2026世界人工智能大会期间，上海人工智能实验室发布了书生系列大模型Intern-S2-Preview-397B。该模型基于全新架构和预训练范式，以397B参数规模在分子设计、材料结构生成等核心科学任务上追平了此前的万亿参数模型。
面对科学智能领域长期存在的“通用认知”与“专业知识”难以兼顾的问题，Intern-S2-Preview-397B通过底层架构革新，尝试为复杂科学任务的推理构建新的基座，并与昇腾计算生态深度协同，探索从模型能力提升到国产算力基础设施优化的路径。
科学研究需要模型既“记得多”，又“想得活”。但在传统大模型中，知识存储与逻辑推理高度耦合，导致每接入一个新学科都可能扰动已有的通用能力。Intern-S2-Preview-397B将知识承载与推理计算分开设计，形成了由Memory Decoder与Mobius组成的双引擎。
Memory Decoder引入了专业领域的可插拔外部记忆，不同学科的最新知识可以在独立记忆模块中训练，并按需接入基础模型，减少对原有参数和通用能力的扰动。专业知识不再通过反复改写整个模型来“硬编码”，而是像扩展记忆一样持续更新，及时校正模型在探索未知过程中对新获知信息的理解偏差。
Mobius架构专注于基座模型的知识与推理分离，通过解耦模型内部的知识向量与推理算子，构建了全局共享知识向量库，提升了知识在层间的可复用性，同时提供了更加灵活自由的知识存取机会，使数学、物理、化学、生物等领域共同需要的分析、验证和纠错能力得以迁移复用。Mobius的设计还引入了反向残差连接机制与动态隐空间推理机制，提高了模型的端到端推理效率。
这套架构的关键在于将大模型专业化从一次性的整体改造转变为可持续的能力生长，基础模型负责稳定的通用理解与推理，专业记忆承载不断演进的学科知识，推理算子则在不同任务之间复用。这种分工协作模式为“引入专业知识而不牺牲基础能力”提供了新的实现路径。
针对传统训练依赖静态语料、难以习得复杂决策的痛点，研发团队构建了InternBootcamp交互验证环境，将电路设计、金融建模等真实任务转化为标准化的交互场景，并自动生成验证函数进行仿真核验。在这种高密度训练中，Intern-S2-Preview-397B在试错中内化领域逻辑，强化了长程规划与工具调用能力。
Intern-S2-Preview-397B在科学专业任务上优于闭源和开源旗舰模型，例如在生命科学和材料结构理解、生成与设计相关的专业任务评测上大幅领先其他模型。此外，它还在软件工程开发的主流评测上表现出色，具备长周期自主规划与迭代纠错等科研所需的通用智能体能力。
在免疫治疗靶点IL-7Rα的蛋白结合剂设计中，Intern-S2-Preview-397B能够深度学习实验的全量反馈数据，将原本“盲目试错”的过程转化为可审阅的“策略优化链”。这一过程显著提高了验证通过率，缩短了研发时间。
在材料科学领域，Intern-S2-Preview-397B同样展现了强大的决策支撑能力。例如，对于五元氧化物Sr₂Ho₁Cu₂Ru₁O₈的晶体结构预测，模型能够自动匹配其所属的空间群，并系统化构建晶格参数，大幅缩短了研发起点。
基于Intern-S2-Preview-397B一贯领先的科学能力，上海人工智能实验室打造了「书生·端砚」科学发现平台，覆盖从“假设提出”到“实验验证”的完整科研流程。平台已在生命科学、关键材料、半导体、核聚变、量子、地球气象六大核心科研领域落地。
科学知识的载体远不止文字。针对这一挑战，上海人工智能实验室提出了“视觉预训练反哺语言模型”的创新路径。Intern-S2-Preview-397B采用视觉与语言深度互动的全新预训练范式，直接“阅读”原始文献页面，在同一表征空间内联合学习符号语义与图像信息关系，保留了图文对应关系，为高度依赖空间与图像推理的科学任务奠定了坚实的认知基础。
Intern-S2-Preview-397B的发布是对科学智能“终极试炼”的积极探索和回应。作为AI的下一个前沿阵地，科学发现既是推理智能的终极试炼场，也是“通专融合”的验证舞台，大规模推理将赋能科学发现，科学发现亦将反哺推理能力的进化。
配资网站免费提示：文章来自网络，不代表本站观点。
