397B大模型推动科学推理，书生·端砚闭环科研新范式
科学智能领域长期面临通用认知与专业知识难以兼顾的难题，在2026世界人工智能大会期间，相关科研机构推出了Intern-S2-Preview-397B这款397亿参数的科学基座模型，通过底层架构革新解决了传统大模型的痛点，同时该模型还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。
架构革新：让知识存储与推理各司其职
传统大模型中知识存储与逻辑推理高度耦合，不仅无法充分利用已有知识开展推理，每接入新学科还可能扰动已形成的通用能力。研发团队从底层架构入手，构建了由Memory Decoder与Mobius组成的“知识与推理分离”双引擎架构。
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在独立记忆模块中训练并按需接入基础模型，避免了通过反复改写整个模型来硬编码专业知识的问题，能够及时校正模型在探索未知时对新信息的理解偏差。
Mobius架构则聚焦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，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与压缩率，另一方面为不同推理算子提供了灵活的知识存取路径，让数学、物理、化学、生物等领域共有的分析、验证与纠错能力得以迁移复用，打破了专业能力之间的技能孤岛。
值得一提的是，Mobius架构原生引入了反向残差连接与动态隐空间推理机制。前者打破了浅层隐状态才能访问深层知识的约束，让深层隐状态也能获取浅层知识；后者使用连续向量替代Token作为信息载体，具备更高的信息密度，更适配科学模态的信息传递，还能让模型动态为不同输入分配合理的推理开销。这种解耦设计让记忆调用与推理过程协同更紧密，端到端推理效率提升接近4倍。
知识与推理分离架构的核心价值，在于将大模型的专业化从一次性整体改造转变为可持续的能力生长。知识记忆承载不断演进的专业知识，推理模块则可以在不同任务间复用知识，为“引入专业知识而不牺牲基础通用能力”提供了全新的实现路径。对于科学智能来说，这种分工尤为关键：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、新方法与新数据，也要保持跨领域的比较、类比与推演能力。可插拔记忆让知识更新更轻量，共享推理则让跨学科能力无需从头训练。
“记忆”与“思考”的分离还为科学智能体带来了更灵活的底层支撑，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在真正需要推理的环节，并依据环境反馈不断修正路径。研发团队的这项架构创新，将大模型的能力扩展尺度从单一的参数规模，推进到知识记忆与逻辑推理的双轨演进。通过让大模型的“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，更可以来自更合理的知识组织方式、更高密度的推理训练与更有效的计算路径。这也正是“通识为体、专业为用”的核心含义：通用能力构成稳定底座，专业能力按需接入、彼此协同，在解决真实问题的过程中共同抬升模型的能力上限。
为了提升这种协同能力，研发团队还同步革新了底层训练范式。针对传统训练依赖静态语料、难以习得复杂决策的痛点，团队构建了InternBootcamp交互验证环境。不同于常规的文本训练，该平台将电路设计、金融建模等真实任务转化为标准化交互场景，并自动生成验证函数进行仿真核验。InternBootcamp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，为系列大模型的后续生态应用创新加速，也直接赋能了Intern-S2-Preview-397B的训练。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，让长程规划与工具调用能力得到根本性强化。
科学能力持续领先
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，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优于多数闭源和开源旗舰模型。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评测任务中，该模型大幅领先其他开闭源旗舰模型，证明其已经具备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，这一点在软件工程开发的主流评测中得到了印证。比如在极具挑战的TerminalBench2.1和SWEBench-Pro代码智能体评测中，该模型在开源模型中优于Kimi-2.7-Code和DeepSeek-V4-Pro，仅次于GLM5.2；在SWEBench-Multilingual评测中，其表现优于其他开闭源模型，与GLM5.2相当。
在科研领域，基准测试回答的是模型“会不会”，而真实的科研则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，不仅能给出答案，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的蛋白结合剂设计为例，传统科研流程中科学家往往面临大海捞针的困境：每轮筛选需生成上千个候选分子，再经由AlphaFold3折叠预测与Rosetta能量筛选层层剥离。但传统流程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，通过率仅为0.47%，单轮“设计—验证”闭环动辄耗时数日，效率瓶颈明显。依托Intern-S2-Preview-397B作为智能决策中枢，模型可以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，就能获得针对性的设计改进建议，比如将分散的43个关键残基精准精简至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的判断依据，还能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，基于该模型的优化策略，AlphaFold3与Rosetta的验证通过数大幅攀升，通过率从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，原本以天计的人工经验迭代被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是典型的五元化合物，随着元素种类增加，晶体结构的组合可能性呈指数级爆炸，预测五种原子在三维空间内的相互位置、处理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。依托该模型，科研人员只需输入化学式，模型就能结合晶体学逻辑，自动匹配其所属的空间群，比如P4/mmm对称性结构，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：打造可验证的科研闭环
基于Intern-S2-Preview-397B领先的科学能力，研发团队打造了「书生·端砚」科学发现平台，将科学推理送入可验证闭环。
该平台面向真实科研全流程打造，承载完整科学发现的全流程推演、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的重要底座，「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，而是深度学习各学科的研究范式、实验规范与专业工具接口：生命科学可对接AlphaFold、BLAST、UniProt；材料科学可打通Materials Project、RDKit、第一性原理计算；地球科学可接入遥感、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。其中在蛋白质、材料等前沿研究中，该平台完成了干湿实验闭环，实现了科学发现全流程的端到端验证。
范式升级：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。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，研发团队提出了“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的关系，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进入下一阶段，相关领域专家表示，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。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。
