6月18日，阿里通义实验室联合 ATH-Token Foundry、中国人民大学高瓴人工智能学院，正式开源 LOGOS（Language Of Generative Objects in Science）——这是业内首个基于统一”科学语法”的多领域科学生成基础模型，也是国内首个跨学科统一科学基座模型。
LOGOS 的发布直指 AI for Science（AI4S）领域长期存在的一个核心痛点：模型割裂问题。此前，蛋白预测、分子设计、材料生成、逆合成推理各自需要独立的专用模型，架构不能互通、知识无法迁移、研发和部署成本居高不下。LOGOS 则从根本上终结了这一局面。
核心数据令人震惊：LOGOS-1B 参数量仅为 1B，却大幅超越了微软 NatureLM 8×7B（合计 46.7B 参数）——参数量缩减至对方的 1/56，却在六大主流科学任务上实现了全面持平或反超。Vina 配体对接最低分可达 -11.4，分子 QED 药效评分最高达 0.90，这两项指标均为业界顶级水准。
LOGOS 能够在极小参数量下实现大幅超越，核心技术在于其独创的“统一科学语法”架构。这一架构的核心创新体现在三个层面：
第一，统一异构对象编码。蛋白质、小分子、晶体材料、化学反应——这些过去”鸡同鸭讲”的不同科学实体，LOGOS 用一套共享词表将它们全部编码为统一的离散 Token 序列，让大模型得以用自回归方式理解和生成所有科学对象。传统模型必须依赖 3D 坐标文件作为输入，而 3D 数据标注成本极高、数据集稀缺。LOGOS 则将 3D 空间接触模式直接”语法化”为离散 Token，无需 3D 坐标，仅靠序列预测就能在脑海里构建复杂的空间互作规律。
第二，Form-Objectivo Alignment（目标对齐）。预训练的 next-token prediction（预测下一个词）直接等于下游的条件生成目标，消除了预训练与下游应用之间的目标偏差，不需要复杂的适配层或大量微调即可激活生成能力。
第三，跨领域知识迁移。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），真正学会了两类异构对象之间的语义对应关系。
预训练语料库涵盖7 类模态、44.87B tokens，包括：蛋白质（28.9B tokens）、抗体（3.0B tokens）、小分子（2.1B tokens）、化学反应与 MOF 材料（0.47B tokens）、蛋白质口袋（5.8B tokens）、蛋白口袋-配体复合物（4.6B tokens）。
LOGOS 的开源生态已全面开放：完整模型权重、推理代码、完整技术白皮书、Vina 分子对接配套工具、多任务评测脚本、魔搭/ Hugging Face 一键部署 WebUI，全部免费下载商用。
实际影响方面，有药企首席算法架构测算：批量筛选候选分子动辄需要上万次生成，LOGOS 小参数量、高性能特性可将单批次分子设计算力成本降低 60%；人大高瓴人工智能学院副院长王哲教授指出：LOGOS 让 vLLM、模型量化、分布式微调全部直接复用，把科学 AI 落地成本压缩 70% 以上；沙利文 2026 年 AI4S 产业报告预测，统一基座 LOGOS 有望将行业整体算力投入平均下降 52%。
这次开源的深远意义在于：它打破了生物、化学、材料学科的壁垒，让 AI 科研从”在数据库里筛选已知物质”升级为”AI 主动设计全新功能化合物、蛋白结构和材料”。此前全球药企、材料院所使用的科学模型平均部署成本超百万元/年，多模型并行架构运维复杂；统一基座 LOGOS 的出现，有望成为 AI 科研工具大规模普及的重要拐点。
