产品简介
书生-S2（Intern-S2-397B）是上海人工智能实验室在 2026 年 9 月 13 日浦江创新论坛上发布的科学多模态大模型，9 月 14 日正式版权重在 Hugging Face 开源上架。模型定位科学智能与长程智能体基座，397B 参数，通用能力进入开源第一梯队，在生命科学与材料结构的理解、生成与设计类任务上表现突出。
架构上最有辨识度的是可插拔的 Memory Decoder：领域知识通过独立的记忆模块学习，在不修改主模型参数的前提下接入主体，回答时由模型动态协调主模型与专业记忆的贡献。官方给出生物领域的验证结果，接入 Intern-MemDec-4B 后 Biology-Instructions 平均成绩从 56.92 提升到 60.32，同时通用知识、推理与多模态能力总体保持在接近主模型的水平。
核心功能
- 可插拔的专业记忆：Memory Decoder 让领域知识以独立记忆模块的形式接入，不改动主模型参数，新增方向只需训练对应记忆模块
- 长程科研推理：在 IMO-Proof 与 AdvancedMathBench 等强调长程严谨推理的基准上领先现有开源模型，官方称达到顶尖闭源模型的水平
- 科学任务领先：Biology-Instructions、Mol-Instructions、MolecularIQ 等生命科学与材料任务上领先同表对比的开闭源旗舰模型
- 多模态科学理解：通过视觉预训练直接学习科学文献原始页面，联合训练超过 20 个领域的科学强化学习任务
- 黑盒智能体强化学习：接入大规模沙盒环境进行黑盒 Agentic 强化学习，强化任务拆解、工具选择与多工具协作能力
- 昇腾生态协同：与昇腾计算生态围绕计算、通信、显存做深度优化，探索模型能力与国产算力基础设施的协同演进
适合谁用
以下类型的用户会特别受益于 书生-S2（Intern-S2-397B）：
- 生命科学与材料领域的文献理解、分子设计与结构生成
- 需要数小时连续推理的竞赛数学与高等数学难题
- 科研流程中的调研、假设提出与实验方案推演
- 作为智能体基座驱动多步骤科研任务，例如由一句话需求生成三维 CAD 模型
- 接入书生·端砚科学发现平台，衔接实验装置与真实科研闭环
优点亮点
- Memory Decoder 让领域知识扩展不必重训整个模型，原有通用能力得以保留
- 科学任务成绩在同表对比的开闭源模型中靠前，专业场景可用性高
- 通用能力同时进入开源第一梯队，不是只做窄领域的专用模型
- 397B 权重完整开源，可下载部署，也可注册官方 API 直接调用
- 与国产算力生态协同优化，对国内科研机构的部署条件更友好
价格与方案
模型权重开源，可自行部署；官方对所有用户开放一定额度的免费 API，更高额度需提交申请。书生-S2-Preview-397B 将于 2026 年 10 月 31 日下线，需要及时把调用切换到正式版。
总结与建议
书生-S2 面向科研与长程推理场景：做生命科学或材料计算、需要模型连续数小时推导难题、或者要把模型接进真实实验流程的团队，值得重点评估。397B 的体量把本地部署门槛抬得很高，多数使用者会走官方 API 或平台通道。如果只是常规问答与写作，这个规模并不划算，通用模型更合适。
版本演进
- 书生-S2（Intern-S2-397B）正式版开源上架，引入可插拔 Memory Decoder （2026-09-14）：上海人工智能实验室书生-S2 正式版 Intern-S2-397B 在 Hugging Face 开源上架。模型 397B 参数，主打科学智能与长程 Agent 能力，通过视觉预训练直接学习科学文献原始页面，联合训练超过 20 个领域的科学强化学习任务，并接入大规模沙盒环境进行黑盒 Agentic 强化学习。架构上引入可插拔 Memory Decoder 专业记忆，不改动主模型参数即可接入领域知识，接入 Intern-MemDec-4B 后 Biology-Instructions 平均成绩由 56.92 提升至 60.32。官方评测显示 FrontierScience-Olympiad 87.00、HMMT-2026 93.56、SWE-bench-Pro 68.54，在 IMO-Proof 与 AdvancedMathBench 上领先现有开源模型。模型与昇腾计算生态深度协同，并将接入书生·端砚科学发现平台；书生-S2-Preview-397B 将于 2026 年 10 月 31 日下线。
- 上海 AI 实验室发布书生-S2，科学能力对标闭源旗舰 （2026-09-13）：在 2026 浦江创新论坛人工智能赋能科学研究专题论坛上，上海人工智能实验室发布多模态大模型书生-S2。官方称其通用能力达到开源模型第一梯队，在 Biology-Instructions、Mol-Instructions 等生命科学与材料结构任务上领先现有开闭源旗舰模型，并预告首个万亿级 Token 规模预训练的隐空间语言模型 NCP-ArchPreview。同场升级发布书生·端砚科学发现平台并全面开放其全栈服务。