一句话定义
科学基础模型（Scientific Foundation Model）是指在某一科学领域的大规模专业数据上预训练、能被该领域成百上千个下游任务反复微调复用的“通用底座模型”。
它和通用大模型差在哪
通用大模型读的是网页、书籍、对话，最小单位是“词”。科学基础模型读的是仪器和实验产出的数据：病理切片、CT 影像、卫星遥感图、月球地形高程、蛋白质序列、数学题。这些数据没法直接喂给文本分词器，得先做一套专用 tokenizer——把一张病理切片切成上万个“图块 token”，把一段光谱切成离散片段，把月球地形切成带坐标的小格。这一步不做好，后面全白搭。
打个比方：通用大模型像读遍图书馆的通才，什么都能聊两句；科学基础模型像在实验室泡了十年的老师傅，先学会“这一行的语言”，再上手解决具体问题。区别不在谁更聪明，而在入门时学的是哪种教材。
评测方式也完全不同
通用大模型比的是聊天榜单，科学基础模型比的是“有没有真的用”：
| 维度 | 通用大模型 | 科学基础模型 |
|---|---|---|
| 训练数据 | 网页、书籍、代码 | 影像、观测、实验、序列数据 |
| 最小单位 | 文本 token | 图块、光谱段、坐标格等专用 token |
| 目标 | 生成合理回答 | 支撑分类、分割、检测、预测等下游任务 |
| 评测 | 对话与推理榜单 | 临床金标准、观测复核、能否发现新候选 |
| 复用方式 | 提示词、微调 | 换一个下游头，或少量标注微调 |
为什么医疗、天文、数学先跑出来
三个领域的共同点：数据量大、对错可自动验证、一个底座能覆盖很多子任务。医院里积累的影像和病理数据规模惊人，而诊断结果最终能被病理这一“金标准”核对；天文观测数据长期公开、任务高度同质（分类、分割、找异常），NASA 与 IBM 合作把地理空间基础模型的思路搬到月球地形上，就是这个逻辑；数学最干脆，对错自明，可以自动生成海量题目来训练和评测。
国内也有团队把院内多病种筛查模型做到登上国际顶刊，阿里面向多病种癌症筛查开源的医学影像模型也属于同一路线——具体指标、开源许可和适用场景，以官方页面为准。
对从业者和普通人的意义
对从业者：不必从零预训练，拿开源权重做领域微调，往往比堆标注更划算；真正的壁垒是高质量数据和可信评测集，不是模型结构。对普通人：这类模型先落地的地方，通常是“早筛更早一步、读片更快一点、预报更准一些”。它不会写诗，但可能在你还没感觉到不舒服的时候，先把问题找出来。