BestBlogs.dev📌 一句话摘要
上海 AI Lab 发布 Intern-S2-Preview-397B 模型，以 397B 参数通过架构革新追平万亿模型，实现知识与推理分离，并在科学任务上显著提升效率。
📝 详细摘要
文章报道了上海人工智能实验室在 WAIC 2026 发布的 Intern-S2-Preview-397B 模型。该模型以 397B 参数规模，在分子设计、材料结构生成等科学任务上追平此前万亿参数模型。核心创新在于将知识承载与推理计算分离，采用 Memory Decoder（可插拔外部记忆）与 Mobius（知识向量与推理算子解耦）双引擎架构，并引入反向残差连接与动态隐空间推理机制，使端到端推理效率提升近 4 倍。训练方面，InternBootcamp 交互验证环境通过“行动-反馈”高密度训练强化长程规划与工具调用能力。在科学评测中，模型在 Biology-Instructions、Mol-Instructions 等任务上大幅领先其他模型，并通过率从 0.47%提升至 1.56%。基于该模型打造的“书生·端砚”科学发现平台已在生命科学、材料、半导体等六大领域落地。文章还介绍了视觉预训练反哺语言模型的创新路径，以及模型在免疫治疗靶点设计和材料结构预测中的具体应用案例。
💡 主要观点
- 397B 参数通过架构革新追平万亿模型，实现知识与推理分离。 Memory Decoder 引入可插拔外部记忆，Mobius 解耦知识向量与推理算子，使模型在吸收专业领域知识时减少对通用能力的扰动，并提升推理效率近 4 倍。
- InternBootcamp 交互验证环境通过“行动-反馈”训练强化长程规划与工具调用能力。 将电路设计、金融建模等真实任务转化为标准化交互场景，自动生成验证函数进行仿真核验，使模型在试错中内化领域逻辑，不再仅拟合文本概率。
- 在科学任务上表现优异，通过率提升 233%，候选分子数提升逾 3 倍。 以免疫治疗靶点 IL-7Rα的蛋白结合剂设计为例，模型将传统流程中 0.47%的通过率提升至 1.56%，并将人工经验迭代压缩为分钟级智能诊断。
- 视觉预训练反哺语言模型，保留图文对应关系并提升语料利用效率。 模型直接“阅读”原始文献页面，联合学习符号语义与图像信息，Token 量仅为解析后文本的 1/4，以更高信息密度学习复杂科学知识。
💬 文章金句
- 通识为体、专业为用：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。
- 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。
- 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。