一句话定位
35B 科学多模态基础模型，提出 task scaling（提升科学任务难度/多样性/覆盖面）：仅 35B 即在多项核心专业科学任务上比肩万亿级 Intern-S1-Pro，且响应更短、token 效率更高。
架构（config.json，model_type=intern_s2_preview / qwen3_5_moe_text）
- hidden 2048；40 层；16 注意力头 / 2 KV，head_dim 256；256 专家，每 token 选 8，moe_intermediate 512；MTP 1 层；vocab 251392；上下文 256K（262,144）；rope 1e7；FP8 权重。从 Qwen3.5 续训。
数据 / 训练（task scaling 全链）
- 在参数/数据 scaling 之外探索任务 scaling：把数百个专业科学任务从预训练贯通到 RL 的全链训练。
- 强化小分子结构的空间建模 + 实值预测模块 → 首个兼具材料晶体结构生成与强通用能力的开源模型。
- 升级时序建模：支持长、异构时间序列（10^0–10^6 点），如从地震信号检测 P 波/S 波。
RL / 后训练
- shared-weight MTP + KL loss：降低训练/推理行为失配，显著提升 MTP accept 率与生成速度。
- CoT 压缩：在保推理能力前提下缩短响应，性能与效率双升（复杂数学上以更短响应超越万亿级 S1-Pro）。
- thinking 默认开启（agentic 任务不建议关）。
agentic
- 较上一代显著增强科学工作流 agent 能力；可接入 OpenClaw / Hermes / Claude Code（OpenAI 兼容 + Anthropic 兼容网关；
--tool-call-parser interns2-preview）。
Benchmark（OpenCompass + VLMEvalKit；文本 128K / 多模态 64K 最大推理长度；数值读自官方 performance.png）
- 科学任务：Biology Multi-omics 43.95 · MicroVQA 66.22 · Mol-Instructions 44.58 · MoleculeIQ 57.26 · SFE 58.43 · XLBS-Bench 50.71 · SciReasoner 45.62；科学 agent：SGI-Bench 52.52 · FrontierScience-Olympiad 51.40 · FrontierScience-Research 19.44 · SciCode 39.61。（万亿级 Intern-S1-Pro 多项更高，如 SFE 63.09 / SciReasoner 54.22 / Mol 48.62，但 35B 已多项逼近）
- 通用任务：MMLU-Pro 88.00 · MMMU-Pro 76.88 · IMO-AnswerBench 84.00 · HMMT-2026 87.31 · MathVision 83.36 · GPQA 系强；IFBench 80.67 · PhdBench 88.22 · SWE-bench Verified 61.00 · LCB-Pro 54.53 · HLE 21.94 / HLE-Multimodal 18.07 · SimpleQA 27.80 · ChartQAPro 68.90。
- 效率：复杂数学上 accuracy 高于万亿级 S1-Pro 且响应更短（token 效率优）。
AI infra / 部署
- LMDeploy / vLLM / SGLang；FP8；时序推理目前仅 LMDeploy 支持；采样 temp 0.8 / top_p 0.95 / top_k 50。
原始链接
- url: https://huggingface.co/internlm/Intern-S2-Preview-FP8 · github: https://github.com/InternLM/Intern-S1 · chat: https://chat.intern-ai.org.cn