397B參數追平萬億模型，上海AI Lab發布科學智能體新基座 | WAIC 2026

2026世界人工智能大會（WAIC 2026）期間，上海人工智能實驗室發布書生系列大模型Intern-S2-Preview-397B，該模型基于全新架構和預訓練范式，以397B參數規模在分子設計、材料結構生成等核心科學任務上追平實驗室此前的萬億參數模型。

面對科學智能（AI4S）領域長期存在的“通用認知”與“專業知識”難以兼顧的難題，Intern-S2-Preview-397B通過底層架構的根本性革新，嘗試為復雜科學任務的推理構建新的基座。
與此同時，Intern-S2-Preview-397B與昇騰計算生態開展深度協同，持續探索從模型能力提升到國產算力基礎設施優化的協同演進路徑。

架構創新：讓“記憶”與“思考”各司其職

科學研究需要模型既“記得多”，又“想得活”。但在傳統大模型中，知識存儲與邏輯推理高度耦合：模型不但無法充分利用已有知識進行推理，而且每接入一個新學科，都可能擾動已經形成的通用能力。

Intern-S2-Preview-397B從底層架構入手，將知識承載與推理計算分開設計，形成由 Memory Decoder與 Mobius 組成的“知識與推理分離”雙引擎。

其中，Memory Decoder 引入了專業領域的可插拔外部記憶。不同學科的最新知識可以在獨立記憶模塊中訓練，并按需接入基礎模型，使模型在吸收垂域知識時盡量減少對原有參數和通用能力的擾動。

換言之，專業知識不再只能通過反復改寫整個模型來“硬編碼”，而可以像擴展記憶一樣持續更新，及時校正模型在探索未知過程中對新獲知信息的理解偏差。

Mobius 架構則專注于基座模型的知識與推理分離。通過解耦模型內部的知識向量與推理算子，Mobius 構建了全局共享知識向量庫，一方面提升了知識在層間的可復用性、帶來更好的知識壓縮率，另一方面為不同推理算子提供了更加靈活自由的知識存取機會，使其可以根據輸入動態組織計算路徑，讓數學、物理、化學、生物等領域共同需要的分析、驗證和糾錯能力得以遷移復用。

專業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 的設計原生引入了反向殘差連接（Backward Residual Connection）機制與動態隱空間推理（Dynamic Latent Reasoning）機制。

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

后者不僅使用連續向量替代 Token 成為了更高信息密度、更適合科學模態的信息載體，還讓模型動態地為不同輸入分配適當的推理開銷。

Mobius 的“解耦”反而讓記憶調用與推理過程更“緊密”地協同，使模型面對相同任務時的端到端推理效率提升接近 4 倍。

這套架構的關鍵價值，在于將大模型專業化從一次性的整體改造，轉變為可持續的能力生長——基礎模型負責穩定的通用理解與推理，專業記憶承載不斷演進的學科知識，推理算子則在不同任務之間復用。

三者分工協作，為“引入專業知識而不犧牲基礎能力”提供了新的實現路徑。

對科學智能而言，這種分工尤其重要?？茖W知識更新快、學科邊界不斷交叉，模型既要及時納入新事實、新方法和新數據，也要保持跨領域比較、類比與推演能力?？刹灏斡洃涀屩R更新更輕量，共享推理讓跨學科能力不必從頭訓練。

“記憶”與“思考”分離對科學智能體來說，也意味著更靈活的底層支撐：面對需要多輪規劃、頻繁檢索專業知識和持續調用工具的長程任務，模型可以將計算資源集中于真正需要推理的環節，并依據環境反饋不斷修正路徑。

Intern-S2-Preview-397B 將大模型能力擴展的尺度從單一的參數規模，推進到架構效率、任務深度與專業知識的協同演進?；谌录軜?，模型不必為每一種專業能力重復搭建一套系統，而是在統一基座上持續生長新的專業能力。

當參數擴張面臨算力、成本與能耗約束，架構效率正在成為基礎模型競爭的新變量。

Intern-S2-Preview-397B是業界首次真正實現讓大模型的“記憶”與“思考”各司其職、完美協同，也印證了大模型的進步不只來自“更多參數”，也可以來自更合理的知識組織方式、更高密度的推理訓練和更有效的計算路徑。

這也正是“通識為體、專業為用”的含義：通用能力構成穩定底座，專業能力按需接入、彼此協同，并在解決真實問題的過程中共同抬升模型能力上限。

這種協同能力的習得，得益于底層訓練范式的同步革新。

針對傳統訓練依賴靜態語料、難以習得復雜決策的痛點，研發團隊構建了InternBootcamp交互驗證環境。不同于常規的文本訓練，InternBootcamp平臺將電路設計、金融建模等真實任務轉化為標準化的交互場景，并自動生成驗證函數進行仿真核驗。

在這種“行動—反饋”的高密度訓練中，Intern-S2-Preview-397B不再是對文本概率的簡單擬合，而是在試錯中內化領域邏輯，使得Intern-S2-Preview-397B的長程規劃與工具調用能力得到根本性強化。

InternBootcamp平臺同時提供從數據沉淀、Reward 評估、模型評測到安全對齊的一體化支撐，以更低成本打造“更懂行業”的專域模型，為書生系列大模型后續生態應用創新按下加速鍵。

科學能力持續領先：最懂科學的智能中樞

書生系列大模型憑借卓越的科學理解與推理能力長期領跑，并在純文本、多模態、代碼智能體等多元領域展現出頂尖實力，位列開源模型第一梯隊。

在科學專業任務上，Intern-S2-Preview-397B 優于閉源和開源旗艦模型。

例如在 Biology-Instructions、Mol-Instructions、MP20 等生命科學和材料結構理解、生成與設計相關的專業任務評測上，Intern-S2-Preview-397B 大幅領先其他開閉源旗艦模型，說明 Intern-S2-Previw 已經具備了服務科學研究所需的專業基礎能力。

同時，Intern-S2-Preview-397B 還具備長周期自主規劃與迭代糾錯等科研所需的通用智能體能力，并在軟件工程開發的主流評測上得到了印證。

例如，在當前極具挑戰的代碼智能體評測 TerminalBench2.1 和 SWEBench-Pro 上，在開源模型中優于 Kimi-2.7-Code 和 DeepSeek-V4-Pro，僅次于 GLM5.2；在 SWEBench-Multilingual 上優于其他開閉源模型，和 GLM5.2 相當。

在科研領域，如果說 Benchmark（基準測試）回答的是模型“會不會”，那么真實的科研則在追問，模型能否將一次推理轉化為可驗證、可復現、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、專業推理、結果診斷與工具調用收束于同一基座，讓模型不只給出一個答案，還能解釋判斷依據、提出下一步方案，并接受計算或實驗結果的檢驗。

以免疫治療靶點 IL-7Rα （白細胞介素7受體α鏈，免疫療法關鍵靶點，是癌癥免疫治療的重要研究方向）的蛋白結合劑（binder，能特異性結合目標蛋白的分子，可用于阻斷或激活蛋白功能，是藥物研發的核心分子類型）設計為例，在傳統科研中，科學家往往面臨“大海撈針”的困局——每輪篩選需生成上千個候選分子，再經由 AlphaFold3 折疊預測與 Rosetta 能量篩選進行層層剝離。

然而，傳統流程由于缺乏全局視角的精準引導，大量候選分子在驗證環節因結構不穩或界面質量不佳被淘汰，通過率低至 0.47%，單輪“設計—驗證”閉環動輒耗時數日，效率瓶頸顯著。

依托Intern-S2-Preview-397B 作為智能決策中樞，模型能夠深度學習實驗的全量反饋數據，將原本“盲目試錯”的過程轉化為可審閱的“策略優化鏈”。

科研人員只需調用模型，即可獲得針對性的設計改進建議——例如，將分散的 43 個關鍵殘基（hotspot，蛋白質表面對相互作用起關鍵作用的氨基酸位點，是蛋白設計的核心優化對象）精準精簡至 30 個，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的結構難題，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證，其核心價值在于將研發初期最耗時、易錯的“參數調優”環節，轉化為模型驅動的“智能診斷”。

在同等算力預算下，基于Intern-S2-Preview-397B 的優化策略，AlphaFold3 與 Rosetta 的驗證通過數大幅攀升，通過率由 0.47% 躍升至 1.56%，增幅高達 233%，可交付的優質候選分子數提升逾 3 倍。

這一過程將原本以天計的人工經驗迭代，成功壓縮為分鐘級的智能診斷與精準重跑。

在材料科學領域，Intern-S2-Preview-397B 同樣展現了強大的決策支撐能力。

五元氧化物 Sr?Ho?Cu?Ru?O? 是一個典型的“五元”化合物（Sr, Ho, Cu, Ru, O），在材料科學中，隨著元素種類增加，晶體結構的組合可能性呈指數級爆炸。

對于大模型來說，要預測五種原子在三維空間內的相互位置、處理它們之間復雜的化學鍵合和晶格排布，是對模型“空間推理能力”與“晶體學知識內化程度”的極高考驗。

依托Intern-S2-Preview-397B ，科研人員只需輸入化學式，模型即可結合晶體學邏輯，自動匹配其所屬的空間群（如 P4/mmm 對稱性結構，晶體學中描述原子對稱排列方式的分類標準，P4/mmm代表四方晶系中具有特定對稱性的常見結構類型），并從晶格參數、晶胞體積到原子分數坐標進行系統化構建。

這一過程并不替代最終的物理計算與實驗驗證，其核心價值在于將研發初期最耗時、易錯的“結構探索”環節，轉化為模型驅動的“精準構建”，不僅大幅縮短了研發起點，更讓后續的高階科學研究能夠站在一個更高、更準的起點，真正實現從“經驗試錯”向“模型驅動”的研發模式轉型。

從能力到發現：把科學推理送入可驗證閉環

基于Intern-S2-Preview-397B 一貫領先的科學能力，上海人工智能實驗室打造了「書生·端硯」科學發現平臺（以下簡稱“「書生·端硯」”），將科學推理送入可驗證閉環。

「書生·端硯」面向真實科研全流程打造，承載完整科學發現全流程推演、記錄、驗證與沉淀。它以書生科學大模型為智能中樞，以多智能體系統為執行引擎，系統性整合算力、數據、模型、智能體、實驗平臺，覆蓋從“假設提出”到“實驗驗證”的完整科研流程。

基于Intern-S2-Preview-397B 重要底座，『書生·端硯』將能力向數學、物理、生命科學、材料科學、地球科學等領域縱深拓展。

平臺不做泛化通用問答，深度學習各學科研究范式、實驗規范、專業工具接口：生命科學可對接AlphaFold、BLAST、UniProt；材料科學打通Materials Project、RDKit、第一性原理計算；地球科學接入遙感、地質專業模型。

目前，「書生·端硯」已在生命科學、關鍵材料、半導體、核聚變、量子、地球氣象六大核心科研領域落地。

其中在在蛋白質、材料等前沿研究中，「書生·端硯」完成了干濕實驗閉環，實現了科學發現全流程端到端驗證。

范式升級：以視覺預訓練反哺語言智能

科學知識的載體遠不止文字。分子構型、晶體坐標、實驗譜線與復雜公式圖表中，蘊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現完整的智力涌現，無法從根本上解決科學智能的深層問題。

針對這一挑戰，上海人工智能實驗室提出了“視覺預訓練反哺語言模型”的創新路徑。

在傳統流程中，復雜的PDF文獻需預先解析為純文本，這一過程極易導致版面結構、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的全新預訓練范式，模型從一開始就直接“閱讀”原始文獻頁面，在同一表征空間內聯合學習符號語義與圖像信息關系，不依賴中間解析環節。

這種多模態聯合建模方式，完整保留了圖文對應關系，為高度依賴空間與圖像推理的科學任務奠定了堅實的認知基礎。

與此同時，視覺預訓練顯著提升了語料利用效率。數據顯示，相同科學文獻經視覺編碼生成的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習復雜知識，在大幅降低訓練開銷的同時，習得更多對科學推理至關重要的隱性結構信息。

伴隨著AGI進入下一程，“科學智能不應只是人工智能的一個應用分支，而是檢驗智能能否理解復雜世界、提出可驗證假設并在反饋中持續進化的終極試煉?！?strong>上海人工智能實驗室主任、首席科學家周伯文說。

Intern-S2-Preview-397B 的發布，正是對這一“終極試煉”的積極探索和回應。

作為AI的下一個前沿陣地，科學發現既是推理智能的終極試煉場，也是“通專融合”的驗證舞臺，大規模推理將賦能科學發現，科學發現亦將反哺推理能力的進化，開啟面向科學發現的智能體基座時代。