书生团队发布多模态基座Intern-S2-397B 科学文献直接视觉学习

会懂网AI资讯，9月14日，书生团队发布多模态基座模型Intern-S2-397B。该模型沿预训练、强化学习任务覆盖、交互式agent环境三条线同步扩展，目标是把多模态能力推向科学智能这类高难度应用场景，补齐通用模型在专业领域的能力短板，直接服务科研一线。

预训练阶段的思路颇具新意：模型直接从科学文献的原始页面做视觉学习，而不是先解析成结构化文本再输入。公式、图表与排版信息得以原样保留，避免了解析过程带来的信息损失与误差累积，这一点对于科学语料而言尤为重要，也更接近人类的阅读方式，同时还省去了预处理环节的大量开销。

技术实现上，模型在共享表示空间中联合建模符号语义与视觉关系，无需任何中间解析环节。这让公式推导与实验结果图之间建立起直接关联，对于需要同时理解文字与图形的科学任务而言尤为关键，也让跨模态的推理链条更加连贯、更加可追溯与可信，便于人工复核。

强化学习环节覆盖了20余个科学领域，使模型在开源模型中的通用推理能力排名靠前。跨领域的任务设计有助于避免单一学科过拟合，也让推理能力的迁移更加自然，这在科学智能场景中比单纯的榜单成绩更具有实际参考价值，也更容易被一线研究者接受。

在具体任务上，模型在生物分子相互作用设计、材料结构生成等方向有专项表现。这两类任务都要求对结构与性质之间的关系进行精确建模，是多模态科学模型能否真正进入研发流程、参与实际研究课题的试金石，因此也备受业界与研究机构的持续关注，落地前景可期。

交互式agent环境的引入，则指向科学研究的实际工作方式。研究者往往需要在提出假设、设计计算与验证结果之间反复迭代，模型若能嵌入这一闭环，其价值就不再局限于知识问答，而会成为科研流程中的协作节点，承担部分执行与结果验证工作，提升整体研究效率。