

ScienceOne 爲什麼能做出如此深度的先進性與創新性評價？

據官網介紹，ScienceOne 匯聚了全球 40 多個國家的 3200 萬項科研項目公開信息、70 萬份產業研發年報，以及 2.7 億篇論文與專利。這些海量的數據，爲大模型評估一項工作的先進性與重複性提供了強有力的參考背景。

當然，AI 給出“接收”，並不代表IEEE真的會接收。

我們可以把它當作投稿前的第一輪體檢，幫我們提前發現和規避明顯問題。真正涉及創新性判斷、實驗可靠性和發表決定，仍然需要導師、同行專家和期刊審稿人把關。

追蹤全球科研頭條

除了主動交互，ScienceOne 還提供了一個科研頭條板塊，這裏收集了全球的科研新聞和前沿論文，包含了數理科學、化學、生命科學等超多類目。

我們可以根據自己的研究方向訂閱特定的專題，AI 會根據我們的訂閱進行個性化推薦。

以前追蹤前沿信息，常見做法是隔一段時間重新搜索關鍵詞。

現在通過這種週報推送和訂閱機制，我們獲取前沿信息的方式也從以往被動的關鍵詞檢索，升級爲了主動的科研洞察，能幫我們省下不少文獻追蹤的精力。

02. 一些分享

科研 AI 正在從統計擬合走向邏輯推理。 大模型從一個冷冰冰的、只給預測數值的黑盒，變成可以與專業研究員在邏輯和物理常識層面相通的科學助手。

ScienceOne 走的是一條極其輕量化的科研 AI 路徑。在實際的研發流程中，以往我們需要部署、微調和維護數個完全不同的專用模型，不同模態之間的數據流轉換異常繁瑣，軟硬件的綜合維護成本極高。

S1-Omni 提供了統一的科學大模型底座，去連接和驅動各種垂直領域解碼器 。降低了環境部署的複雜度，讓跨學科的交叉研究變得更加容易上手。

這種統一表示、邏輯先行的架構設計，會成爲未來的科學大模型研發的範本。

我們也深知，科學研究是一個容錯率極低、來不得半點馬虎的領域。S1-Omni 想要在真實的學術研究中走得更穩、更遠，依然離不開開源社區對高質量數據的持續補充，以及廣大科研人員在實際場景中對它能力邊界的反覆測試。

感興趣的科研小夥伴可以直接上手體驗哦~目前 ScienceOne 可免費領取一個月的試用體驗，兌換邀請碼：DH26GYZ1688（數量有限，先到先得哦）。