新一代科学文献深度解析工具来了——中科院推出S1-Parser

沈慧 2025-11-03 22:25:40

记者从中国科学院自动化研究所获悉,近日,该所“AI+科学”研究团队近日正式推出新一代科学文献解析工具——磐石·科学文献解析器(S1-Parser)。该工具从底层算法出发,通过构建面向科学语义理解的多模态训练体系与强化学习机制,在公式、文本、图表等多元素协同解析上实现质的飞跃,为全球科研工作者提供真正“懂科学”的智能解析引擎。

在人工智能深度赋能科学研究的浪潮中,如何高效、准确地将海量非结构化科学文献转化为可计算、可推理的结构化知识,已成为“人工智能+科学”亟待突破的核心问题之一。传统光学字符识别(OCR)技术虽在通用文本场景中表现成熟,但在面对科学文献尤其是包含复杂公式符号、专业图表、多模态排版与跨学科术语的学术论文时,存在识别错误、结构逻辑丢失、输出格式单一等问题,难以支持科研自动化、知识图谱构建、智能问答等下游任务的发展。

针对这一关键挑战,团队摒弃了仅依赖通用视觉语言大模型的思路,转而构建一套专为科学文献场景量身定制的算法训练范式。在数据层面,团队系统性地采集并构建了覆盖三大典型科学书写形态的训练语料:手写体、数字排版体与纸质扫描体。

在模型训练阶段,团队采用两阶段优化策略。首先,通过多模态有监督微调,使模型初步掌握文本、公式、表格、插图等异构元素的联合表征能力。在此基础上,引入一种面向科学文献语义的梯度强化学习策略优化框架。不同于传统以字符准确率为导向的训练目标,该强化学习策略优化框架专门设计了三重科学导向的奖励信号:公式语法正确性、符号完整性与结构合理性。通过强化学习优化算法持续优化这些奖励信号,模型不仅“看得清”,更能“理解对”,生成的公式在语义层面高度可靠,可直接用于符号计算、定理验证等高阶任务。

据悉,研发团队在多个科学文献数据集上开展了系统评测,磐石·科学文献解析器在篇章级解析、公式专项识别等任务中均展现出了国际领先水平。

为了更好满足科研需求,磐石·科学文献解析器的输出不仅包含高精度的文本与公式识别结果,可无缝对接知识抽取、文献重排版、智能问答等下游应用。目前,磐石·科学文献解析器(V1.0)已正式开源,并作为核心组件集成于“磐石·科学基础大模型”(ScienceOne),服务全球科研社区。下一步,研究团队将持续拓展其对多模态科学内容的解析能力,并推动构建开放、协作的科学智能生态。(经济日报记者  沈慧)