Intern-S2-Preview是什么
Intern-S2-Preview 是上海人工智能实验室开源的新一代书生科学多模态大模型预览版，以35B参数规模实现比肩万亿参数模型的科学能力。模型通过”通专融合”全链路训练与强化学习驱动，首次在开源通用大模型中实现材料晶体结构生成，MolecularIQ评测得分57.26，晶体结构生成通过率超40%，显著超越主流闭源模型。同时支持复杂科学推理、生物多组学理解与智能体任务执行，基于昇腾Atlas 900 A3超节点实现算法—系统—算力协同优化，为科研创新提供高效、低门槛的AI基础设施。
Intern-S2-Preview的主要功能
- 科学多模态理解：支持多组学序列分析、生物显微图像问答、生物分子指令理解、分子结构推理、科学多模态任务、遥感感知与推理及综合科学推理。
- 材料晶体结构生成：首次在开源通用大模型中实现材料晶体结构生成，引入实数预测模块，支持高精度坐标回归与分子结构空间建模。
- 数学与复杂推理：覆盖国际数学奥赛解题、多模态数学推理、高中数学竞赛等任务，支持思维链折叠与极致压缩的高效推理。
- 长程文本与多模态推理：支持长程纯文本及多模态推理，具备处理超长科学文献与复杂跨模态信息的能力。
- 科学图表与数据问答：针对科学图表、数据可视化内容进行专业问答与解析。
- 科学代码生成：在科学编程与算法求解场景中表现优异，可高效支撑科学计算、算法开发与科研脚本编写。
- 通用智能体任务执行：具备科学智能体交互、科学竞赛与研究智能体任务执行、OpenClaw编码智能体及软件工程智能体等复杂任务规划与自主执行能力。
- 指令跟随与代码生产：支持高精度指令跟随与通用代码生产任务。
Intern-S2-Preview的技术原理
- 通专融合全链路训练：将数百项专业科学任务从预训练扩展至强化学习阶段，为每个任务配备从预训练到后训练的高质量数据与训练策略，实现多任务融合训练，使不同任务间形成相互促进的协同效应。
- 任务Scaling机制：通过提升任务难度与丰富任务多样性实现能力Scaling，当大量高难度科学任务统一融合训练时，35B参数模型可在多项科学任务上达到万亿参数模型的表现水平。
- 强化学习驱动科学推理：延长RL训练步长并引入研究生级别学科推理问题；引导模型利用思维链完成生物多组学理解等专业任务，依托思维链泛化优势实现小参数比肩大模型性能。
- 数据思维密度优化（IQPT）：在Intelligence Quality per token理念指导下，探索思维链折叠等创新算法，通过构建数据思维密度杠杆，在数学推理中以相同单位智能比肩8倍参数量模型。
- 分子结构空间建模技术：引入傅里叶位置编码（FoPE）、重构时序编码器，并新增实数预测模块，实现高精度坐标回归，首次在开源通用大模型中完成材料晶体结构生成。
- 训推一体化架构：基于XTuner训练框架与LMDeploy推理引擎，引入共享MTP权重计算方式，减少训练与推理阶段不一致性，提升draft token接受率与生成有效性。
- 昇腾算力协同优化：基于昇腾Atlas 900 A3超节点，在训练框架中引入SP、chunk loss、activation offload等显存优化技术；针对变长输入优化数据分块与主机设备交互；通过离线模拟视觉与语言模块算力占比，实现多模态长序列训练的均衡资源分配。
如何使用Intern-S2-Preview
- 在线对话体验：访问书生大模型官方体验平台，直接进行多轮对话，测试科学问答、分子结构理解、代码生成等能力。
- API 服务接入：通过 ChatAPI 调用模型，在
model字段填写intern-s2-preview，默认开启深度思考模式（thinking_mode），适合需要集成到科研工具链或自动化工作流的场景。 - 智能体任务执行：若需使用智能体能力（如接入 OpenClaw 等 harness 执行复杂科研任务），强烈建议保持
thinking_mode开启，以保障任务拆解、工具调用与多步决策的稳定性。 - 开源模型本地部署：从 HuggingFace 或 ModelScope 下载模型权重，结合官方推荐的 LMDeploy 推理引擎进行本地部署，支持高效推理与多模态长序列处理。
- 科研微调与训练：基于 XTuner 训练框架，利用开源权重进行领域微调；训练阶段支持多 token 预测强化学习及共享 MTP 权重计算，便于训推一体化迭代。
- 晶体结构生成任务：针对材料科学场景，直接调用模型进行晶体结构生成与分子坐标回归，无需依赖扩散模型即可获得高精度空间坐标预测结果。
Intern-S2-Preview的项目地址
- 书生大模型：https://chat.intern-ai.org.cn/
- HuggingFace：https://huggingface.co/internlm/Intern-S2-Preview
- ModelScope：https://modelscope.cn/models/Shanghai_AI_Laboratory/Intern-S2-Preview
Intern-S2-Preview的核心优势
- 35B参数比肩万亿级模型：以极小参数规模实现多个核心科学领域比肩万亿参数模型的能力，大幅降低科研使用门槛与部署成本。
- 首次开源晶体结构生成：引入实数预测模块，在开源通用大模型中首次实现材料晶体结构生成，MolecularIQ得分57.26，通过率超40%，显著超越GPT-5.5等闭源模型。
- 科学智能体能力领先：在综合科学场景编程、科学发现任务中超越Claude-Haiku-4.5、GPT5.4-Nano等主流闭源模型，SciCode与PinchBench评测位居同量级前列。
- 通专融合全链路训练：将专业科学任务从预训练延伸至强化学习阶段，多任务融合形成协同效应，避免单一阶段优化的能力此消彼长。
- 强化学习驱动高效推理：依托思维链引导与思维链折叠算法，在数学推理中以相同单位智能比肩8倍参数量模型，实现性能与效率双重突破。
- 昇腾软硬件协同优化：基于昇腾Atlas 900 A3超节点实现算法—系统—算力协同演进，训练稳定性与推理效率大幅提升，验证国产算力生态价值。
- 训推一体化架构：XTuner训练框架与LMDeploy推理引擎深度协同，共享MTP权重减少训推不一致，支持多模态长序列高效训练与部署。
Intern-S2-Preview的同类竞品对比
| 对比维度 | Intern-S2-Preview | Qwen3.6-35B-A3B | Step3.5-Flash |
|---|---|---|---|
| 发布机构 | 上海人工智能实验室 | 阿里巴巴通义千问团队 | 阶跃星辰 |
| 参数规模 | 35B | 35B | 196B |
| 模型定位 | 科学多模态大模型（通专融合） | 通用多模态大模型 | 通用多模态大模型 |
| 开源情况 | 开源（HuggingFace/ModelScope） | 开源 | 开源 |
| MolecularIQ 分子结构推理 | 57.26 | 32.62 | 45.94 |
| 晶体结构生成 | 首次开源实现，通过率>40% | 不支持 | 不支持 |
| SciCode 科学编程 | 39.64 | 40.60 | 46.15 |
| SGI-Bench 科学智能体交互 | 52.52 | 37.30 | 36.16 |
| MMLU Pro 通用知识推理 | 88.00 | 85.12 | 83.44 |
| IMO-Bench 国际数学奥赛 | 84.00 | 81.00 | 79.0 |
| PinchBench 通用智能体编码 | 88.22 | 87.05 | 85.00 |
| FrontierScience-Research 科研智能体 | 19.44 | 10.00 | 10.00 |
| 训练范式 | 全链路通专融合 + RL强化学习 | 通用预训练 + 后训练 | 通用预训练 + 后训练 |
| 算力生态 | 昇腾 Atlas 900 A3 深度优化 | 多元算力 | 多元算力 |
| 核心差异 | 以35B参数实现晶体结构生成等专有科学能力，科学智能体与推理效率显著领先同/更大规模模型 | 通用能力强，但在专业科学任务（分子结构、科研智能体）上明显落后 | 参数规模大，科学编程略优，但科学发现、分子推理与智能体任务落后，且不具备晶体结构生成能力 |
Intern-S2-Preview的应用场景
- 分子生物学与药物研发：用于多组学序列分析、生物分子指令理解与分子结构推理，辅助靶点发现、化合物筛选及药物作用机制研究。
- 材料科学创新发现：直接生成材料晶体结构并输出高精度空间坐标，加速新型半导体、催化剂、电池材料等研发迭代。
- 科学计算与算法开发：支撑科学编程、算法求解与科研脚本编写，为物理模拟、化学计算、生物信息学处理提供自动化代码生成。
- 生物显微图像与遥感分析：对生物显微图像进行专业问答与特征识别，同时支持遥感感知与推理，服务医学影像与地球科学领域。
- 数学与复杂科学推理：覆盖国际数学奥赛、高中数学竞赛及研究生级别学科推理，辅助数学证明、公式推导与逻辑验证。
- 科研智能体自动化执行：作为科学竞赛智能体、研究智能体或OpenClaw编码智能体，自主完成文献调研、实验设计、数据分析等多步骤科研任务。