36B 读论文的能力边界:整理实验结论很稳,但好假设它还真提不出来
36B 读论文的能力边界:整理实验结论很稳,但好假设它还真提不出来
组会前一晚,电脑里躺着 30 篇 PDF,摘要看得懂,图表看得晕,实验条件藏在附录第三页。
这大概是每个研究生、每个行业研究员都经历过的夜晚。
于是当上海 AI 实验室把 Sage-A1.5 开源、还喊出"从长任务执行走向科学探索"的时候,很多人第一反应是:读论文这活儿,是不是终于能外包了?
先别急着把文献综述甩给它。我把官方技术报告、演示案例和全部跑分翻了一遍,结论有点微妙:它是个极其靠谱的科研助理,但还不是那个能替你拍板的人。
一、先认识一下:这是个什么"数字研究生"
Sage-A1.5 是一个 35B 参数的开源科学智能体模型,来自上海 AI 实验室,权重直接公开,能自己部署。
翻译成人话:它是一个会自己查资料、会开代码、会写报告、还会中途停下来检查自己有没有跑偏的"数字研究生"。
它用了现在很流行的"专家混合"结构——总共有 256 个"专科大夫",但每道题只叫最对口的 8 个来会诊。所以你看到的是一个 35B 的大模型,实际每次干活只动用 3B 左右的算力。
打个比方:**挂号费按大医院交,实际坐诊的是几个最懂行的专家。**这也是它能在普通工作站甚至 Mac 上跑起来的原因。
它一次能抱住 256K 的内容不撒手,差不多是几百页资料的量级。这一步很关键——读论文这件事,本质就是"记性"和"耐心"的比拼。
二、它最强的地方,恰恰是科研里最枯燥的活
1. 论文 PDF 进得去,表格公式图注都抠得出来
这是最被低估的一项能力。
读论文最烦的不是看不懂,是表格跨页、公式是图片、图注藏在页脚,复制粘贴全乱码。
在专门考"文档解析"的 OmniDocBench 上,它拿了 91.5 分,是参评模型里的第一名,比 GPT-5.6-sol 的 85.8、Kimi-K3 的 91.1 都要高一点。
别小看这几个点。这意味着它能把你丢过去的一篇 PDF,还原成"正文、表格、公式、图表说明"分门别类的结构。
对科研人来说,这就是把"手动抄录实验数据"这一整段体力活,直接删掉了。
2. 长跑找证据,不容易半路掉线
科学问题很少能一次搜到答案,往往是"查 A 发现 B,顺着 B 又找到 C"。
在 GAIA 这个考"多步检索+工具使用"的硬核榜单上,它拿到 95.1,比 Kimi-K3 的 92.2、GLM-5.3 的 92.2、GPT-5.6-sol 的 88.3 都高。在 XBench 深度搜索榜上是 92.0,同样是全场第一。
更直观的是它"派小分队"的能力:官方演示里,让它盘点全球播放量最高的 50 个 YouTube 频道,它没有傻乎乎地一个一个查,而是把 50 个频道拆成 6 批,同时派出去查,每个小分队有自己的上下文,互不打扰,最后由主模型汇总。
查的过程中还出了个漂亮活儿:一个小分队发现某频道原先记的运营方是索尼,拿出证据纠正成了迪士尼 Star/JioStar,主模型把这个更正吸收进了后续分析。
这正是人类带课题组的方式——不是自己一个人干到死,而是分头查、交叉验证、再汇总。
3. 它会自己停下来问一句:"我是不是在原地打转?"
这是我觉得最值钱的设计,官方叫"智能体验证"。
搜索型 AI 最常见的翻车不是搜不到,而是明明已经走错路,还在一遍遍重试同一条路。
它被训练成在关键节点自己踩一脚刹车:现在确认了什么、哪些只是猜测、还缺什么、哪条路已经证明没用。
官方演示里有个很有说服力的对照:同一道题,开启自查的版本用了 30 轮、29 次工具调用,找到了正确答案;不开的版本绕了 48 轮、47 次调用,最后给出了一个错答案。
在 BrowseComp 这个"答案难找但一验就知"的榜单上,同一套流程下,开不开这项能力,成绩从 72.5% 提到了 82.9%,涨了 10 个多点。
**说白了,它不是变聪明了,是学会了不钻牛角尖。**这一点,很多人类研究者也做不到。
4. 复算别人的结论,还能抓出"转述走样"
科学里最要命的错误,往往不是算错,而是中间有人转述错了。
演示里有个化学案例:一份资料里说某次实验净增重 1.52 克。它没有直接采信,而是把账重新算了一遍——析出的银 2.1529 克,溶解掉的铜 0.6329 克,一减正好 1.5200 克。
结论很有意思:原始资料没错,错的是"网页阅读工具自动生成的那段摘要"。
它抓的不是论文的错,是"二手转述"的错。这个能力在文献综述里太实用了——你看到的很多"某某研究表明",其实已经被转述过三道手了。
还有更硬的一仗:一道量子光学难题,它发现自己的解析推导和数值计算结果对不上,回头检查代码,揪出一个复数共轭写错的地方,改完重跑十组测试,把偏差压到了小数点后十几位。
**自己写的代码,自己查出来,自己修好。**这一步已经超出"工具"的范畴了。
三、边界在哪:三件事它做不稳
接下来是我认为更该被讲出来的部分。
1. 它能发现"同一份材料里对不上",但分不清"两篇论文谁更对"
它擅长的矛盾识别,是同一份材料内部的账对不上——摘要和正文冲突、表格和结论打架、转述和原文有出入。这类它抓得很准。
但科研里真正难的矛盾是另一类:论文 A 说这个机制成立,论文 B 说在另一种条件下不成立,两边实验条件差了一大截。
这时候不是"谁抄错了",而是**"哪个条件更接近你手里的体系"**。这需要人判断实验设计的可信度、样本量的分量、以及那个领域里大家心照不宣的"潜规则"。
它能把两边的说法摆到你面前,但它给不出那个"我信哪个"的判断。
2. 实验设计:它是执行者,不是出题人
量子化学那个案例特别能说明问题。
官方原话是:它把科学家指定的研究计划,翻译成了一套能跑的量子化学工作流。人是出题的人,它是干活的人。
它做了什么呢?提出 5 个吡啶衍生物候选、生成 7 个单体和 11 个复合物构型、写脚本做几何优化和结合能计算、把独立的计算并发调度、盯着进度、发现某个优化跑崩了就从存档坐标重启。
这套流程,官方估算人类研究者从零做一遍大概要一周,它用了大约 12 小时。
效率是真的猛。但请注意那条分界线:"研究什么问题、为什么这么设计、算出来意味着什么"——这三步还是人的。
它甚至发现 2-甲基吡啶的结合比原先预测更强。这算小惊喜,但依然是"在人类画好的框里发现的一个偏差",不是它自己冒出一个新方向。
3. 它最诚实的地方:自己承认没搞定
这是我看完整个报告后最欣赏的一点——它没有把失败包装成成功。
晶体结构精修那个案例,它做了 8 轮尝试,接受了 6 次更新,把拟合残差 Rwp 从 88.31% 降到 86.11%。
数字听着挺像回事,但报告里明明白白写着:剩下那么大的偏差,让我们无法对结构精度下结论。
翻译一下:活儿干了,指标好看了两个点,但它自己说"这结果还不能用"。
电化学那个案例也一样:它从 40 条历史实验记录里,把最佳收率从 32% 一路找到 89%。但报告紧接着补了一句——它画出的那张"机理关系图",是假设,不是已经证实的因果关系。
最关键的一句在最后的局限性章节:所有这些科学演示,都还是计算模拟和历史数据回放,不是真的动手做实验。
跑分也印证了这条边界:
- 博士级科研子任务(FrontierScience-Research),它拿 48.3 分,已经是全场第一,但意味着一半以上的题它还是做不对;
- 前沿物理论文级难题(CritPt),它 20.0 分,GPT-5.6-sol 是 32.3;
- 经济价值真实工作流(ALE-CLI),它 19.1 分,头部模型在 28 分上下。
整理、复算、检索、核对,它是优等生;原创性的"从零提出一个好问题",它还在及格线附近挣扎。
上面这些分数都来自官方技术报告和演示页,第三方独立复现还需要时间,这点得说清楚。

四、所以,人机分工的线该划在哪
我把这条线总结成两句话:
凡是"有标准答案的搬运",交给它。
- 把 50 篇 PDF 拆成结构化笔记,表格数据一条条对齐;
- 单位换算、量纲检查、把别人论文里的数重新算一遍;
- 盯着一个结论,把它的证据链从头到尾捋一遍,看哪一环是猜的;
- 写一份每一句都带出处的研究初稿——它做过一个纳维-斯托克斯方程的开放调研,产出 8 个章节、391 处文中引用、84 篇参考文献、4 张图,中文版约 4.4 万字。
凡是"没有标准答案的判断",人来接手。
- 这个方向值不值得做;
- 两篇打架的论文,哪篇的实验设计更可信;
- 这个反常结果是噪声,还是真发现;
- 下一步该设计什么实验去验证。
一个很现实的用法是:让它把"已知"整理到极致,你好把脑子腾出来想"未知"。
五、想上手?门槛比想象中低,但也没低到手机能跑
它是开源的,权重公开,主流的推理框架都支持,官方还给了免费试用额度。
部署上支持 NVIDIA 显卡、华为昇腾、AMD 显卡,也支持苹果 M 系列芯片——演示里就有一段在 Mac 上本地跑、调搜索工具、最后给出答案的完整录屏。官方还提供 FP8 和 4 位量化版本,能把显存要求再压一压。
但话说回来,35B 的模型终究不是手机 App。想在自己电脑上顺跑,一台内存够大的机器(比如高配 Mac Studio 或一张大显存显卡)是基本盘,不然就走云端或试用额度。
适合谁?
最适合的是每天要跟大量文献、报表、数据打交道的人:研究生和博士生、高校课题组、企业里的行业研究员、券商分析师、科技媒体和咨询顾问。
如果你只是想让它帮你写篇公众号推文,那是大炮打蚊子。
六、最后说句实在话
这一轮 AI 科学模型的热闹,容易让人产生一种错觉:AI 要取代科学家了。
但看完这些案例,我的感受恰恰相反——它把科研里"最耗人、最不出活"的那 70% 接了过去,反而把"人为什么是研究者"这件事照得更亮了。
一周的量子化学计算压缩到 12 小时,这不是替代,这是把人的时间还给了思考。
真正稀缺的从来不是算力,是那个"等等,这里好像不对劲"的直觉,和"我要去验证它"的冲动。
有意思的是,Sage-A1.5 恰恰在这两件事上迈了半步——它会察觉自己卡住了,也会揪出自己代码里的错。但它还不会主动问出那个没人问过的问题。
如果明天你的课题组真配了这么一个"数字师弟",你最想让它先接手哪件苦活:把三年的文献全读完、把别人论文的数据全复算一遍,还是先帮你写出初稿?
评论区聊聊,我猜选第二个的人最多。