知识卡片：Intern-S2-Preview——科学智能体基础模型

一句话结论

Intern-S2-Preview 是一个面向科学发现的多模态智能体基础模型系列，通过“科学多模态预训练 + 统一后训练（SFT、多任务RL、智能体RL、蒸馏）”的流水线，在科学、多模态、智能体和通用基准上取得有竞争力或领先的结果；其中 397B 模型引入了从时间序列理解到数值预测的扩展能力，而独立的 4B 记忆解码器扩展可在不修改冻结 397B 骨干的情况下提升生物指令任务平均分。

事件概述或研究问题

科学发现越来越需要 AI 系统能够对异构模态的科学证据进行推理，与科学工具和环境交互，并在长时间任务跨度中持续推进。为此，研究团队提出 Intern-S2-Preview 系列模型，旨在支持多模态科学理解、推理、生成和长时程任务。该工作来自 arXiv 预印本（arXiv:2608.13505v1），发布于 2026-08-13。

方法/产品要点

• 科学多模态预训练：基于渲染的科学文档、交错图文数据和多样化科学语料进行预训练。
• 统一后训练流水线：包含监督微调（SFT）、可扩展多任务强化学习（RL）、黑盒与白盒智能体 RL、on-policy 蒸馏。
• 训练稳定性与效率技术：包括 partial rollout with off-policy correction、adaptive length regularization、online speculative decoding、robust multi-task optimization、trace-aware experience assembly。
• 架构扩展：
  • Intern-S2-Preview-397B 将时间序列建模从高效长序列理解扩展到数值预测。
  • Memory Decoder 作为独立的记忆增强路径，用于在不修改冻结的 397B 骨干的前提下进行快速科学专业化。
  • 单独的 Intern-MemDec-4B 扩展实现了上述记忆增强路径的具体实例。

主要结果或产业意义

• 在科学、多模态、智能体和通用基准的多个设置中，Intern-S2-Preview-397B 取得有竞争力或领先的结果（具体基准列表与对比数值待核实）。
• 时间序列模块在 SciTS 基准上改善了科学信号理解与预测表现。
• Intern-MemDec-4B 扩展将 Biology-Instructions 平均分从 56.92 提升到 60.32，且不修改冻结的 397B 骨干。
• 产业意义：预示科学AI可从“阅读/问答”走向“与工具交互的长任务智能体”，并可用小规模记忆增强模块快速适配新科学领域，避免微调超大模型的高成本。

为什么重要

与已有机器人基础模型、行为基础模型等卡片不同，本条聚焦“科学智能体基础模型”，强调对异构科学证据的多模态推理与长时程智能体任务。增量信息包括：① 时间序列建模从理解扩展到数值预测；② Memory Decoder 提供“冻结大模型 + 小规模记忆增强”的快速科学专业化路径；③ 统一后训练流水线覆盖多种 RL 策略与工程优化，展示了科学发现场景下基础模型的训练范式。

局限与不确定性

• 摘要未给出完整评测基准列表、基线模型对比和具体参数量细节，需待核实。
• 时间序列模块对 SciTS 的改进幅度未给出具体数值。
• Intern-MemDec-4B 的“4B”参数量含义和 Memory Decoder 的内部结构未在摘要中展开。
• 模型是否开源、是否有 API、数据规模与计算资源均未在材料中说明，需待核实。

可用于图书/PPT/简报的角度

• 科学发现 AI 的“智能体化”趋势：从证据理解到工具交互与长任务规划。
• 构建科学基础模型的后训练流水线：SFT + 多任务强化学习 + 智能体 RL + 蒸馏。
• 冻结大模型 + 记忆增强扩展：低成本实现领域专业化的新思路。
• 时间序列能力升级：从科学信号理解到数值预测，对实验数据分析的意义。

原始材料

• 英文标题：Intern-S2-Preview: Scientific Agentic Foundation Model
• 英文关键词：Intern-S2-Preview; Scientific Agentic Foundation Model; Multimodal; Reinforcement Learning; Time Series; Memory Decoder
• 来源：arXiv:2608.13505v1，URL: https://arxiv.org/abs/2608.13505v1