面对科学智能（AI4S）领域长期存在的“通用认知”与“专业知识”难以兼顾的难题，上海人工智能实验室通过底层架构的根本性革新，尝试为复杂科学任务的理解与推理构建新的基座。

 

2026 世界人工智能大会（WAIC 2026）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，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实验室此前的万亿参数模型。与此同时，Intern-S2-Preview-397B 与昇腾计算生态开展深度协同，持续探索从模型能力提升到国产算力基础设施优化的协同演进路径。

 

在线体验链接：

https://chat.intern-ai.org.cn/

 

GitHub链接：

https://github.com/InternLM/Intern-S1

 

ModelScope链接：

https://www.modelscope.cn/models/Shanghai_AI_Laboratory/Intern-S2-Preview-397B

架构创新：让“记忆”与“思考”各司其职

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：模型不但无法充分利用已有知识进行推理，而且每接入一个新学科，都可能扰动已经形成的通用能力。

上海人工智能实验室从底层架构入手，解耦知识存储与逻辑推理，形成由 Memory Decoder 与 Mobius 组成的“知识与推理分离”双引擎。

其中，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，使模型在吸收垂域知识时尽量减少对原有参数和通用能力的扰动。换言之，专业知识不再只能通过反复改写整个模型来“硬编码”，而可以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 架构则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，Mobius 构建了全局共享知识向量库，一方面提升了知识在层间的可复用性、带来更好的知识压缩率，另一方面为不同推理算子提供了更加灵活自由的知识存取机会，使其可以根据输入动态组织计算路径，让数学、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。专业能力因此不再是彼此割裂的“技能孤岛”，而成为同一基座上的可组合能力。

值得一提的是，Mobius 的设计原生引入了反向残差连接（Backward Residual Connection）机制与动态隐空间推理（Dynamic Latent Reasoning）机制。前者打破了只有浅层隐状态可以访问深层知识的约束，让模型的深层隐状态也可以访问到浅层知识。后者不仅使用连续向量替代 Token 成为了更高信息密度、更适合科学模态的信息载体，还让模型动态地为不同输入分配适当的推理开销。Mobius 的“解耦”反而让记忆调用与推理过程更“紧密”地协同，使模型面对相同任务时的端到端推理效率提升接近 4倍。

 

 

知识与推理分离架构的关键价值，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——知识记忆承载不断演进的知识，推理模块则在不同任务之间复用知识。二者分工协作，为“引入专业知识而不牺牲基础能力”提供了新的实现路径。

对科学智能而言，这种分工尤其重要。科学知识更新快、学科边界不断交叉，模型既要及时纳入新事实、新方法和新数据，也要保持跨领域比较、类比与推演能力。可插拔记忆让知识更新更轻量，共享推理让跨学科能力不必从头训练。

“记忆”与“思考”分离对科学智能体来说，也意味着更灵活的底层支撑：面对需要多轮规划、频繁检索专业知识和持续调用工具的长程任务，模型可以将计算资源集中于真正需要推理的环节，并依据环境反馈不断修正路径。

上海人工智能实验室的架构创新将大模型能力扩展的尺度从单一的参数规模，推进到知识记忆与逻辑推理的双轨演进。通过让大模型的“记忆”与“思考”各司其职、完美协同，也印证了大模型的进步不只来自“更多参数”，也可以来自更合理的知识组织方式、更高密度的推理训练和更有效的计算路径。

这也正是“通识为体、专业为用”的含义：通用能力构成稳定底座，专业能力按需接入、彼此协同，并在解决真实问题的过程中共同抬升模型能力上限。

为了提升这种协同能力，上海人工智能实验室还同步尝试了底层训练范式的革新。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。不同于常规的文本训练，InternBootcamp 平台将电路设计、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。

InternBootcamp平台同时提供从数据沉淀、Reward 评估、模型评测到安全对齐的一体化支撑，以更低成本打造“更懂行业”的专域模型，为书生系列大模型后续生态应用创新按下加速键，并直接赋能了 Intern-S2-Preview-397B 训练。在这种“行动—反馈”的高密度训练中，Intern-S2-Preview-397B 不再是对文本概率的简单拟合，而是在试错中内化领域逻辑，使得 Intern-S2-Preview-397B 的长程规划与工具调用能力得到根本性强化。

 

科学能力持续领先：最懂科学的智能中枢

书生系列大模型凭借卓越的科学理解与推理能力长期领跑，并在纯文本、多模态、代码智能体等多元领域展现出顶尖实力，位列开源模型第一梯队。

 

在科学专业任务上，Intern-S2-Preview-397B 优于闭源和开源旗舰模型，例如在 Biology-Instructions、Mol-Instructions、MP20 等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，Intern-S2-Preview-397B 大幅领先其他开闭源旗舰模型，说明 Intern-S2-Previw 已经具备了服务科学研究所需的专业基础能力。

 

同时，Intern-S2-Preview-397B 还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，并在软件工程开发的主流评测上得到了印证。例如，在当前极具挑战的代码智能体评测 TerminalBench2.1 和 SWEBench-Pro 上，在开源模型中优于 Kimi-2.7-Code 和 DeepSeek-V4-Pro，仅次于 GLM5.2；在 SWEBench-Multilingual 上优于其他开闭源模型，和 GLM5.2 相当。

 

在科研领域，如果说 Benchmark（基准测试）回答的是模型“会不会”，那么真实的科研则在追问：模型能否将一次推理转化为可验证、可复现、可迭代的完整工作流？

Intern-S2-Preview-397B 给出了一份极佳的答案。它将通用理解、专业推理、结果诊断与工具调用收束于同一基座，让模型不只给出一个答案，还能解释判断依据、提出下一步方案，并接受计算或实验结果的检验。

以免疫治疗靶点 IL-7Rα （白细胞介素7受体α链，免疫疗法关键靶点，是癌症免疫治疗的重要研究方向）的蛋白结合剂（binder，能特异性结合目标蛋白的分子，可用于阻断或激活蛋白功能，是药物研发的核心分子类型）设计为例，在传统科研中，科学家往往面临“大海捞针”的困局：每轮筛选需生成上千个候选分子，再经由 AlphaFold3 折叠预测与 Rosetta 能量筛选进行层层剥离。然而，传统流程由于缺乏全局视角的精准引导，大量候选分子在验证环节因结构不稳或界面质量不佳被淘汰，通过率低至 0.47%，单轮“设计—验证”闭环动辄耗时数日，效率瓶颈显著。

依托Intern-S2-Preview-397B 作为智能决策中枢，模型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”。科研人员只需调用模型，即可获得针对性的设计改进建议——例如，将分散的 43 个关键残基（hotspot，蛋白质表面对相互作用起关键作用的氨基酸位点，是蛋白设计的核心优化对象）精准精简至 30 个，并聚焦于 B 链 102—189 位的核心表位。这一过程从源头解决了蛋白分子被迫拉伸、接触分散及折叠不稳的结构难题，科研人员不仅可以逐步查看模型为何这样判断，还可以一键按建议重跑同一流程。

这一过程并不替代最终的生物物理验证，其核心价值在于将研发初期最耗时、易错的“参数调优”环节，转化为模型驱动的“智能诊断”。在同等算力预算下，基于Intern-S2-Preview-397B 的优化策略，AlphaFold3 与 Rosetta 的验证通过数大幅攀升，通过率由 0.47% 跃升至 1.56%，增幅高达 233%，可交付的优质候选分子数提升逾 3 倍。这一过程将原本以天计的人工经验迭代，成功压缩为分钟级的智能诊断与精准重跑。

 

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。

五元氧化物 Sr₂Ho₁Cu₂Ru₁O₈ 是一个典型的“五元”化合物（Sr, Ho, Cu, Ru, O），在材料科学中，随着元素种类增加，晶体结构的组合可能性呈指数级爆炸。对于大模型来说，要预测五种原子在三维空间内的相互位置、处理它们之间复杂的化学键合和晶格排布，是对模型“空间推理能力”与“晶体学知识内化程度”的极高考验。

依托Intern-S2-Preview-397B ，科研人员只需输入化学式，模型即可结合晶体学逻辑，自动匹配其所属的空间群（如 P4/mmm 对称性结构，晶体学中描述原子对称排列方式的分类标准，P4/mmm代表四方晶系中具有特定对称性的常见结构类型），并从晶格参数、晶胞体积到原子分数坐标进行系统化构建。

这一过程并不替代最终的物理计算与实验验证，其核心价值在于将研发初期最耗时、易错的“结构探索”环节，转化为模型驱动的“精准构建”，不仅大幅缩短了研发起点，更让后续的高阶科学研究能够站在一个更高、更准的起点，真正实现从“经验试错”向“模型驱动”的研发模式转型。

 

从能力到发现：把科学推理送入可验证闭环

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（以下简称“『书生·端砚』”），将科学推理送入可验证闭环。

『书生·端砚』面向真实科研全流程打造，承载完整科学发现全流程推演、记录、验证与沉淀。它以书生科学大模型为智能中枢，以多智能体系统为执行引擎，系统性整合算力、数据、模型、智能体、实验平台，覆盖从“假设提出”到“实验验证”的完整科研流程。

 

基于Intern-S2-Preview-397B 重要底座，『书生·端砚』将能力向数学、物理、生命科学、材料科学、地球科学等领域纵深拓展。平台不做泛化通用问答，深度学习各学科研究范式、实验规范、专业工具接口：生命科学可对接AlphaFold、BLAST、UniProt；材料科学打通Materials Project、RDKit、第一性原理计算；地球科学接入遥感、地质专业模型。

目前，『书生·端砚』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。其中在在蛋白质、材料等前沿研究中，『书生·端砚』完成了干湿实验闭环，实现了科学发现全流程端到端验证。

 

范式升级：以视觉预训练反哺语言智能

科学知识的载体远不止文字。分子构型、晶体坐标、实验谱线与复杂公式图表中，蕴含了大量自然语言难以穷尽的信息。这也意味着，单纯依赖文字输入难以实现完整的智力涌现，无法从根本上解决科学智能的深层问题。

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。在传统流程中，复杂的PDF文献需预先解析为纯文本，这一过程极易导致版面结构、图表逻辑与公式语义的损耗，模型接收的信息往往是“残缺”的。

Intern-S2-Preview-397B采用视觉与语言深度互动的全新预训练范式，模型从一开始就直接“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，不依赖中间解析环节。这种多模态联合建模方式，完整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。

 

与此同时，视觉预训练显著提升了语料利用效率。数据显示，相同科学文献经视觉编码生成的Token量，仅为解析后文本的1/4。这使得Intern-S2-Preview-397B 能以极高的信息密度学习复杂知识，在大幅降低训练开销的同时，习得更多对科学推理至关重要的隐性结构信息。

 

伴随着AGI进入下一程，“科学智能不应只是人工智能的一个应用分支，而是检验智能能否理解复杂世界、提出可验证假设并在反馈中持续进化的终极试炼。”上海人工智能实验室主任、首席科学家周伯文说。

Intern-S2-Preview-397B 的发布，正是对这一“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，开启面向科学发现的智能体基座时代。

 

https://www.modelscope.cn/models/Shanghai_AI_Laboratory/Intern-S2-Preview-397B