397B參數(shù)追平萬億模型，上海AI Lab發(fā)布科學(xué)智能體新基座 | WAIC 2026

2026世界人工智能大會(huì)（WAIC 2026）期間，上海人工智能實(shí)驗(yàn)室發(fā)布書生系列大模型Intern-S2-Preview-397B，該模型基于全新架構(gòu)和預(yù)訓(xùn)練范式，以397B參數(shù)規(guī)模在分子設(shè)計(jì)、材料結(jié)構(gòu)生成等核心科學(xué)任務(wù)上追平實(shí)驗(yàn)室此前的萬億參數(shù)模型。

面對(duì)科學(xué)智能（AI4S）領(lǐng)域長(zhǎng)期存在的“通用認(rèn)知”與“專業(yè)知識(shí)”難以兼顧的難題，Intern-S2-Preview-397B通過底層架構(gòu)的根本性革新，嘗試為復(fù)雜科學(xué)任務(wù)的推理構(gòu)建新的基座。
與此同時(shí)，Intern-S2-Preview-397B與昇騰計(jì)算生態(tài)開展深度協(xié)同，持續(xù)探索從模型能力提升到國(guó)產(chǎn)算力基礎(chǔ)設(shè)施優(yōu)化的協(xié)同演進(jìn)路徑。

架構(gòu)創(chuàng)新：讓“記憶”與“思考”各司其職

科學(xué)研究需要模型既“記得多”，又“想得活”。但在傳統(tǒng)大模型中，知識(shí)存儲(chǔ)與邏輯推理高度耦合：模型不但無法充分利用已有知識(shí)進(jìn)行推理，而且每接入一個(gè)新學(xué)科，都可能擾動(dòng)已經(jīng)形成的通用能力。

Intern-S2-Preview-397B從底層架構(gòu)入手，將知識(shí)承載與推理計(jì)算分開設(shè)計(jì)，形成由 Memory Decoder與 Mobius 組成的“知識(shí)與推理分離”雙引擎。

其中，Memory Decoder 引入了專業(yè)領(lǐng)域的可插拔外部記憶。不同學(xué)科的最新知識(shí)可以在獨(dú)立記憶模塊中訓(xùn)練，并按需接入基礎(chǔ)模型，使模型在吸收垂域知識(shí)時(shí)盡量減少對(duì)原有參數(shù)和通用能力的擾動(dòng)。

換言之，專業(yè)知識(shí)不再只能通過反復(fù)改寫整個(gè)模型來“硬編碼”，而可以像擴(kuò)展記憶一樣持續(xù)更新，及時(shí)校正模型在探索未知過程中對(duì)新獲知信息的理解偏差。

Mobius 架構(gòu)則專注于基座模型的知識(shí)與推理分離。通過解耦模型內(nèi)部的知識(shí)向量與推理算子，Mobius 構(gòu)建了全局共享知識(shí)向量庫，一方面提升了知識(shí)在層間的可復(fù)用性、帶來更好的知識(shí)壓縮率，另一方面為不同推理算子提供了更加靈活自由的知識(shí)存取機(jī)會(huì)，使其可以根據(jù)輸入動(dòng)態(tài)組織計(jì)算路徑，讓數(shù)學(xué)、物理、化學(xué)、生物等領(lǐng)域共同需要的分析、驗(yàn)證和糾錯(cuò)能力得以遷移復(fù)用。

專業(yè)能力因此不再是彼此割裂的“技能孤島”，而成為同一基座上的可組合能力。

值得一提的是，Mobius 的設(shè)計(jì)原生引入了反向殘差連接（Backward Residual Connection）機(jī)制與動(dòng)態(tài)隱空間推理（Dynamic Latent Reasoning）機(jī)制。

前者打破了只有淺層隱狀態(tài)可以訪問深層知識(shí)的約束，讓模型的深層隱狀態(tài)也可以訪問到淺層知識(shí)。

后者不僅使用連續(xù)向量替代 Token 成為了更高信息密度、更適合科學(xué)模態(tài)的信息載體，還讓模型動(dòng)態(tài)地為不同輸入分配適當(dāng)?shù)耐评黹_銷。

Mobius 的“解耦”反而讓記憶調(diào)用與推理過程更“緊密”地協(xié)同，使模型面對(duì)相同任務(wù)時(shí)的端到端推理效率提升接近 4 倍。

這套架構(gòu)的關(guān)鍵價(jià)值，在于將大模型專業(yè)化從一次性的整體改造，轉(zhuǎn)變?yōu)榭沙掷m(xù)的能力生長(zhǎng)——基礎(chǔ)模型負(fù)責(zé)穩(wěn)定的通用理解與推理，專業(yè)記憶承載不斷演進(jìn)的學(xué)科知識(shí)，推理算子則在不同任務(wù)之間復(fù)用。

三者分工協(xié)作，為“引入專業(yè)知識(shí)而不犧牲基礎(chǔ)能力”提供了新的實(shí)現(xiàn)路徑。

對(duì)科學(xué)智能而言，這種分工尤其重要。科學(xué)知識(shí)更新快、學(xué)科邊界不斷交叉，模型既要及時(shí)納入新事實(shí)、新方法和新數(shù)據(jù)，也要保持跨領(lǐng)域比較、類比與推演能力。可插拔記憶讓知識(shí)更新更輕量，共享推理讓跨學(xué)科能力不必從頭訓(xùn)練。

“記憶”與“思考”分離對(duì)科學(xué)智能體來說，也意味著更靈活的底層支撐：面對(duì)需要多輪規(guī)劃、頻繁檢索專業(yè)知識(shí)和持續(xù)調(diào)用工具的長(zhǎng)程任務(wù)，模型可以將計(jì)算資源集中于真正需要推理的環(huán)節(jié)，并依據(jù)環(huán)境反饋不斷修正路徑。

Intern-S2-Preview-397B 將大模型能力擴(kuò)展的尺度從單一的參數(shù)規(guī)模，推進(jìn)到架構(gòu)效率、任務(wù)深度與專業(yè)知識(shí)的協(xié)同演進(jìn)。基于全新架構(gòu)，模型不必為每一種專業(yè)能力重復(fù)搭建一套系統(tǒng)，而是在統(tǒng)一基座上持續(xù)生長(zhǎng)新的專業(yè)能力。

當(dāng)參數(shù)擴(kuò)張面臨算力、成本與能耗約束，架構(gòu)效率正在成為基礎(chǔ)模型競(jìng)爭(zhēng)的新變量。

Intern-S2-Preview-397B是業(yè)界首次真正實(shí)現(xiàn)讓大模型的“記憶”與“思考”各司其職、完美協(xié)同，也印證了大模型的進(jìn)步不只來自“更多參數(shù)”，也可以來自更合理的知識(shí)組織方式、更高密度的推理訓(xùn)練和更有效的計(jì)算路徑。

這也正是“通識(shí)為體、專業(yè)為用”的含義：通用能力構(gòu)成穩(wěn)定底座，專業(yè)能力按需接入、彼此協(xié)同，并在解決真實(shí)問題的過程中共同抬升模型能力上限。

這種協(xié)同能力的習(xí)得，得益于底層訓(xùn)練范式的同步革新。

針對(duì)傳統(tǒng)訓(xùn)練依賴靜態(tài)語料、難以習(xí)得復(fù)雜決策的痛點(diǎn)，研發(fā)團(tuán)隊(duì)構(gòu)建了InternBootcamp交互驗(yàn)證環(huán)境。不同于常規(guī)的文本訓(xùn)練，InternBootcamp平臺(tái)將電路設(shè)計(jì)、金融建模等真實(shí)任務(wù)轉(zhuǎn)化為標(biāo)準(zhǔn)化的交互場(chǎng)景，并自動(dòng)生成驗(yàn)證函數(shù)進(jìn)行仿真核驗(yàn)。

在這種“行動(dòng)—反饋”的高密度訓(xùn)練中，Intern-S2-Preview-397B不再是對(duì)文本概率的簡(jiǎn)單擬合，而是在試錯(cuò)中內(nèi)化領(lǐng)域邏輯，使得Intern-S2-Preview-397B的長(zhǎng)程規(guī)劃與工具調(diào)用能力得到根本性強(qiáng)化。

InternBootcamp平臺(tái)同時(shí)提供從數(shù)據(jù)沉淀、Reward 評(píng)估、模型評(píng)測(cè)到安全對(duì)齊的一體化支撐，以更低成本打造“更懂行業(yè)”的專域模型，為書生系列大模型后續(xù)生態(tài)應(yīng)用創(chuàng)新按下加速鍵。

科學(xué)能力持續(xù)領(lǐng)先：最懂科學(xué)的智能中樞

書生系列大模型憑借卓越的科學(xué)理解與推理能力長(zhǎng)期領(lǐng)跑，并在純文本、多模態(tài)、代碼智能體等多元領(lǐng)域展現(xiàn)出頂尖實(shí)力，位列開源模型第一梯隊(duì)。

在科學(xué)專業(yè)任務(wù)上，Intern-S2-Preview-397B 優(yōu)于閉源和開源旗艦?zāi)Ｐ汀?/p>

例如在 Biology-Instructions、Mol-Instructions、MP20 等生命科學(xué)和材料結(jié)構(gòu)理解、生成與設(shè)計(jì)相關(guān)的專業(yè)任務(wù)評(píng)測(cè)上，Intern-S2-Preview-397B 大幅領(lǐng)先其他開閉源旗艦?zāi)Ｐ停f明 Intern-S2-Previw 已經(jīng)具備了服務(wù)科學(xué)研究所需的專業(yè)基礎(chǔ)能力。

同時(shí)，Intern-S2-Preview-397B 還具備長(zhǎng)周期自主規(guī)劃與迭代糾錯(cuò)等科研所需的通用智能體能力，并在軟件工程開發(fā)的主流評(píng)測(cè)上得到了印證。

例如，在當(dāng)前極具挑戰(zhàn)的代碼智能體評(píng)測(cè) TerminalBench2.1 和 SWEBench-Pro 上，在開源模型中優(yōu)于 Kimi-2.7-Code 和 DeepSeek-V4-Pro，僅次于 GLM5.2；在 SWEBench-Multilingual 上優(yōu)于其他開閉源模型，和 GLM5.2 相當(dāng)。

在科研領(lǐng)域，如果說 Benchmark（基準(zhǔn)測(cè)試）回答的是模型“會(huì)不會(huì)”，那么真實(shí)的科研則在追問，模型能否將一次推理轉(zhuǎn)化為可驗(yàn)證、可復(fù)現(xiàn)、可迭代的完整工作流？

Intern-S2-Preview-397B 給出了一份極佳的答案。

它將通用理解、專業(yè)推理、結(jié)果診斷與工具調(diào)用收束于同一基座，讓模型不只給出一個(gè)答案，還能解釋判斷依據(jù)、提出下一步方案，并接受計(jì)算或?qū)嶒?yàn)結(jié)果的檢驗(yàn)。

以免疫治療靶點(diǎn) IL-7Rα （白細(xì)胞介素7受體α鏈，免疫療法關(guān)鍵靶點(diǎn)，是癌癥免疫治療的重要研究方向）的蛋白結(jié)合劑（binder，能特異性結(jié)合目標(biāo)蛋白的分子，可用于阻斷或激活蛋白功能，是藥物研發(fā)的核心分子類型）設(shè)計(jì)為例，在傳統(tǒng)科研中，科學(xué)家往往面臨“大海撈針”的困局——每輪篩選需生成上千個(gè)候選分子，再經(jīng)由 AlphaFold3 折疊預(yù)測(cè)與 Rosetta 能量篩選進(jìn)行層層剝離。

然而，傳統(tǒng)流程由于缺乏全局視角的精準(zhǔn)引導(dǎo)，大量候選分子在驗(yàn)證環(huán)節(jié)因結(jié)構(gòu)不穩(wěn)或界面質(zhì)量不佳被淘汰，通過率低至 0.47%，單輪“設(shè)計(jì)—驗(yàn)證”閉環(huán)動(dòng)輒耗時(shí)數(shù)日，效率瓶頸顯著。

依托Intern-S2-Preview-397B 作為智能決策中樞，模型能夠深度學(xué)習(xí)實(shí)驗(yàn)的全量反饋數(shù)據(jù)，將原本“盲目試錯(cuò)”的過程轉(zhuǎn)化為可審閱的“策略優(yōu)化鏈”。

科研人員只需調(diào)用模型，即可獲得針對(duì)性的設(shè)計(jì)改進(jìn)建議——例如，將分散的 43 個(gè)關(guān)鍵殘基（hotspot，蛋白質(zhì)表面對(duì)相互作用起關(guān)鍵作用的氨基酸位點(diǎn)，是蛋白設(shè)計(jì)的核心優(yōu)化對(duì)象）精準(zhǔn)精簡(jiǎn)至 30 個(gè)，并聚焦于 B 鏈 102—189 位的核心表位。

這一過程從源頭解決了蛋白分子被迫拉伸、接觸分散及折疊不穩(wěn)的結(jié)構(gòu)難題，科研人員不僅可以逐步查看模型為何這樣判斷，還可以一鍵按建議重跑同一流程。

這一過程并不替代最終的生物物理驗(yàn)證，其核心價(jià)值在于將研發(fā)初期最耗時(shí)、易錯(cuò)的“參數(shù)調(diào)優(yōu)”環(huán)節(jié)，轉(zhuǎn)化為模型驅(qū)動(dòng)的“智能診斷”。

在同等算力預(yù)算下，基于Intern-S2-Preview-397B 的優(yōu)化策略，AlphaFold3 與 Rosetta 的驗(yàn)證通過數(shù)大幅攀升，通過率由 0.47% 躍升至 1.56%，增幅高達(dá) 233%，可交付的優(yōu)質(zhì)候選分子數(shù)提升逾 3 倍。

這一過程將原本以天計(jì)的人工經(jīng)驗(yàn)迭代，成功壓縮為分鐘級(jí)的智能診斷與精準(zhǔn)重跑。

在材料科學(xué)領(lǐng)域，Intern-S2-Preview-397B 同樣展現(xiàn)了強(qiáng)大的決策支撐能力。

五元氧化物 Sr?Ho?Cu?Ru?O? 是一個(gè)典型的“五元”化合物（Sr, Ho, Cu, Ru, O），在材料科學(xué)中，隨著元素種類增加，晶體結(jié)構(gòu)的組合可能性呈指數(shù)級(jí)爆炸。

對(duì)于大模型來說，要預(yù)測(cè)五種原子在三維空間內(nèi)的相互位置、處理它們之間復(fù)雜的化學(xué)鍵合和晶格排布，是對(duì)模型“空間推理能力”與“晶體學(xué)知識(shí)內(nèi)化程度”的極高考驗(yàn)。

依托Intern-S2-Preview-397B ，科研人員只需輸入化學(xué)式，模型即可結(jié)合晶體學(xué)邏輯，自動(dòng)匹配其所屬的空間群（如 P4/mmm 對(duì)稱性結(jié)構(gòu)，晶體學(xué)中描述原子對(duì)稱排列方式的分類標(biāo)準(zhǔn)，P4/mmm代表四方晶系中具有特定對(duì)稱性的常見結(jié)構(gòu)類型），并從晶格參數(shù)、晶胞體積到原子分?jǐn)?shù)坐標(biāo)進(jìn)行系統(tǒng)化構(gòu)建。

這一過程并不替代最終的物理計(jì)算與實(shí)驗(yàn)驗(yàn)證，其核心價(jià)值在于將研發(fā)初期最耗時(shí)、易錯(cuò)的“結(jié)構(gòu)探索”環(huán)節(jié)，轉(zhuǎn)化為模型驅(qū)動(dòng)的“精準(zhǔn)構(gòu)建”，不僅大幅縮短了研發(fā)起點(diǎn)，更讓后續(xù)的高階科學(xué)研究能夠站在一個(gè)更高、更準(zhǔn)的起點(diǎn)，真正實(shí)現(xiàn)從“經(jīng)驗(yàn)試錯(cuò)”向“模型驅(qū)動(dòng)”的研發(fā)模式轉(zhuǎn)型。

從能力到發(fā)現(xiàn)：把科學(xué)推理送入可驗(yàn)證閉環(huán)

基于Intern-S2-Preview-397B 一貫領(lǐng)先的科學(xué)能力，上海人工智能實(shí)驗(yàn)室打造了「書生·端硯」科學(xué)發(fā)現(xiàn)平臺(tái)（以下簡(jiǎn)稱“「書生·端硯」”），將科學(xué)推理送入可驗(yàn)證閉環(huán)。

「書生·端硯」面向真實(shí)科研全流程打造，承載完整科學(xué)發(fā)現(xiàn)全流程推演、記錄、驗(yàn)證與沉淀。它以書生科學(xué)大模型為智能中樞，以多智能體系統(tǒng)為執(zhí)行引擎，系統(tǒng)性整合算力、數(shù)據(jù)、模型、智能體、實(shí)驗(yàn)平臺(tái)，覆蓋從“假設(shè)提出”到“實(shí)驗(yàn)驗(yàn)證”的完整科研流程。

基于Intern-S2-Preview-397B 重要底座，『書生·端硯』將能力向數(shù)學(xué)、物理、生命科學(xué)、材料科學(xué)、地球科學(xué)等領(lǐng)域縱深拓展。

平臺(tái)不做泛化通用問答，深度學(xué)習(xí)各學(xué)科研究范式、實(shí)驗(yàn)規(guī)范、專業(yè)工具接口：生命科學(xué)可對(duì)接AlphaFold、BLAST、UniProt；材料科學(xué)打通Materials Project、RDKit、第一性原理計(jì)算；地球科學(xué)接入遙感、地質(zhì)專業(yè)模型。

目前，「書生·端硯」已在生命科學(xué)、關(guān)鍵材料、半導(dǎo)體、核聚變、量子、地球氣象六大核心科研領(lǐng)域落地。

其中在在蛋白質(zhì)、材料等前沿研究中，「書生·端硯」完成了干濕實(shí)驗(yàn)閉環(huán)，實(shí)現(xiàn)了科學(xué)發(fā)現(xiàn)全流程端到端驗(yàn)證。

范式升級(jí)：以視覺預(yù)訓(xùn)練反哺語言智能

科學(xué)知識(shí)的載體遠(yuǎn)不止文字。分子構(gòu)型、晶體坐標(biāo)、實(shí)驗(yàn)譜線與復(fù)雜公式圖表中，蘊(yùn)含了大量自然語言難以窮盡的信息。

這也意味著，單純依賴文字輸入難以實(shí)現(xiàn)完整的智力涌現(xiàn)，無法從根本上解決科學(xué)智能的深層問題。

針對(duì)這一挑戰(zhàn)，上海人工智能實(shí)驗(yàn)室提出了“視覺預(yù)訓(xùn)練反哺語言模型”的創(chuàng)新路徑。

在傳統(tǒng)流程中，復(fù)雜的PDF文獻(xiàn)需預(yù)先解析為純文本，這一過程極易導(dǎo)致版面結(jié)構(gòu)、圖表邏輯與公式語義的損耗，模型接收的信息往往是“殘缺”的。

Intern-S2-Preview-397B采用視覺與語言深度互動(dòng)的全新預(yù)訓(xùn)練范式，模型從一開始就直接“閱讀”原始文獻(xiàn)頁面，在同一表征空間內(nèi)聯(lián)合學(xué)習(xí)符號(hào)語義與圖像信息關(guān)系，不依賴中間解析環(huán)節(jié)。

這種多模態(tài)聯(lián)合建模方式，完整保留了圖文對(duì)應(yīng)關(guān)系，為高度依賴空間與圖像推理的科學(xué)任務(wù)奠定了堅(jiān)實(shí)的認(rèn)知基礎(chǔ)。

與此同時(shí)，視覺預(yù)訓(xùn)練顯著提升了語料利用效率。數(shù)據(jù)顯示，相同科學(xué)文獻(xiàn)經(jīng)視覺編碼生成的Token量，僅為解析后文本的1/4。

這使得Intern-S2-Preview-397B 能以極高的信息密度學(xué)習(xí)復(fù)雜知識(shí)，在大幅降低訓(xùn)練開銷的同時(shí)，習(xí)得更多對(duì)科學(xué)推理至關(guān)重要的隱性結(jié)構(gòu)信息。

伴隨著AGI進(jìn)入下一程，“科學(xué)智能不應(yīng)只是人工智能的一個(gè)應(yīng)用分支，而是檢驗(yàn)智能能否理解復(fù)雜世界、提出可驗(yàn)證假設(shè)并在反饋中持續(xù)進(jìn)化的終極試煉。”上海人工智能實(shí)驗(yàn)室主任、首席科學(xué)家周伯文說。

Intern-S2-Preview-397B 的發(fā)布，正是對(duì)這一“終極試煉”的積極探索和回應(yīng)。

作為AI的下一個(gè)前沿陣地，科學(xué)發(fā)現(xiàn)既是推理智能的終極試煉場(chǎng)，也是“通專融合”的驗(yàn)證舞臺(tái)，大規(guī)模推理將賦能科學(xué)發(fā)現(xiàn)，科學(xué)發(fā)現(xiàn)亦將反哺推理能力的進(jìn)化，開啟面向科學(xué)發(fā)現(xiàn)的智能體基座時(shí)代。