统一科学大模型 LOGOS 正式开源
通义实验室 2026-06-18 10:32 浙江
用一个“科学语法”打通科学语言与自然语言的边界
在 AI for Science 领域，我们一直在思考：蛋白质、小分子、材料和化学反应等科学对象，能不能像人类语言一样，被一个模型统一建模和生成？
现状是，AI4S 的主流路径是为每个问题训练一个专家模型。结构预测有专门的模型、分子生成有专门的模型、逆合成规划又有专门的模型。它们各做各的，跨领域知识很难迁移复用。
更关键的是，它们大多构建在一套独立于大语言模型的技术栈之上：依赖稀缺的 3D 坐标数据和专用的几何网络，与 LLM 生态已有的成熟工程基建也是完全割裂的。
但 LLM 已经在自然语言领域证明了"一个模型解决万千任务"的可行性。AI for Science 能不能也走通这条路？
LOGOS（Language Of Generative Objects in Science） 给出了一条具体路径：设计一套"科学语法"，让多领域科学数据原生地运行在大语言模型框架之内。
LOGOS是什么？
它是由 ATH-Token Foundry 联合中国人民大学高瓴人工智能学院开源的基于统一“科学语法”的多领域科学生成基础模型。
核心洞察在于：蛋白质、小分子、材料虽然表面各异，但底层遵循着相似的组成规则、结构约束和相互作用语义。它们本就是同一种“科学语言”的不同方言。统一语法的价值也正在于此，跨领域知识迁移、多任务协同优化、预训练与下游目标对齐，都因为有了共同的语言基础而成为可能。
性能总览：六个任务一图看懂
在深入技术细节前，我们先看看 LOGOS 的“实战成绩单”。在六大代表性科学任务上，LOGOS 以纯序列建模范式，一致性地匹配或超越了领域专用方法。
尤其值得关注的是它的参数效率。LOGOS-1B 仅用 1/56 的参数量（1B vs 8×7B），就在多个任务上超越了 NatureLM，展现了极高的参数效率。
实验亮点：几大任务逐一解读
🟣 任务1：口袋条件配体生成 —— 纯序列首次打败3D扩散模型
这是 AI 制药最核心的应用场景：给定一个蛋白质口袋，生成能精准结合的小分子药物。
LOGOS-1B 仅用约 1/56 的参数量就超越了 NatureLM（8×7B），展现出极高的参数效率。
在纯序列范式下，它的表现超过了依赖 3D 坐标的扩散模型，这说明将空间结构转化为序列的方案确实有效。生成的分子同时满足了结合亲和力、药物相似性和合成可行性三重要求，具备了实际药物设计的潜力。
🟣 任务2：逆合成预测 —— 直接辅助化学合成路线规划
给定一个目标分子，预测出合成它所需的前体分子。这是化学家设计合成路径时的核心工具。
LOGOS 的 Top-1 准确率达到 74.8%，全面超越所有基线方法。这意味着化学家可以直接用 LOGOS 来辅助设计合成路线，减少试错成本。
🟣 任务3：口袋位点识别 —— 仅靠序列预测蛋白质结合位点
预测蛋白质表面哪里能结合小分子，是药物发现的起点。传统方法必须依赖 3D 结构数据，但大量蛋白质根本没有可用的 3D 结构。
LOGOS 仅用氨基酸序列，就在 HOLO4K 数据集上达到 58.5% 的 Top-n 准确率，超越所有传统 3D 方法（除P2Rank外）。这一结果将口袋识别从“依赖3D结构”扩展至“仅需序列信息”的新范式。
🟣 任务4：MOF材料生成 —— 探索未知化学空间
生成新型金属有机框架材料，这类材料在气体存储、分离、催化等领域有重要应用。
LOGOS 生成的 NBB（新型构建单元比例）从 MOFFlow-2 的 10.10% 提升至 17.78%，提升幅度达 76%。模型具备超越训练数据已有组分、生成全新分子构件的能力。AI对科学的推动，不应止步于再现已知，更应面向未知空间的生成与创造。
另外两个任务：蛋白质编辑（Hard 难度 Fitness 达 0.93，相比基线 0.34 提升 174%）和抗体 CDR 设计（AAR 达 79.82%，超越结构依赖的逆折叠方法 RADAb）同样优于现有最强基线，进一步验证了 LOGOS 在更广泛场景下的泛化能力。
核心突破在哪，三个关键设计
LOGOS 严格按照科学界的“知识体系”来挑选模态的。
核心主干
蛋白质是生命活动的核心执行者，小分子是调控蛋白质功能、干预生命过程最重要的化学手段。它们是科学界的两大核心。
家族扩展
抗体是具有高度序列多样性与特异性识别能力的特殊蛋白质，是生物大分子家族中不可忽视的成员；化学反应与功能材料则从转化过程与物质组成的角度，进一步拓展了小分子化学空间的知识覆盖。
界面互作
蛋白质与小分子并非孤立存在，二者之间的界面互作——尤其是蛋白质结合口袋对小分子配体的选择性识别——构成了连接生物大分子与化学实体的关键纽带，也是理解分子识别机制与药物作用机制的基础。
基于这套逻辑，LOGOS 构建了涵盖 7 类模态、总计 44.87B tokens 的庞大预训练语料库：
生物大分子层 蛋白质（28.9B tokens）+ 抗体（3.0B tokens）
化学实体与转化层 小分子（2.1B tokens）+ 化学反应与MOF材料（0.47B tokens）
界面互作层 蛋白质口袋（5.8B tokens）+ 蛋白口袋-配体复合物（4.6B tokens）
这就确保了这本“字典”不仅词汇量大，而且符合真实的科学规律。
🟣 创新点一：统一"科学语法" + 空间交互的离散化
这是 LOGOS 最具突破性的设计，由两个相辅相成的部分构成。
技术A：统一词汇表，万物皆可 Token
LOGOS 设计了一套共享词表，把蛋白质、小分子、材料等原本“鸡同鸭讲”的异构对象，全部编码成统一的离散 Token 序列。这让它们得以在同一个生成空间中被大模型“自回归”地理解和生成。
技术B：无需3D坐标，用序列读懂空间
传统 AI 要看懂蛋白质和小分子怎么结合，须依赖显式 3D 坐标和复杂的几何神经网络。LOGOS 发明了一种“文字描述法”：它把 3D 空间接触模式直接“语法化”为离散 Token。
把蛋白质口袋的三维关系写成了三种递进的“文字序列”：残基-口袋标注序列：先标出氨基酸级别的基本信息；残基-口袋-小分子展开序列：加入表面接触信息，让结构更立体；残基-口袋转换序列：通过一个特殊的标记，把氨基酸和分子结构在序列里强行“对齐”。
结果就是：LOGOS 完全不需要输入 3D 坐标，仅靠“读文字”（序列预测），就能在脑海里构建出复杂的 3D 空间互作规律。
🟣 创新点二：预训练和下游任务，形式和目标完全一致
传统范式中，换一个研究环节（比如从结构预测换到分子生成），往往就得换一套新模型和新假设。 同时，预训练目标与下游任务之间存在显著的"目标偏差"，这种“学用脱节”导致模型落地时需要大量微调。
LOGOS的科学语法设计彻底解决了这个问题：
形式一致：预训练数据的序列形式等于下游任务的输入输出形式
目标一致：预训练的 next-token prediction（预测下一个词）等于下游的条件生成目标
这种 form-objective alignment 有效消除了预训练与下游应用之间的 gap，无需复杂的适配层或大量微调即可激活生成能力。
🟣 创新点三：跨领域知识正向迁移，实验证实有效
统一语法不仅让科学对象们“语言相通”，更让它们在底层“知识共享”。为了验证 LOGOS 是否真的学会了跨领域的知识，团队进行了深入的探究。
验证“跨语言翻译”能力
模型看到蛋白质的“方言”（氨基酸口袋序列），能直接“翻译”出小分子的“方言”（SMILES结构）。这证明它真的学会了两者之间的对应关系。
验证统一语法组分的必要性
团队做了一个“拆解实验”来验证每个设计环节的价值：如果去除口袋与复合物数据，模型性能接近随机（Vina -3.57）；加入全部语法组分后性能大幅跃升（Vina -7.64）。
验证“1+1>2”的协同效应
让模型同时学四个任务，效果反而比各自独立训练更好，证明了跨领域的正向知识迁移。
“
LOGOS 的实践证明了：AI for Science 的发展不在于重新构建与 LLM 割裂的独立技术栈。而在于让科学基础模型与大语言模型深度对齐——共享架构、共享训练范式、共享推理基础设施——从而使基础模型真正成为 AI4S 的新入口。
”
通过继承 LLM 的预训练权重，科学模型能够直接复用 vLLM 推理加速、模型量化等成熟的工程基建，大幅降低训练与部署成本。同时，统一的语法空间打破了学科壁垒，使得生物、化学、材料等不同领域的数据能够在同一个模型框架内回流训练，形成跨领域的知识闭环。
从“筛选已知”到“设计未知”，LOGOS 正在推动自然科学研究向“设计驱动”与“发现驱动”转变。未来，团队将进一步把这套“科学语法”扩展至基因组等更多领域，并探索科学语言与自然语言的深度融合，致力于构建一个真正通用的科学基础模型。
现在，欢迎体验与使用 LOGOS。我们完整开源了模型权重、推理代码与技术报告，获取方式如下：
🤗 HuggingFace：https://huggingface.co/LOGOS-Hub
💻 GitHub：https://github.com/LOGOS-Hub/LOGOS
📄 技术报告 (Paper)：https://arxiv.org/abs/2606.16905
推荐阅读
Qwen-Robot 发布：打通大模型到物理世界的最后一公里