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

2026 年世界人工智慧大會（WAIC 2026）期間，上海人工智能實驗室正式發表書生系列最新模型 Intern-S2-Preview-397B。這款僅以 397B 參數規模打造的科學智能體基座，在分子設計、材料結構生成等核心科學任務上，直接追上實驗室先前推出的萬億參數模型，為科學智能（AI4S）領域帶來全新突破口。面對長期困擾業界的「通用認知」與「專業知識」難以兼顧的難題，團隊從底層架構進行根本性革新，嘗試為複雜科學任務的推理構建更穩固的底層能力。同時，該模型也與昇騰計算生態展開深度協同，持續探索國產算力基礎設施的優化路徑。 傳統大模型中，知識儲存與邏輯推理高度耦合，導致模型難以同時兼顧記憶新知識與靈活推理；每當要接入新的學科，往往會對既有的通用能力造成擾動。Intern-S2-Preview-397B 從設計之初就將「知識承載」與「推理計算」分開，打造由 Memory Decoder 與 Mobius 組成的雙引擎架構。Memory Decoder 導入可插拔的外部專業記憶，不同學科的最新知識可在獨立模組中訓練，按需接入基礎模型，大幅降低對原有參數的影響。Mobius 架構則專注於解耦知識向量與推理算子，透過全域共享知識向量庫提升知識重複利用率，並讓不同推理算子根據輸入動態組織計算路徑，使數學、物理、化學、生物等領域共同需要的分析、驗證與糾錯能力得以遷移複用。 Mobius 架構還原生引入反向殘差連接（Backward Residual Connection）與動態隱空間推理（Dynamic Latent Reasoning）兩項機制。前者打破傳統模型只有淺層可存取深層知識的限制，讓深層隱狀態也能回溯淺層知識；後者則用連續向量取代離散 Token，不僅承載更高信息密度，還能依不同任務動態分配推理資源。透過這種「解耦再協同」的方式，模型在相同任務下的端到端推理效率提升接近 4 倍，為科學智能體所需的長程規劃與頻繁檢索專業知識提供了更靈活的底層支撐。 在訓練範式上，研發團隊同步建構了名為 InternBootcamp 的交互驗證環境。不同於過往僅依賴靜態語料的文本擬合，InternBootcamp 將電路設計、金融建模等真實任務轉化為標準化交互場景，並自動生成驗證函數進行仿真核驗。模型在「行動—反饋」的高密度訓練中內化領域邏輯，長程規劃與工具調用能力獲得根本性強化，為後續生態應用創新奠定基礎。 在科學專業任務的評測中，Intern-S2-Preview-397B 表現亮眼。在 Biology-Instructions、Mol-Instructions、MP20 等生命科學與材料結構理解、生成及設計相關的基準上，該模型大幅領先其他開源與閉源旗艦模型，展現出服務真實科學研究的扎實專業基礎。此外，它在軟體工程開發評測如 TerminalBench2.1、SWEBench-Pro 與 SWEBench-Multilingual 上同樣位居開源模型前列，僅次於少數頂級模型，驗證了其跨領域的通用智能體能力。 真實科研場景的考驗更能體現模型的價值。以免疫治療靶點 IL-7Rα 的蛋白結合劑設計為例，傳統流程往往需生成上千個候選分子，再透過 AlphaFold3 與 Rosetta 層層篩選，通過率僅 0.47%，每輪閉環耗時數日。導入 Intern-S2-Preview-397B 作為智能決策中樞後，模型可學習實驗全量反饋數據，將盲目試錯轉化為策略優化鏈——例如將 43 個關鍵殘基精簡至 30 個，並聚焦於核心表位。在同等算力預算下，通過率一舉躍升至 1.56%，增幅達 233%，可交付的優質候選分子數提升逾 3 倍，原本以天計的迭代過程被壓縮到分鐘級。在材料科學領域，面對五元氧化物 Sr₂Ho₁Cu₂Ru₁O₈ 這類高維度結構預測任務，模型能自動匹配空間群並系統化構建晶格參數與原子座標，大幅縮短研發起點。 基於 Intern-S2-Preview-397B 的領先科學能力，上海人工智能實驗室同步打造了「書生·端硯」科學發現平台。該平台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、模型與實驗平台，覆蓋從假設提出到實驗驗證的完整科研流程。平台不做泛化通用問答，而是深度學習各學科研究範式與專業工具接口，例如生命科學對接 AlphaFold、BLAST，材料科學打通 Materials Project、RDKit，地球科學接入遙感與地質模型。目前已在生命科學、關鍵材料、半導體、核聚變、量子、地球氣象六大核心領域落地，並完成蛋白質、材料等前沿研究的乾濕實驗閉環。 針對科學知識大量存在於圖表、分子構型、晶體座標等非文字載體的現實，團隊提出「視覺預訓練反哺語言模型」的創新路徑。Intern-S2-Preview-397B 在預訓練階段就直接「閱讀」原始文獻頁面，在同一表徵空間內聯合學習符號語義與圖像信息，無需經過中間解析步驟。這不僅完整保留圖文對應關係，還讓相同科學文獻經視覺編碼生成的 Token 量僅為解析後文本的 1/4，以極高信息密度學習複雜知識的同時大幅降低訓練開銷。 上海人工智能實驗室主任、首席科學家周伯文指出，科學智能不應只是人工智慧的一個應用分支，而是檢驗智能能否理解複雜世界、提出可驗證假設並在反饋中持續進化的終極試煉。Intern-S2-Preview-397B 的發表，正是對這一試煉的積極回應。當參數擴張面臨算力、成本與能耗的現實約束，架構效率與專業知識的協同演進，正在成為基礎模型競爭的新變量，也正式開啟了面向科學發現的智能體基座時代。