量子位
·
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
内容提要
上海人工智能实验室发布了基于新架构的Intern-S2-Preview-397B大模型，旨在解决科学智能领域的知识与推理分离问题。该模型通过Memory Decoder和Mobius架构实现专业知识的动态更新与推理效率提升，显著提高了生命科学和材料科学等领域的科研效率和准确性。
关键要点
-
上海人工智能实验室发布了基于新架构的Intern-S2-Preview-397B大模型，旨在解决科学智能领域的知识与推理分离问题。
-
该模型采用Memory Decoder和Mobius架构，实现专业知识的动态更新与推理效率提升。
-
Intern-S2-Preview-397B通过将知识存储与逻辑推理分开设计，形成了知识与推理分离的双引擎。
-
Mobius架构提升了知识的可复用性和压缩率，为不同推理算子提供了灵活的知识存取机会。
-
该模型在生命科学和材料科学等领域的科研效率和准确性显著提高，优于其他开闭源旗舰模型。
-
Intern-S2-Preview-397B通过交互验证环境InternBootcamp进行高密度训练，强化了长程规划与工具调用能力。
-
模型能够将复杂的科研任务转化为可验证、可复现的完整工作流，提高了科研效率。
-
在材料科学领域，Intern-S2-Preview-397B展现了强大的决策支撑能力，能够精准构建复杂的晶体结构。
-
上海人工智能实验室还推出了「书生·端砚」科学发现平台，整合科研全流程，提升科学推理的效率。
-
Intern-S2-Preview-397B采用视觉与语言深度互动的预训练范式，提升了模型对复杂知识的学习效率。
延伸解读
知识与推理的分离
Intern-S2-Preview-397B模型通过将知识存储与推理过程分开设计，解决了传统大模型在专业知识更新时的局限性。这种分离使得模型能够灵活地接入新知识，而不影响已有的通用能力，适应快速变化的科学研究需求。
Mobius架构的优势
Mobius架构的引入提升了模型的知识可复用性和推理效率。通过解耦知识向量与推理算子，模型能够根据不同输入动态调整计算路径，这种灵活性在处理复杂科学任务时尤为重要，能够显著提高科研效率。
科学发现平台的整合
上海人工智能实验室推出的「书生·端砚」科学发现平台，整合了科研全流程，提升了科学推理的效率。该平台不仅支持多学科的研究，还通过智能中枢实现了从假设提出到实验验证的闭环，推动了科学研究的系统化进程。
延伸问答
Intern-S2-Preview-397B模型的主要目标是什么？
该模型旨在解决科学智能领域的知识与推理分离问题。
Intern-S2-Preview-397B是如何提升推理效率的？
通过Memory Decoder和Mobius架构实现专业知识的动态更新与推理效率提升。
Mobius架构的主要优势是什么？
Mobius架构提升了知识的可复用性和压缩率，为不同推理算子提供灵活的知识存取机会。
Intern-S2-Preview-397B在生命科学领域的表现如何？
该模型在生命科学领域的科研效率和准确性显著提高，优于其他开闭源旗舰模型。
什么是InternBootcamp交互验证环境？
InternBootcamp是一个高密度训练平台，将真实任务转化为标准化的交互场景进行训练。
上海人工智能实验室推出的「书生·端砚」平台有什么特点？
该平台整合科研全流程，提升科学推理的效率，支持从假设提出到实验验证的完整过程。
