科学智能数据库 Sciverse 正式发布：让科学数据成为 Agent 可调用的资源

关注

原创最新推荐文章于 2026-11-14 09:06:29 发布 875 阅读 AI 写同款· GEO 优化 ›

SCIAGENT：增强科学推理能力的辅助工具语言模型人工智能咨询培训老师叶梓转载标明出处科学推理旨在理解和决策STEM领域内的问题。它是智能的基本方面，也是LLMs的一项重要能力。然而，现有的LLMs在科学推理基准测试中的表现并不理想。例如，GPT-4在TheoremQA和SciBench基准测试中的准确率分别仅为50%和35%。为了解决这一问题，南洋理工大学、清华大学、微软公司、加州大学和新加坡管理大学的研究团队提出了一种新的方法，即通过工具学习来增强LLMs的科学推理能力。阅读详情

当前，科学数据与模型训练需求之间仍然存在明显鸿沟。大量关键科学信息分布在论文正文、图表、公式、结构表达和实验过程之中，天然具有多模态、强专业性和高复杂度等特征，难以直接进入模型训练流程。现有科学数据体系往往停留在原始汇聚、粗粒度清洗或单一模态处理层面，难以支撑科学大模型对结构、关系和过程的深入理解与演进。

为解决上述问题，上海人工智能实验室在日前举办的第二届浦江AI学术年会上，正式发布了科学智能数据库 Sciverse，其包含三层体系，含通识（Sci-Base）、跨界（Sci-Align）、高阶（Sci-Evo）三层体系，涵盖多个面向科学大模型训练与 AI 科学家应用的科学数据库，具备全模态、可演进和 Agent 友好的特性。可满足从科学通识底座构建到多模态数据对齐，再到高阶推理及探索能力训练的不同数据需求。

本次发布不仅公布了整体数据基座架构，也同步落地了一批关键数据成果。在通识数据层面，科研团队已完成对超过 2500 万篇科学文献的深度解析与结构化处理，相当于对数十年全球主流开放科研成果的系统性重构，覆盖从基础科学到应用工程等多个领域，沉淀出 6000 亿级 Tokens 高质量科学语料。

针对科学数据长期存在的封闭分散、模态割裂以及缺乏过程数据等问题，Sciverse通过开放大规模数据、打通不同模态之间的关联，并补充推理与实验过程数据，使数据能够直接用于模型训练和科研应用，从“面向人类阅读”转向“面向模型与智能体使用”。

目前，该项目正处于加速建设的关键期，未来将建成涵盖全球规模最大的 100PB 级 AI-Ready 科学智能数据库。这一项目不仅能实现海量异构数据的安全汇聚与联合分析，更将针对科研领域长期存在的“数据孤岛”与“真实实验数据空缺”进行精准破题，通过对真实世界规律的深度还原，提升模型对科学问题的理解与推演能力。同时，项目也面向高校与科研团队开放合作，共同推进科学数据生态建设，持续赋能 AI for Science 的创新与发展。

● SciVerse 官网，立即探索：https://sciverse.opendatalab.com/

一、Sci-Base 发布：2500万文献重构，打造“Agent-Friendly”的科学数据底座

作为Sciverse的底层科学通识层，本次首发的 Sci-Base 构建了目前全球规模最大的通用科学数据底座。Sci-Base 所承载的是科学数据中最具共性、也是最基础的一类数据——以科研论文、教材与学术著作为代表的通识性科学文献。这类数据并不稀缺，几乎所有科研机构与团队在日常工作中都会接触和积累。然而，长期以来，这些数据分散于不同来源，标准不统一、结构不一致，导致大量重复的数据收集、清洗与解析工作被不断重复投入。

Sci-Base 的核心价值，并不在于重新创造这些数据，而在于将这类基础性数据系统性地“做全做透”。通过对大规模科学文献的统一解析、结构化重构与持续更新，科研团队将原本分散的数据整合为一个完整、可用、持续演进的科学数据底座，使科研人员与开发者无需再从零开始处理底层数据。

依托 MinerU 智能文档解析引擎，Sci-Base 已对超过 2500 万篇开放获取（OA）科学文献与书籍进行了高质量数字化重构。在此过程中，科研团队对复杂数学公式、化学反应式以及高精度图表进行了深度结构化处理，将原本碎片化、难以直接利用的文档内容，转化为超过 6000 亿个具备 AI-Ready 特性的高质量 Tokens，为模型训练与推理提供可直接使用的科学数据基础。

在规模之外，Sci-Base 的价值同样体现在其系统性的知识广度上。其内容横跨自然科学领域的主流研究方向，对应我国高等教育体系中的核心学科结构，覆盖我国高等教育体系中自然科学领域的10余个一级核心学科及其细分专业。

在知识时效性上，Sci-Base 同样具有明显优势。其科学数据已更新至 2026 年 3 月，而目前业界主流先进大模型的知识截断日期多停留在 2025 年，甚至更早。例如，Claude 4.6 的知识截止至 2025 年 8 月，Grok 3/4 为 2024 年 11 月。相比之下，Sciverse能为科学大模型训练和科研应用提供更及时、不间断的数据支撑，保证数据不过时。

更重要的是，Sciverse 正在推动科学数据从“面向人类阅读”向“面向模型与智能体使用”转变。一方面，通过大规模、高一致性的深度解析，使数据能够直接用于科学大模型训练与推理；另一方面，对外提供 API 与 Skill 服务，使科学大模型训练与 AI 科学家应用可以像调用搜索引擎一样，直接获取结构化、可用的科学数据与文献信息。

在这一模式下，科研团队无需再自行寻找数据源、重复解析文献或反复验证数据质量与时效性。基础数据处理的成本被显著降低，研究者可以将更多精力投入到真正的科学问题与创新本身。

二、Sci-Align：破解多模态数据割裂，让大模型全方位理解科学数据

当前，在科学领域，多模态对齐数据是训练科学大模型的关键基础，但也是最为稀缺的一类数据。与通用文本或图像数据不同，科学数据天然具有更高的模态复杂度和知识专业度：同一个科学问题，往往同时涉及结构、图像、公式与文本等多种表达形式。例如，在生命科学中，一条蛋白质序列对应一维序列、三维结构，同时还需要通过文本描述其功能与作用机制；在化学领域，一个反应既可以通过 SMILES 等结构化符号表示反应物与生成物，也常以反应路径图等形式呈现，并辅以文字说明其反应条件与机理。

围绕这一问题，Sciverse推出了多模态科学数据对齐层——Sci-Align。在本次发布中，围绕生命科学与化学两个最基础、受众最广的科学领域，科研团队进一步推出了两项具有代表性的对齐数据成果：高质量蛋白质注释数据集和大规模有机化学反应数据集，分别从“序列—结构—功能”与“反应路径解析”两个核心问题入手，构建多模态对齐能力的典型范式。

在生命科学方向，此次发布的高质量蛋白质注释数据集聚焦“序列—结构—功能”这一核心映射问题，构建了覆盖超过 1800 万条蛋白质序列的高质量注释数据，是当前规模领先的蛋白多模态对齐数据之一。相较于传统蛋白数据库多以单一序列或结构信息为主，该数据集不仅包含序列本身，还整合了结构信息与多维度功能注释，并通过融合主流生物信息学工具的分析结果，实现了不同模态之间的统一表达，使大模型能够在同一数据体系下理解蛋白质从结构到功能的完整关系。

在化学领域，现有数据获取面临两难：要么来自商业数据库，封闭且难以被大模型调用；要么依赖开源数据集，但普遍存在质量不足、更新滞后的问题。在此背景下，本次发布的大规模有机化学反应数据库依托 MinerU 文档解析引擎，对海量有机合成专利进行了结构化重建。该数据库覆盖超过百万篇 USPTO 与 EPO 专利，在专利中的有机反应覆盖广度上已达到与 SciFinder、Reaxys 相近的水平。围绕单条反应构建了 18 个信息维度，整合反应物质、条件参数、操作流程等关键信息，并实现与原文的精准溯源，使数据具备更高的信息完整性与可用性，从而有效支撑科学大模型在有机化学方法学与逆合成路径规划等方向的深入研究。