397B参数科学智能体基座发布，上海AI Lab追平万亿模型
上海AI Lab另辟蹊径，用记忆-推理分离架构让397B参数小模型追上万亿参数大模型，科学智能体能力跃升。
上海AI实验室发布Intern-S2-Preview-397B科学智能体基座，通过将“记忆”与“推理”分离的双引擎架构，以397B参数实现此前万亿参数模型的科学任务性能。模型支持可插拔专业知识，配合交互训练环境，使分子设计、材料结构生成等任务效率大幅提升。
正文摘录
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。 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。