“书生·端砚“让普通人当科学家：解读上海AI Lab科学智能体的平台化野心

书生·端砚让普通人当科学家解读上海AI Lab科学智能体的平台化野心【免费下载链接】Intern-S2-397B项目地址: https://ai.gitcode.com/InternLM/Intern-S2-397B在 WAIC 2026 上上海人工智能实验室浦江实验室主任周伯文以迎接 AI 的科学元认知时刻为题发表主旨演讲并正式发布了面向科学发现的 AI 平台书生·端砚。官方对其最直接的定位是让普通人也能变成科学家。与单纯发布一个模型不同端砚第一次把上海 AI Lab 在科学智能体方向上的积累打包成了一个可被普通科研人员、学生甚至非专业用户直接使用的产品形态——而承载这个平台野心的基座正是实验室同期开源的 Intern-S2-397B 科学智能体基础模型。这篇文章将从三个层面拆解这次发布端砚平台究竟发布了什么、它让普通人变成科学家的产品逻辑如何成立以及平台化战略对 397B 开源基座生态意味着什么。所有技术论述均对应 Intern-S2-397B 仓库中的真实源码与配置而非发布会口号。一、端砚发布了什么从模型到科学家工作流的跃迁过去两年科学大模型的发布节奏几乎等同于上新权重文件更大参数、更多基准分数、更长的上下文。但端砚的发布逻辑明显不同——它不再只交付一个模型而是交付一套科学家工作流用户输入一个科学问题系统自动完成文献理解、假设拆解、工具调用、数据计算、结果复核的完整闭环。这套工作流的大脑就是 Intern-S2-397B。根据仓库 README.md 的定义它是实验室最强大的面向科学智能与长程智能体的多模态基础模型能力沿三个维度同步扩展预训练范式、强化学习任务覆盖、交互式智能体环境。这三者分别对应了科学家工作流的三段关键环节看得懂通过视觉预训练模型直接学习原始科学文献页面在没有中间解析的情况下在共享表示空间中联合建模符号语义与视觉关系——这意味着它读的是论文原文的版面而不是被抽成纯文本的二手数据空间推理与图文对应能力因此更强算得对在超过 20 个科学领域上规模化强化学习任务并联合训练覆盖生物分子相互作用设计、材料结构生成等专业任务干得完连接多个智能体框架到大规模沙箱环境做黑盒智能体强化学习把长程任务的能力天花板抬高——这是让模型自己动手做完一整件事而不是回答一段话的关键。从 config.json 可以看到这枚大脑的工程底牌512 个专家、每 token 激活 10 个专家的 MoE 结构60 层中按 4:1 间隔混排线性注意力与全注意力linear_attention/full_attention原生 256K 上下文max_position_embeddings: 262144并内置了 1 层 MTP 推测解码模块mtp_num_hidden_layers: 1用于加速长程生成。配上 deployment_guide.md 中 LMDeploy、vLLM、SGLang 三套部署方案以及 YaRN RoPE 可扩展到的 512K 乃至 1M 超长上下文读几十篇论文再动手这类长程智能体任务在工程上变得可落地。二、让普通人变成科学家的产品逻辑拆解普通人变成科学家如果只是宣传语没有任何意义。但把这句话拆成产品逻辑它其实对应了三个具体的技术降门槛动作每个动作在仓库源码里都能找到实锤。1. 替用户翻译科学语言普通人做科研的第一道坎是领域语言SMILES 分子式、蛋白质序列、DNA/RNA 序列每一个都是自成体系的外语。Intern-S2 系列的处理方式是不让用户学这些语言而是让模型自己学会识别它们。在 tokenization_interns1.py 中tokenizer 内置了三个域专用 SentencePiece 模型tokenizer_SMILES.model、tokenizer_PROT.model、tokenizer_XNA.model并配有自动检测模块SmilesCheckModule用正则加 RDKit 双重校验文本中的 SMILES 片段是否合法ProtCheckModule与XnaCheckModule分别识别蛋白与核酸序列。用户只需要把论文段落、分子式甚至纯文本丢给模型它自己就能找到科学内容并用正确的词表去编码——这就把用户需要先成为化学家才能跟模型对话变成了模型替用户先当一次翻译官。2. 把回答问题升级为执行任务普通人和科学家的差距很大程度在于会不会用工具查数据库、跑模拟、写脚本、分析数据。端砚要抹平的正是这个差距。README.md 给出了完整的工具调用范式通过 OpenAI 兼容 API 声明函数示例中是查询天气的函数模型自主决定调用哪个函数、传什么参数再把工具返回的结果拼回对话继续推理。仓库还支持思考/非思考模式动态切换enable_thinkingFalse——高难度任务默认开启深度思考简单任务可以关闭以节省延迟。更有价值的是时间序列能力模型可以直接读取.npy、.csv、.wav等时间序列数据文件完成地震事件检测识别 P 波与 S 波的起震时刻和电力负荷预测输出逐点预测与分位数区间这类专业任务。这正是科学家工作流中数据计算环节的产品化雏形。3. 让输出可复核科研最忌讳黑箱结论。社区对 Intern-S2 系列的评测共识也强调判断效果的标准是任务完成率而非文本流畅度要看模型是否具备任务规划、工具调用正确性、自我修正与输出可复核性四项能力。Intern-S2-397B 在材料领域的表现支撑了这一判断——官方数据显示其在 MolecularIQ 评测取得 57.26 分超过 Gemini-3.1-Pro材料晶体结构生成通过率超过 40%显著优于 GPT-5.5并且是首个在开源通用大模型中实现材料晶体结构生成含高精度坐标回归的模型。结构生成结果可以被专业工具直接校验合不合法这给了普通用户相信它的底气。三、平台化对 397B 基座开源生态的拉动端砚的平台化战略本质上是在做开源基座之上的应用层而这反过来会成倍放大 397B 基座的生态价值。从模型开源到生态开源模型的 Apache-2.0 许可是生态的起点但真正让生态长出来的是低门槛接入。仓库的 Agent 集成章节展示了双路径接入自托管部署LMDeploy 起服务后OpenClaw、Hermes 等框架只需把OPENAI_BASE_URL指过去--tool-call-parser interns2-preview保证工具调用被正确解析或者直接调用官方 Intern APIchat.intern-ai.org.cn/api/v1模型名intern-s2-397b。连 Claude Code 这类主流编程智能体也可以通过 Anthropic 兼容网关ANTHROPIC_BASE_URL路由到 Intern-S2-397B 上。当一个 397B 级科学基座可以被普通开发者用三行环境变量接入自己熟悉的框架时平台化的网络效应就启动了。社区已经在帮平台打工情报显示围绕 S2 系列的开源社区正在快速形成基础设施有开发者实测在 8×H200 上用 SGLang 部署并开启 MTP 推测解码输出长度达 16000 时吞吐提升接近翻倍、延迟降低 61%有团队通过 oMLX 完成 4bit 量化并在 Apple Silicon 上跑通推理也有人整理了 FP8 部署的完整安全实践工具调用白名单、API 速率限制、审计日志。这些来自第三方的手工实践恰恰是平台生态健康度的最佳证明——当社区开始自发地做评测框架、写避坑指南、做量化与安全加固时说明平台已经长出了自己的开发者网络。国产算力闭环情报还提及 Intern-S2 系列依托昇腾生态实现训推协同优化。在国产芯片适配仍是大模型落地的现实瓶颈时科学基座 国产算力的组合让端砚平台在科研机构、高校这类对数据敏感、对自主可控要求高的场景中具备了差异化竞争力也让 397B 这样的大参数基座真正跑得起来、用得下去。结语从模型能力到元认知时刻周伯文提出的科学元认知时刻指向的不只是模型能答对多少题而是 AI 开始具备知道自己该怎么研究的能力——规划实验、挑选工具、校验结果、迭代假设。端砚平台把这个能力从论文里的 benchmark 数字变成了普通人可以对话、可以调用、可以复核的科学家工作流。而这一切的底座是 Intern-S2-397B 在仓库里呈现的完整工程体系多模态科学预训练范式、20 领域的科学 RL 扩展、原生科学模态分词、时间序列原生理解、256K 上下文与 MTP 加速、三框架开箱即用的部署方案。平台负责把科学家的工作流产品化基座负责把科学家的能力平民化——当这两件事同时发生普通人变成科学家就不再是一句口号而是一个正在被工程实现的产品路径。【免费下载链接】Intern-S2-397B项目地址: https://ai.gitcode.com/InternLM/Intern-S2-397B创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考