397B参数追平万亿模型，上海AI Lab发布科学智能体新基座 | WAIC 2026

2026世界人工智能大会（WAIC 2026）期间，上海人工智能实验室发布书生系列大模型Intern-S2-Preview-397B，该模型基于全新架构和预训练范式，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实验室此前的万亿参数模型。

面对科学智能（AI4S）领域长期存在的“通用认知”与“专业知识”难以兼顾的难题，Intern-S2-Preview-397B通过底层架构的根本性革新，尝试为复杂科学任务的推理构建新的基座。
与此同时，Intern-S2-Preview-397B与昇腾计算生态开展深度协同，持续探索从模型能力提升到国产算力基础设施优化的协同演进路径。

架构创新：让“记忆”与“思考”各司其职

科学研究需要模型既“记得多”，又“想得活”。但在传统大模型中，知识存储与逻辑推理高度耦合：模型不但无法充分利用已有知识进行推理，而且每接入一个新学科，都可能扰动已经形成的通用能力。

Intern-S2-Preview-397B从底层架构入手，将知识承载与推理计算分开设计，形成由 Memory Decoder与 Mobius 组成的“知识与推理分离”双引擎。

其中，Memory Decoder 引入了专业领域的可插拔外部记忆。不同学科的最新知识可以在独立记忆模块中训练，并按需接入基础模型，使模型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。

换言之，专业知识不再只能通过反复改写整个模型来“硬编码”，而可以像扩展记忆一样持续更新，及时校正模型在探索未知过程中对新获知信息的理解偏差。

Mobius 架构则专注于基座模型的知识与推理分离。通过解耦模型内部的知识向量与推理算子，Mobius 构建了全局共享知识向量库，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更加灵活自由的知识存取机会，使其可以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。

专业能力因此不再是彼此割裂的“技能孤岛”，而成为同一基座上的可组合能力。

值得一提的是，Mobius 的设计原生引入了反向残差连接（Backward Residual Connection）机制与动态隐空间推理（Dynamic Latent Reasoning）机制。

前者打破了只有浅层隐状态可以访问深层知识的约束，让模型的深层隐状态也可以访问到浅层知识。

后者不仅使用连续向量替代 Token 成为了更高信息密度、更适合科学模态的信息载体，还让模型动态地为不同输入分配适当的推理开销。

Mobius 的“解耦”反而让记忆调用与推理过程更“紧密”地协同，使模型面对相同任务时的端到端推理效率提升接近 4 倍。

这套架构的关键价值，在于将大模型专业化从一次性的整体改造，转变为可持续的能力生长——基础模型负责稳定的通用理解与推理，专业记忆承载不断演进的学科知识，推理算子则在不同任务之间复用。

三者分工协作，为“引入专业知识而不牺牲基础能力”提供了新的实现路径。

对科学智能而言，这种分工尤其重要。科学知识更新快、学科边界不断交叉，模型既要及时纳入新事实、新方法和新数据，也要保持跨领域比较、类比与推演能力。可插拔记忆让知识更新更轻量，共享推理让跨学科能力不必从头训练。

“记忆”与“思考”分离对科学智能体来说，也意味着更灵活的底层支撑：面对需要多轮规划、频繁检索专业知识和持续调用工具的长程任务，模型可以将计算资源集中于真正需要推理的环节，并依据环境反馈不断修正路径。

Intern-S2-Preview-397B 将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、任务深度与专业知识的协同演进。基于全新架构，模型不必为每一种专业能力重复搭建一套系统，而是在统一基座上持续生长新的专业能力。

当参数扩张面临算力、成本与能耗约束，架构效率正在成为基础模型竞争的新变量。

Intern-S2-Preview-397B是业界首次真正实现让大模型的“记忆”与“思考”各司其职、完美协同，也印证了大模型的进步不只来自“更多参数”，也可以来自更合理的知识组织方式、更高密度的推理训练和更有效的计算路径。

这也正是“通识为体、专业为用”的含义：通用能力构成稳定底座，专业能力按需接入、彼此协同，并在解决真实问题的过程中共同抬升模型能力上限。

这种协同能力的习得，得益于底层训练范式的同步革新。

针对传统训练依赖静态语料、难以习得复杂决策的痛点，研发团队构建了InternBootcamp交互验证环境。不同于常规的文本训练，InternBootcamp平台将电路设计、金融建模等真实任务转化为标准化的交互场景，并自动生成验证函数进行仿真核验。

在这种“行动—反馈”的高密度训练中，Intern-S2-Preview-397B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，使得Intern-S2-Preview-397B的长程规划与工具调用能力得到根本性强化。

InternBootcamp平台同时提供从数据沉淀、Reward 评估、模型评测到安全对齐的一体化支撑，以更低成本打造“更懂行业”的专域模型，为书生系列大模型后续生态应用创新按下加速键。

科学能力持续领先：最懂科学的智能中枢

书生系列大模型凭借卓越的科学理解与推理能力长期领跑，并在纯文本、多模态、代码智能体等多元领域展现出顶尖实力，位列开源模型第一梯队。

在科学专业任务上，Intern-S2-Preview-397B 优于闭源和开源旗舰模型。

例如在 Biology-Instructions、Mol-Instructions、MP20 等生命科学和材料结构理解、生成与设计相关的专业任务评测上，Intern-S2-Preview-397B 大幅领先其他开闭源旗舰模型，说明 Intern-S2-Previw 已经具备了服务科学研究所需的专业基础能力。

同时，Intern-S2-Preview-397B 还具备长周期自主规划与迭代纠错等科研所需的通用智能体能力，并在软件工程开发的主流评测上得到了印证。

例如，在当前极具挑战的代码智能体评测 TerminalBench2.1 和 SWEBench-Pro 上，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，和 GLM5.2 相当。

在科研领域，如果说 Benchmark（基准测试）回答的是模型“会不会”，那么真实的科研则在追问，模型能否将一次推理转化为可验证、可复现、可迭代的完整工作流？

Intern-S2-Preview-397B 给出了一份极佳的答案。

它将通用理解、专业推理、结果诊断与工具调用收束于同一基座，让模型不只给出一个答案，还能解释判断依据、提出下一步方案，并接受计算或实验结果的检验。

以免疫治疗靶点 IL-7Rα （白细胞介素7受体α链，免疫疗法关键靶点，是癌症免疫治疗的重要研究方向）的蛋白结合剂（binder，能特异性结合目标蛋白的分子，可用于阻断或激活蛋白功能，是药物研发的核心分子类型）设计为例，在传统科研中，科学家往往面临“大海捞针”的困局——每轮筛选需生成上千个候选分子，再经由 AlphaFold3 折叠预测与 Rosetta 能量筛选进行层层剥离。

然而，传统流程由于缺乏全局视角的精准引导，大量候选分子在验证环节因结构不稳或界面质量不佳被淘汰，通过率低至 0.47%，单轮“设计—验证”闭环动辄耗时数日，效率瓶颈显著。

依托Intern-S2-Preview-397B 作为智能决策中枢，模型能够深度学习实验的全量反馈数据，将原本“盲目试错”的过程转化为可审阅的“策略优化链”。

科研人员只需调用模型，即可获得针对性的设计改进建议——例如，将分散的 43 个关键残基（hotspot，蛋白质表面对相互作用起关键作用的氨基酸位点，是蛋白设计的核心优化对象）精准精简至 30 个，并聚焦于 B 链 102—189 位的核心表位。

这一过程从源头解决了蛋白分子被迫拉伸、接触分散及折叠不稳的结构难题，科研人员不仅可以逐步查看模型为何这样判断，还可以一键按建议重跑同一流程。

这一过程并不替代最终的生物物理验证，其核心价值在于将研发初期最耗时、易错的“参数调优”环节，转化为模型驱动的“智能诊断”。

在同等算力预算下，基于Intern-S2-Preview-397B 的优化策略，AlphaFold3 与 Rosetta 的验证通过数大幅攀升，通过率由 0.47% 跃升至 1.56%，增幅高达 233%，可交付的优质候选分子数提升逾 3 倍。

这一过程将原本以天计的人工经验迭代，成功压缩为分钟级的智能诊断与精准重跑。

在材料科学领域，Intern-S2-Preview-397B 同样展现了强大的决策支撑能力。

五元氧化物 Sr₂Ho₁Cu₂Ru₁O₈ 是一个典型的“五元”化合物（Sr, Ho, Cu, Ru, O），在材料科学中，随着元素种类增加，晶体结构的组合可能性呈指数级爆炸。

对于大模型来说，要预测五种原子在三维空间内的相互位置、处理它们之间复杂的化学键合和晶格排布，是对模型“空间推理能力”与“晶体学知识内化程度”的极高考验。

依托Intern-S2-Preview-397B ，科研人员只需输入化学式，模型即可结合晶体学逻辑，自动匹配其所属的空间群（如 P4/mmm 对称性结构，晶体学中描述原子对称排列方式的分类标准，P4/mmm代表四方晶系中具有特定对称性的常见结构类型），并从晶格参数、晶胞体积到原子分数坐标进行系统化构建。

这一过程并不替代最终的物理计算与实验验证，其核心价值在于将研发初期最耗时、易错的“结构探索”环节，转化为模型驱动的“精准构建”，不仅大幅缩短了研发起点，更让后续的高阶科学研究能够站在一个更高、更准的起点，真正实现从“经验试错”向“模型驱动”的研发模式转型。

从能力到发现：把科学推理送入可验证闭环

基于Intern-S2-Preview-397B 一贯领先的科学能力，上海人工智能实验室打造了「书生·端砚」科学发现平台（以下简称“「书生·端砚」”），将科学推理送入可验证闭环。

「书生·端砚」面向真实科研全流程打造，承载完整科学发现全流程推演、记录、验证与沉淀。它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，系统性整合算力、数据、模型、智能体、实验平台，覆盖从“假设提出”到“实验验证”的完整科研流程。

基于Intern-S2-Preview-397B 重要底座，『书生·端砚』将能力向数学、物理、生命科学、材料科学、地球科学等领域纵深拓展。

平台不做泛化通用问答，深度学习各学科研究范式、实验规范、专业工具接口：生命科学可对接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，「书生·端砚」已在生命科学、关键材料、半导体、核聚变、量子、地球气象六大核心科研领域落地。

其中在在蛋白质、材料等前沿研究中，「书生·端砚」完成了干湿实验闭环，实现了科学发现全流程端到端验证。

范式升级：以视觉预训练反哺语言智能

科学知识的载体远不止文字。分子构型、晶体坐标、实验谱线与复杂公式图表中，蕴含了大量自然语言难以穷尽的信息。

这也意味着，单纯依赖文字输入难以实现完整的智力涌现，无法从根本上解决科学智能的深层问题。

针对这一挑战，上海人工智能实验室提出了“视觉预训练反哺语言模型”的创新路径。

在传统流程中，复杂的PDF文献需预先解析为纯文本，这一过程极易导致版面结构、图表逻辑与公式语义的损耗，模型接收的信息往往是“残缺”的。

Intern-S2-Preview-397B采用视觉与语言深度互动的全新预训练范式，模型从一开始就直接“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。

这种多模态联合建模方式，完整保留了图文对应关系，为高度依赖空间与图像推理的科学任务奠定了坚实的认知基础。

与此同时，视觉预训练显著提升了语料利用效率。数据显示，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。

这使得Intern-S2-Preview-397B 能以极高的信息密度学习复杂知识，在大幅降低训练开销的同时，习得更多对科学推理至关重要的隐性结构信息。

伴随着AGI进入下一程，“科学智能不应只是人工智能的一个应用分支，而是检验智能能否理解复杂世界、提出可验证假设并在反馈中持续进化的终极试炼。”上海人工智能实验室主任、首席科学家周伯文说。

Intern-S2-Preview-397B 的发布，正是对这一“终极试炼”的积极探索和回应。

作为AI的下一个前沿阵地，科学发现既是推理智能的终极试炼场，也是“通专融合”的验证舞台，大规模推理将赋能科学发现，科学发现亦将反哺推理能力的进化，开启面向科学发现的智能体基座时代。