1052篇文献！上海AI Lab发布科学LLM综述：从数据基础到Agent前沿

通用大语言模型（LLM）在科学场景科学大语言模型（Sci-LLMs） “水土不服”——数据异构、跨尺度、强不确定性。

上海AI Lab主导，25家研究机构共同参入，几十位研究人员首次系统梳理 270+ 训练集、190+ 评测集，提出“科学数据分层框架”与“智能体闭环科研”新范式。

按六大学科分类的著名科学大语言模型（Sci-LLMs）时间线概览，涵盖 2019 年至 2025 年初。

科学数据统一分类法

Fig-3 六大学科数据模态词云：文本、符号、图像、时间序列、多组学、结构化表格

表 II 给出 9 种数据源、8 种数据类型的精确定义，可直接拿来写数据管理计划。

模型：演进四部曲

Fig-2 四代范式：Transfer Learning → Scaling → Instruction → Agentic

数据：270 数据集全景

Fig-19 预训练数据模态分布：学术文本 46% vs 实验原始信号 <3%

1 预训练“重灾区”

• 物理：90% 为理想仿真（Illustris、Boltshoi），真实 LIGO 波形不足 1 TB。
• 化学：SMILES 字符串高达 2.3 B，但 3D 坐标+光谱配对 < 0.1 B。
• 地球科学：MODIS、ERA5 影像多，却缺少“像素级语义标注”。

2 后训练“新趋势”

• Instruction-Tuning：从问答对→带 CoT 的推理链（Nemotron-Science 2.7 M）。
• 多模态 VQA：医学影像报告生成、遥感变化检测，GPT-4V 自动标注占比 > 80%。

表 IV 汇总 150+ 数据集大小、来源、自动标注工具，一键筛选可用资源。

评估：从“答题”到“开实验室”

Fig-23 三大基准难度对比：MMLU-Pro 80%↑ vs HLE 5%↓

数据“暗面”：三大系统性缺陷

Fig-27 数据生产-审核流水线：缺乏可追溯、实时更新、AI-Ready 标准

1. Traceability Crisis：70% 仓库无版本链，实验条件、校准参数丢失。
2. Data Latency：PubMed 平均 8 个月滞后，预印本缺少结构化 API。
3. AI-Readiness Gap：原始 LIGO 文件需 7 步脚本才能变成 token，重复劳动占研究 30% 时间。

未来：三步走向“科学家智能体”

Fig-28 三阶段演化：数据基础设施→科学能力涌现→自主发现闭环

https://arxiv.org/pdf/2508.21148v1
A Survey of Scientific Large Language Models: From Data Foun

本文转载自​​PaperAgent​​