中国科学院是国度科学技能界最高学术机构、国度科学技能思惟库，天然科学基础研究与高技能综合研究的国度战略科技气力。 1949年，陪同着新中国的降生，中国科学院建立。建院70余年来，中国科学院时刻服膺任务，与科学共进，与故国偕行，以国度富强、人平易近幸福为己任，人材辈出，硕果累累，为我国科技前进、经济社会成长及国度安全作出了不成替换的主要孝敬。 更多+

为利便科研职员周全快捷相识院级科技专项信息并举行项目申报等相干操作，特搭建中国科学院院级科技专项信息治理办事平台。相识科技专项更多内容，请点击进入→

高效正确将海量非布局化科学文献转化为可计较、可推理的布局化常识，已经成为“人工智能+科学”亟待冲破的主要问题之一。传统光学字符辨认技能于通用文本场景中体现成熟，但于面临科学文献——特别是包罗繁杂公式符号、专业图表、多模态排版与跨学科术语的学术论文时，存于辨认过错、布局逻辑丢掉、输出格局单一等问题，难以撑持科研主动化、常识图谱构建、智能问答等下流使命的成长。

近日，中国科学院主动化研究所正式推出新一代科学文献解析东西——盘石·科学文献解析器S1-Parser，从底层算法出发，经由过程构建面向科学语义理解的多模态练习系统与强化进修机制，于公式、文本、图表等多元素协同解析上实现效果晋升。

团队摒弃了仅依靠通用视觉语言年夜模子的思绪，转而构建一套专为科学文献场景量身定制的算法练习范式。该范式的焦点于在全场景笼罩的科学数据构建、多模态监视微调计谋、面向科学文献语义的强化进修优化机制三个技能支柱。

于数据层面，团队收罗并构建了笼罩三个典型科学书写形态的练习语料——手写体、数字排版体、纸质扫描体。手写体数据涵盖差别学者的字迹气势派头、连笔习气与稍微涂改等真实场景；数字排版体数据横跨数学、物理、天文、工程、生物、计较机等学科，包罗年夜量嵌套公式、非凡符号与繁杂排版；纸质扫描体数据统筹高清与低质量样本，可模仿现实扫描或者照相中可能呈现的恍惚、歪斜、低分辩率等环境。数据均颠末严酷去噪、尺度化标注与格局对于齐，并经由过程平衡采样计谋确保模子于多样场景下的泛化能力。这一“全形态、多学科、高质量”的数据基础，为模子理解科学表达的繁杂性提供了支撑。

于模子练习阶段，团队采用两阶段优化计谋。第一阶段计谋经由过程多模态有监视微调，使模子开端把握文本、公式、表格、插图等异构元素的结合表征能力。于此基础上，第二阶段计谋引入一种面向科学文献语义的梯度强化进修计谋优化框架。差别在传统以字符正确率为导向的练习方针，该强化进修计谋优化框架专门设计公式语法准确性、符号完备性与布局合理性三重科学导向的奖励旌旗灯号。经由过程强化进修优化算法连续优化这些奖励旌旗灯号，模子不仅“看患上清”，更能“理解对于”，天生的公式于语义层面高度靠得住，可直接用在符号计较、定理验证等高阶使命。

同时，团队于多个科学文献数据集上开展了体系评测。盘石·科学文献解析器于篇章级解析、公式专项辨认等使命中均揭示出较高程度。

为更好满意科研需求，盘石·科学文献解析器的输出包罗高精度的文本与公式辨认成果，并撑持JSON、Markdown等布局化格局输出，可无缝对于接常识抽取、文献重排版、智能问答等下流运用。

今朝，盘石·科学文献解析器（V1.0）已经正式开源，并作为焦点组件集成在“盘石·科学基础年夜模子”（ScienceOne），办事全世界科研社区。