中國日報10月31日電（記者 李夢涵）在人工智能深度賦能科學研究的浪潮中，如何高效、準確地將海量非結構化科學文獻轉化為可計算、可推理的結構化知識，已成為“人工智能+科學”亟待突破的核心問題之一。傳統光學字符識別（OCR）技術雖在通用文本場景中表現成熟，但在面對科學文獻——尤其是包含復雜公式符號、專業圖表、多模態排版與跨學科術語的學術論文時，存在識別錯誤、結構邏輯丟失、輸出格式單一等問題，難以支持科研自動化、知識圖譜構建、智能問答等下游任務的發展。
針對這一關鍵挑戰，中國科學院自動化研究所“AI+科學”研究團隊近日正式推出新一代科學文獻解析工具——磐石·科學文獻解析器（S1-Parser）。該工具從底層算法出發，通過構建面向科學語義理解的多模態訓練體系與強化學習機制，在公式、文本、圖表等多元素協同解析上實現質的飛躍，為全球科研工作者提供真正“懂科學”的智能解析引擎。
科學文獻的識別不僅是字符的還原，更是語義結構的重建。為此，團隊摒棄了僅依賴通用視覺語言大模型的思路，轉而構建一套專為科學文獻場景量身定制的算法訓練范式。其核心在于三大技術支柱：全場景覆蓋的科學數據構建、多模態監督微調策略，以及面向科學文獻語義的強化學習優化機制。
在數據層面，團隊系統性地采集并構建了覆蓋三大典型科學書寫形態的訓練語料：手寫體、數字排版體與紙質掃描體。手寫體數據涵蓋不同學者的筆跡風格、連筆習慣與輕微涂改等真實場景；數字排版體數據橫跨數學、物理、天文、工程、生物、計算機等多個學科，包含大量嵌套公式、特殊符號與復雜排版；紙質掃描體數據則兼顧高清與低質量樣本，模擬實際掃描或拍照中可能出現的模糊、傾斜、低分辨率等情況。所有數據均經過嚴格去噪、標準化標注與格式對齊，并通過均衡采樣策略確保模型在多樣場景下的泛化能力。這一“全形態、多學科、高質量”的數據基礎，為模型理解科學表達的復雜性提供了堅實支撐。
在模型訓練階段，團隊采用兩階段優化策略。首先，通過多模態有監督微調，使模型初步掌握文本、公式、表格、插圖等異構元素的聯合表征能力。在此基礎上，引入一種面向科學文獻語義的梯度強化學習策略優化框架。不同于傳統以字符準確率為導向的訓練目標，該強化學習策略優化框架專門設計了三重科學導向的獎勵信號：公式語法正確性、符號完整性與結構合理性。通過強化學習優化算法持續優化這些獎勵信號，模型不僅“看得清”，更能“理解對”，生成的公式在語義層面高度可靠，可直接用于符號計算、定理驗證等高階任務。
研發團隊在多個科學文獻數據集上開展了系統評測，磐石·科學文獻解析器在篇章級解析、公式專項識別等任務中均展現出了國際領先水平。
為了更好滿足科研需求，磐石·科學文獻解析器的輸出不僅包含高精度的文本與公式識別結果，還支持 JSON、Markdown 等結構化格式輸出，可無縫對接知識抽取、文獻重排版、智能問答等下游應用。目前，磐石·科學文獻解析器（V1.0）已正式開源，并作為核心組件集成于“磐石·科學基礎大模型”（ScienceOne），服務全球科研社區。下一步，研究團隊將持續拓展其對多模態科學內容的解析能力，并推動構建開放、協作的科學智能生態。
掃碼下載
中文網微信