MKB 神珍：科学数据不过「文本」这道关（SAIS 11B×六模态 / 接口税首次常参数定价 7/20 vs 17/20 / 冻结主干防遗忘 × ADMET 诚实边界）

MKB 神珍：科学数据不过「文本」这道关

先过素材海关。MKB = Monkey King Bang（神珍——金箍棒在东海龙宫的本名，一根铁如意变化万千），上海科学智能研究院（SAIS）团队，arXiv 2607.20557（2026-07-17），代码 Apache-2.0 开源。文案骨架全部属实：Qwen3-VL-8B 共享骨干 ✓、六分支（DNA/RNA/蛋白质/小分子/地球系统/医学影像）✓、原生输入输出（分子字符串/气象场/分割掩码）✓、"转文本丢结构"的动机 ✓——论文原话：现有系统"要么专科，要么主要靠文本 token 化与提示接口统一科学数据，无法处理多样科学输入、产出模态原生输出"。文案没给的数字补上：总参数约 11B；Biology-Instructions 20 个任务 17/20 进前二，超过 Intern-S1-Pro（1T 参数，16/20）；中期天气预报在评测设定下优于 ECMWF 业务系统 HRES（Pangu-Weather/GraphCast 同款基线）；医学影像多模态总 Dice 最佳；科学训练后通用能力基本保留。两处校准：①GitHub 目前 37 star——机构打法、财经媒体稿先行，社区热度尚未起，与 Semantica 的病毒式 star 是两种画像；②论文是 7 月 17 日的，素材晚了六周，作为"新发布"转述需校准时间戳。

一、接口税：第一次有了对照实验

这篇报告里最值钱的不是 11B 打平 1T，是那个同规模对照组：ChatMultiOmics——Llama-3.1-8B 微调，把 DNA/RNA/蛋白质/分子序列直接当文本 token 表示，无模态编码器。同一张 Biology-Instructions 考卷：

ChatMultiOmics（8B，文本化）     7/20 进前二
MKB（8B 骨干+原生编码器）        17/20 进前二
Intern-S1-Pro（1T，文本化）      16/20 进前二

这是"接口丢结构"命题目前最干净的一次产业级测量：参数量恒定时，文本化接口 vs 原生编码器差出 10 个名次；万亿参数买不回 8B 原生接口丢掉的结构。Intern-S1-Pro 用 100 倍参数补文本接口的损耗，勉强追平——论文的措辞很准："largest current scientific multimodal LLMs focus on textual scientific reasoning and do not natively emit continuous-field forecasts or high-resolution segmentation masks"。梯度上不去的结构，参数堆不回来。这给接口经济学补上了缺失的一环：此前证据（CLEVR 消融、Semantica 图原生 vs 向量 RAG）都说"结构在接口处丢失"，MKB 给出了价格——这个税，一百倍参数只够补到及格。

二、冻结主干：遗忘问题的训练学解

MKB 的两阶段课程论文自称 "modality-then-language"：Stage 1 冻结 Qwen3-VL 主干，只训各模态编码器/适配器/解码器；Stage 2 再用科学+通用混合语料做七模态联合巩固。两个效果，对应两条主线：

其一，通用能力保留。 科学数据训练最容易把骨干的通识冲掉（灾难性遗忘）。MKB 的解法是把模态组件做成隔离层——科学梯度只流向编码器，主干冻结期零污染；Stage 2 用混合语料温和巩固。这是 Mobius「知识-推理解耦=干净遗忘的架构前提」的训练学实现：解耦不发生在参数里，发生在梯度通路上。

其二，对 vision laziness 的第二种解法。 FAIR×Oxford 的多模态预训练物理说：语言 warm-up 越久视觉通路越躺平，解药是早期统一让捷径不存在。MKB 给出另一个答案：让捷径无法形成——主干冻结期间，语言通路不参与竞争（梯度不流），每个模态的表示学习先独立站稳，再进联合课堂。同一物理，两种工程：早统一 vs 先分立后统一。哪种更优没有结论，但"冻结强势通路"这个操作值得所有多模态训练工程师记下。

三、被低估的部分：数据纪律

论文把数据构造称为"一等公民"，其中最硬的一条是 entity-level 切分与泄漏控制：蛋白按聚类、分子按骨架（scaffold）整体分配到单一 split——原话："随机记录级切分会系统性高估生物数据上的性能，因为近重复序列和骨架会跨过切分边界"。生化 ML 圈大量漂亮数字死于这一条。这是 ARS/WRC 的验证纪律落在数据工程层的样子：不控制泄漏的 benchmark 分数不是证据，是幻觉。另外跨模态监督（酶催化 protein×molecule、RNA-蛋白互作）在网页语料里不存在，只能从 BindingDB 这类结构化库里构造——科学数据经济学与网页预训练根本不同：通用货币不是文本，是互作。

四、诚实边界：token 门前的精度死亡

论文自认的局限值得放大："requiring precise scalar prediction 的任务表现仍不一致，尤其 ADMET 相关终点"。注意失败面的形状：原生结构输出（SMILES、气象场、分割掩码走各自的解码器）都好，偏偏是标量回归死在门口。这是"token 是贵的接口"的回归版——离散词表过投影窄门，结构可以分词存活，精度不能。多模态统一的失败表面精确映射接口经济学：结构走原通路，精度死在 token 门。和 SSP-BO 用 VSA 表示连续量的动机同源。报告没回避，加分。

五、主线回接

接口丢结构第十四验（科学基础模型版）：十二验（CLEVR 预训练动力学）、十三验（Semantica 商业图谱基建）之后，MKB 补上科学计算域——且首次给出常参数对照定价。资源平权再添一子：11B 可训规模打出 1T 文本化的成绩，结构保留比参数规模更值钱。上海本地对局也有意思：SAIS（11B 原生路线）vs 上海 AI Lab Intern-S1-Pro（1T 文本路线）——同城两种哲学正面碰撞，MKB 用小两个数量级的模型先拿下考卷。

观察点：①37 star 的仓库六个月后是否有第三方复现与下游采用（机构发布的真实检验）；②ADMET 标量短板会不会催生"标量头"这种新原生解码器——接口清单还缺一格；③ HRES 对比"on the evaluated settings"的限定词——中期预报的完整验证（极端事件、长时效）是气象圈的老考点。

---

信源：arXiv 2607.20557v1（SAIS Team，2026-07-17，HTML 全文精读，17/20、7/20、1T/16/20、HRES、Dice、ADMET 局限、冻结主干课程、entity-level 切分均核自原文）；GitHub Shanghai-Academy-of-AI-For-Science/MKB（37 star，Apache-2.0，8-20 仍在推送）；新浪财经/东财 2026-07-18 报道（110 亿参数、六类数据）。文案骨架忠实、零数字，数字全部由本文补齐并核对。转载请注明出处。