结构-属性关系在生物学、化学和材料科学中至关重要，功能、反应性和物理响应源于空间、化学和周期性组织。要机制性地解释这些关系，需要通过科学原理和物理约束来解释结构证据，从立体化学、键合到对称性、能量学和周期性顺序。然而，将人工智能应用于这一过程面临着表示和推理的共同挑战：模型必须保留领域特有的结构信息，同时展示特定证据如何在这些约束下支持预测。
为此，我们引入了 SciReasoner，这是一个多模态科学基础模型，旨在实现蛋白质、小分子和无机晶体的原生结构推理。SciReasoner 将坐标、拓扑和周期连接离散化为统一的结构感知词汇，将结构标记视为推理过程中的可寻址证据单元。
在同源性控制的基因本体预测中，SciReasoner 提高了对低同源性和孤儿蛋白的细胞组分注释，将 $F_{\max}$ 从 0.42 提高到 0.55。在化学领域，其单步逆合成的准确率从 0.63 提升至 0.72，同时生成片段级别的断开和前体验证追踪。在材料科学中，它的表示能够区分元素和化合物相，并解析高带隙和低带隙区域。在 86 个基准测试中，SciReasoner 在 67 项任务上实现了最先进的性能。双盲专家评估中，98% 的案例中其推理追踪被评为优于或至少可与前沿大型语言模型相媲美。
通过使结构成为在科学约束下可检验的推理基础，SciReasoner 将准确预测与可解释的科学推理连接起来。