UNICON 发布｜一个能跨学科「读数据」的数值基础模型来了

2026年7月31日

最近跟几个做科学计算的朋友聊，发现一个共同的卡点：LLM 在文字上已经够用了，但一碰到数值系统——气象、流体、代谢网络、市场价格序列——就基本帮不上忙。LLM 的预训练语料是文本，天然不擅长处理纯数值上下文。但物理、化学、生物、经济、工程，哪个系统不是靠数字运转的？

今天 arXiv 上挂出来一篇论文，瞄准的就是这个缺口。

UNICON，全称 UNified In-Context Operator Networks，一个以「数值智能」为目标的基础模型。核心思路：给模型一组来自某个系统的图结构样本作为上下文，它自动推理出这些样本背后共享的运算关系，然后把这个关系应用到同一个系统的未知查询上。不需要告诉它系统里有什么方程，它看几个例子就学会了。

这套逻辑和 LLM 的 in-context learning 底层上是通的——LLM 从文本样例中提取任务意图，UNICON 从数值-图结构中提取系统规律。论文把这种能力定义为「数值智能」（numerical intelligence），也就是让 AI 学会读数据，不只读文字。

让我在意的是它的跨学科泛化能力。

论文的实验部分：拿训练时完全没见过的学科数据去测，UNICON 不做任何微调，直接推理，精度逼近该领域的专用模型。不止一个学科，跨了好几个不同的系统，结果类似。后面还做了一个组合实验——把 UNICON 跟语言模型 Agent 配合起来，在训练时没见过的学科上，直接超过了该学科当前最先进的专用方法。结果暗示了一个有意思的分工：UNICON 负责理解数值结构，LM Agent 负责策略和语言层面的调度，合起来效果比各自单干更好。

论文还确认了一个训练层面的直觉：语料多样性越强，在未见过的学科上泛化越好。他们做了定量验证，做类似方向的人可以直接参考。

从实际意义看：做气象、生物信息、金融建模，或者任何依赖数值系统的活儿——UNICON 意味着可能不再需要为每个新问题从头训一个专用模型。给它几个样例，它自己学会系统规律，然后做预测。这是基础模型「通用性」在非语言领域的一次正经落地尝试。

论文放出来和生产环境能用，中间还差不少：推理开销没公布、图结构的构造成本不清楚、模型权重和协议也还没看到。但方向已经划清楚了——AI 的通用性不应该只停在文字上。

相关链接