上海人工智能实验室联合复旦大学、中国科学院软件研究所、中国人民大学、中国科学院自动化研究所、华东师范大学、哈尔滨工业大学、北京大学等机构,发布了Sage S2.1 Flash的技术报告。报告里有一个很适合当开场的例子:只给一句指令,让模型从12487张CT图像里重建一个三维骨骼模型。它做的事不是直接"生成"骨骼,而是先找出属于目标扫描序列的切片,整理好顺序,再操作医学影像软件3D Slicer把模型重建出来。
医学影像的原始数据往往是一整个目录的序列文件,命名规则不统一,层厚与重建参数也可能不一致。要在里面重建出某个部位,第一步不是建模,而是判断哪些切片属于同一次扫描、哪些是定位像、哪些是增强前后的重复采集。
这一步对人类技师来说是常识,对模型来说是一串需要交叉验证的判断:文件头信息、层间距、像素间距、序列描述都要对上。挑错了切片,后面重建出来的形状再漂亮也是错的,而且错得不明显。
报告把这个能力放在"科学多模态感知"的框架下讲,意思是模型要能读懂科学数据的结构,而不只是读懂文字描述。这也是通用聊天模型在科研场景里最容易露怯的地方:它能解释原理,却常常搞不清一份数据的组织方式。
这类任务暴露的是数据工程能力。医院导出的影像常带脱敏水印、序列描述被截断,模型必须先做清洗与校验,才能开始重建;这一步做不好,后面的重建再精细也没有意义。
三维重建的第二步是操作专业软件。3D Slicer不是为模型设计的接口,它有菜单、有参数面板、有需要按顺序点击的流程。模型要完成这件事,必须把自然语言目标翻译成一串可执行的界面操作,并在每一步之后检查结果是否符合预期。
这和"写一段Python脚本"是两种能力。写脚本要求模型懂API,操作界面要求模型懂流程,还要能处理弹窗、进度条、失败重试这些现实里的琐碎细节。科研软件的自动化之所以难,难点多半在这里,而不在算法本身。
报告强调模型可以在共享上下文里连续调用工具,做完一步再看结果决定下一步。这个循环听起来朴素,却是科研智能体与"问答机器人"的分界线:前者要对交付物负责,后者只对回答负责。
报告里说模型能接连调用工具,实际含义是要在多个软件之间传递中间结果。文件格式、坐标系、单位制稍有差异,重建出来的模型就会错位,这类细节比参数量更能决定成败。
Sage S2.1 Flash采用320B参数的混合专家架构,通过动态专家路由控制每次推理的计算量,并结合稀疏注意力与线性注意力支撑长上下文。模型主干在同一个上下文里处理文本、图像与科学数据表示,为多步任务提供共享的推理基础。
"统一主干"的好处是省掉了在不同模型之间搬运上下文的损耗。做一次材料分析,可能要读文献、看谱图、跑计算、写报告,如果每一步都换一个模型,前面建立的判断会在交接时丢掉大半。
代价是训练难度:不同模态的数据密度差异很大,谱图的信息密度远高于普通文本,混合训练时很容易出现某一类数据主导梯度的情况。报告披露了完整训练流程,这部分细节对想复现的团队来说,比榜单分数更有用。
值得注意的还有上下文长度。一次影像分析可能产生上百条工具调用记录,上下文不够长,模型就会忘掉最初的指令,出现重建到一半改做别的事情的情况。
报告称模型在四项智能体基准上取得领先。看这类成绩需要区分两件事:知识问答测的是"知不知道",智能体基准测的是"能不能把一件事做完",后者包含规划、工具选择、错误恢复和结果校验。
智能体基准的分数也很容易被脚手架影响。同样的模型,换一套工具接口、换一种重试策略,分数可能差出好几个点。所以报告里更有价值的信息是任务设置与工具清单,而不是排名本身。
上线首周,团队收集到的反馈集中在"快"和"工具调用顺"上,这类主观评价不能替代评测,但能说明一个方向:科研用户对响应速度的容忍度很低,等十分钟才出一步结果的智能体,很难被真正用起来。
榜单成绩之外,报告还披露了训练流程。对复现者来说,数据配比、训练阶段的任务分布、强化学习的奖励设置,这些信息决定能不能在自有数据上训出相近的能力。
模型的技术报告、项目主页与代码仓库都已公开,权重通过Hugging Face与GitHub发布。对一个科研智能体来说,开源意味着实验室可以把它接进自己的数据管线,也可以针对特定仪器改写工具接口。
但开源解决不了数据问题。哪家实验室手里有高质量的实验记录、失败样本、仪器日志,哪家的智能体才更容易在自己的领域里靠谱。公共数据能教会模型通用流程,教不会它你们实验室那台仪器的脾气。
接下来值得观察的是三件事:第三方能否在相同工具集下复现四项基准,模型在长流程任务里的错误恢复率,以及它接入真实实验室信息管理系统后的表现。这三件事决定它是论文里的成绩,还是实验室里的工具。
开源策略也值得一提。权重与代码同时放出,意味着高校可以用自己的仪器数据做继续训练,而不必把原始数据传到外部服务上,这对涉及患者信息的场景是硬门槛。