通义实验室于2026年6月18日正式对外发布首个依托统一“科学语法”构建的多学科科学生成基础模型——logos（language of generative objects in science），并同步启动开源计划。
该模型由 ATH-Token Foundry 与中国人民大学高瓴人工智能学院联合研制，致力于解决当前 AI for Science（AI4S）领域中普遍存在的“一任务一模型”碎片化困境。其核心思路是将蛋白质、小分子、无机材料、化学反应等多样化科学实体，统一映射为离散化的 Token 序列，从而在原生大模型架构下实现跨模态知识融合与自回归式科学对象生成。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
LOGOS 的关键创新体现在两方面：一是原创性“科学语法”体系的设计，二是空间交互关系的离散化建模机制。该技术路径摆脱了对高成本3D坐标标注数据及定制化几何神经网络的依赖，仅通过序列级建模即可精准捕获复杂三维空间中的结构互作逻辑，并确保预训练目标与下游任务目标在语义与形式上高度对齐。
将小说章节转换为电影分镜剧本。用户上传txt/md/docx文本，AI分析场景、角色、情绪、镜头语言，输出专业分镜脚本。适用于用户提及“分镜”“storyboard”“小说转分镜”“影视改编”“镜头脚本”或需要将小说改编为分镜的场景。
权威基准测试表明，参数量仅为1B的 LOGOS-1B，在涵盖口袋导向型配体设计、逆合成路线预测（Top-1准确率高达74.8%）、蛋白结合位点识别（HOLO4K数据集Top-n准确率达58.5%）、MOF材料单元生成（新型构建模块比例提升76%）等六大典型科学任务中，全面达到或优于各领域专用模型性能；尤为突出的是，在多项指标上，它以不足 NatureLM（8×7B）1/56的参数规模实现了反超。
得益于对主流大语言模型（LLM）预训练权重的兼容继承，LOGOS 可无缝接入 vLLM 推理加速框架、模型量化工具链等成熟工程生态，显著降低部署门槛；同时，它正加速推动基础科学研究范式从传统“经验筛选”迈向“理性设计驱动”。目前，模型权重、推理代码及完整技术白皮书已面向全球开发者开放获取。
