化工大模型的竞争，正在从“能回答多少专业问题”转向“能否把答案送进实验和生产流程”。8月31日，中国科学院大连化学物理研究所联合科大讯飞、阿里云发布智能化工大模型3.0 Pro。它不仅扩大语料和评测成绩，还把400多个化工Agent、技能与工具接入统一体系，并连接全链条数据中心和千吨级智能中试平台。对工业AI而言，这比一次榜单刷新更接近真正的交付现场。

从专业问答走向四层执行链

3.0 Pro把系统拆成模型、Agent、技能与工具、行业场景四层。模型负责理解化工知识和多模态材料；Agent规划任务；技能与工具调用数据库、计算软件和流程组件；最终才落到研发、工艺优化或设备操作场景。其产品页面还展示了技能库、工具包、应用广场与MCP接入，说明系统试图让模型能力以可组合接口进入现有软件，而不是另建一个孤立聊天入口。

发布方称，平台已覆盖7类36项技能和6类34个工具包。更关键的是，执行过程被描述为“认知、规划、执行、验证”闭环。化工任务往往需要先检索物性与文献，再做计算、设计实验、核对安全边界，任何一步都可能要求人工审批。把这些步骤拆开，至少为权限、审计和失败回退留下了位置。

这种分层也降低了迁移成本。企业不必一次性替换实验信息管理、流程模拟或设备系统，而可以先把稳定工具封装成受控接口，再由Agent按任务编排。某一步失败时，团队能够定位是知识检索、参数生成、工具执行还是验证环节出了问题，而不是只得到一个无法解释的错误答案。

81.96%之后，评测还不能替代生产指标

模型使用超过100亿token化工语料进行连续预训练，并以数十亿token数据监督微调。发布方给出的化工文本问答准确率为81.96%，多模态问答准确率为80.75%，相对3.0分别提升20.2%和31.4%。这些数字说明专业知识与图文理解有所加强，但公开材料没有披露完整测试集、难度分层、误差类型和第三方复测，因此不能直接等同于现场控制可靠性。

平台已有300多家企业、高校和科研院所注册，API累计调用超过1400万次。这是规模信号，却不是效果结论：一次调用可能只是检索或试验，无法推导出完成了多少生产任务。真正决定工业价值的指标，应包括任务成功率、人工介入率、建议被采纳比例、实验迭代次数、P95延迟和单位任务成本。

千吨级中试平台，是最难也最有价值的一步

化工研发常在论文、实验室、小试、中试和量产之间反复迁移。3.0 Pro连接千吨级智能中试平台，意味着系统有机会在真实设备、物料、工艺约束和安全制度下验证建议。发布团队下一步计划推进4.0，并以甲醇制烯烃等成熟工艺为方向。选择成熟流程有利于建立基线，因为历史数据、操作窗口和异常记录更完整，也更容易判断AI究竟改进了哪一步。

但现场闭环也会放大风险。模型生成的条件不能未经审批直接写入控制系统；工具调用需要最小权限；每次建议、修改与人工否决都应留痕；网络或模型失效时必须回到稳定工艺。公开信息尚未说明这些治理细节，也没有公布具名客户的产率、能耗、停机或ROI数据。

对中试平台来说，安全区间之外的建议应默认被阻断，进入控制层的参数还需要版本、审批人和回滚点。只有把这些约束写进系统，而不是依赖操作员临场记忆，Agent才可能在更多装置间复制。

编辑判断：工业Agent要用闭环结果说话

这次发布的含金量，在于模型、工具、Agent和中试设备被放进同一条链路，而不是单独强调参数规模。对企业实施者，可复用的方法是先把成熟工艺拆成可审计步骤，用只读工具和人工审批建立基线，再逐步开放执行权限。下一阶段若能披露具名工艺的任务成功率、人工接管率、能耗与成本变化，智能化工大模型才真正从“能调用”走到“可复制”。