高效准确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”亟待突破的重要问题之一。传统光学字符识别技术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。

近日，中国科学院自动化研究所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，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效果提升。

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。该范式的核心在于全场景覆盖的科学数据构建、多模态监督微调策略、面向科学文献语义的强化学习优化机制三个技术支柱。

在数据层面，团队采集并构建了覆盖三个典型科学书写形态的训练语料——手写体、数字排版体、纸质扫描体。手写体数据涵盖不同学者的笔迹风格、连笔习惯与轻微涂改等真实场景；数字排版体数据横跨数学、物理、天文、工程、生物、计算机等学科，包含大量嵌套公式、特殊符号与复杂排版；纸质扫描体数据兼顾高清与低质量样本，可模拟实际扫描或拍照中可能出现的模糊、倾斜、低分辨率等情况。数据均经过严格去噪、标准化标注与格式对齐，并通过均衡采样策略确保模型在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，为模型理解科学表达的复杂性提供了支撑。

在模型训练阶段，团队采用两阶段优化策略。第一阶段策略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，第二阶段策略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公式语法正确性、符号完整性与结构合理性三重科学导向的奖励信号。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。

同时，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较高水平。

为更好满足科研需求，磐石·科学文献解析器的输出包含高精度的文本与公式识别结果，并支持JSON、Markdown等结构化格式输出，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。