上海AI Lab发布科学智能体新基座，397B参数追平万亿模型

背景

在2026年世界人工智能大会（WAIC 2026）期间，上海人工智能实验室发布了其书生系列大模型的最新成员——Intern-S2-Preview-397B。该模型以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实验室此前推出的万亿参数模型。这一突破并非单纯依赖参数规模的增长，而是源于底层架构的根本性革新。长期以来，科学智能（AI4S）领域面临“通用认知”与“专业知识”难以兼顾的困境：传统大模型将知识存储与逻辑推理高度耦合，引入新学科知识往往扰动已有通用能力，且每轮知识更新都需要对整个模型进行“硬编码”式的重训练。同时，参数扩张带来的算力、成本与能耗约束日益显著，迫使业界从“堆参数”转向“提效率”。Intern-S2-Preview-397B正是在这一背景下，尝试通过架构创新为复杂科学任务的推理构建新的基座，并与昇腾计算生态开展深度协同，探索国产算力基础设施优化路径。

核心内容

Intern-S2-Preview-397B的核心创新在于将模型的“记忆”与“思考”解耦，采用“知识与推理分离”的双引擎架构，由 Memory Decoder 和 Mobius 两部分组成。

Memory Decoder 负责知识承载，引入了可插拔外部记忆模块。不同学科的最新知识可在独立记忆模块中训练，并按需接入基础模型，从而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。专业知识不再需要反复改写整个模型，而是像扩展记忆一样持续更新，并能及时校正模型对新获知信息的理解偏差。

Mobius 架构 专注于推理计算，通过解耦模型内部的知识向量与推理算子，构建全局共享知识向量库。这一设计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灵活的知识存取机会，使其能够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。专业能力不再是彼此割裂的“技能孤岛”，而是同一基座上的可组合能力。

Mobius 还原生引入了两项关键机制：

• 反向残差连接（Backward Residual Connection）：打破只有浅层隐状态可以访问深层知识的约束，让深层隐状态也能访问浅层知识。
• 动态隐空间推理（Dynamic Latent Reasoning）：使用连续向量替代Token作为高信息密度、更适合科学模态的信息载体，并让模型动态地为不同输入分配适当的推理开销。

这套解耦架构使记忆调用与推理过程更紧密地协同，面对相同任务时端到端推理效率提升接近4倍。

在训练范式上，研发团队构建了InternBootcamp交互验证环境。不同于传统训练依赖静态语料，InternBootcamp将电路设计、金融建模等真实任务转化为标准化交互场景，自动生成验证函数进行仿真核验。通过“行动—反馈”的高密度训练，模型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，从而根本性强化了长程规划与工具调用能力。InternBootcamp同时提供数据沉淀、Reward 评估、模型评测到安全对齐的一体化支撑。

在科学专业任务评测中，Intern-S2-Preview-397B 在Biology-Instructions、Mol-Instructions、MP20等生命科学和材料结构理解、生成与设计任务上大幅领先其他开闭源旗舰模型。在代码智能体评测TerminalBench2.1和SWEBench-Pro上，Intern-S2-Preview-397B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，与GLM5.2相当。

应用案例：

• 免疫治疗靶点IL-7Rα蛋白结合剂设计：传统流程中，每轮筛选需生成上千个候选分子，经AlphaFold3折叠预测与Rosetta能量筛选，通过率仅0.47%，单轮“设计—验证”闭环耗时数日。依托Intern-S2-Preview-397B作为智能决策中枢，模型通过深度学习实验全量反馈数据，将分散的43个关键残基精准精简至30个，聚焦于B链102—189位核心表位，从源头解决结构难题。在同等算力下，通过率从0.47%跃升至1.56%，提升233%，可交付优质候选分子数提升逾3倍，人工经验迭代从以天计压缩至分钟级。
• 五元氧化物Sr₂Ho₁Cu₂Ru₁O₈晶体结构预测：面对五种原子在三维空间内的复杂排布，模型输入化学式即可自动匹配空间群（如P4/mmm对称性结构），并系统化构建晶格参数、晶胞体积及原子分数坐标，将研发初期最耗时的“结构探索”转化为模型驱动的“精准构建”。

基于Intern-S2-Preview-397B，上海人工智能实验室推出**「书生·端砚」科学发现平台**。该平台面向真实科研全流程，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，覆盖从“假设提出”到“实验验证”的完整闭环。平台不做泛化通用问答，而是深度学习各学科研究范式、实验规范与专业工具接口：生命科学对接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、地球气象六大核心领域落地，并完成了蛋白质、材料等方向的干湿实验闭环。

此外，Intern-S2-Preview-397B采用视觉预训练反哺语言模型的创新路径。模型直接“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，完整保留图文对应关系。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，大幅降低训练开销的同时习得更多隐性结构信息。

关键要点

• 架构创新：将知识存储（Memory Decoder）与推理计算（Mobius）分离，实现“记忆”与“思考”各司其职。Memory Decoder支持可插拔外部记忆，按需接入垂域知识；Mobius构建全局共享知识向量库，动态组织计算路径，推理效率提升近4倍。
• 关键机制：Mobius引入反向残差连接（允许深层隐状态访问浅层知识）和动态隐空间推理（用连续向量替代Token，动态分配推理开销）。
• 训练范式：InternBootcamp交互验证环境将真实任务转化为“行动—反馈”高密度训练，内化领域逻辑，强化长程规划与工具调用能力。
• 科学能力：在分子设计、材料结构生成等任务上追平万亿参数模型；在Biology-Instructions、Mol-Instructions、MP20等评测大幅领先；在代码智能体评测中处于开源模型第一梯队。
• 应用效果：蛋白结合剂设计通过率从0.47%提升至1.56%（增幅233%），候选分子数提升逾3倍，迭代时间从天压缩至分钟级；五元氧化物晶体结构预测实现智能构建。
• 平台落地：基于该模型的「书生·端砚」科学发现平台覆盖六大科研领域，完成干湿实验闭环，不做泛化问答，深耕学科专业工具对接。
• 视觉预训练：直接阅读原始文献页面，保留图文对应关系，Token量仅为解析后文本的1/4，提升语料利用效率并习得隐性结构信息。
• 生态协同：与昇腾计算生态深度协同，探索国产算力基础设施优化路径。

意义与影响

Intern-S2-Preview-397B的发布标志着大模型能力扩展的尺度从单一的参数规模，推进到架构效率、