Shanghai AI Laboratory ha pubblicato Intern-S2-Preview-397B, il suo foundation model multimodale più capace dedicato a scientific intelligence e long-horizon agents.
Il modello scala lungo tre assi: pre-training, copertura dei task di reinforcement learning e ambienti interattivi per agenti. Il risultato dichiarato è un salto nelle capacità di ragionamento generale, problem solving scientifico e comportamento agentico.
Nuovo paradigma di pre-training
La novità principale è l'approccio di pre-training vision-language. Intern-S2-Preview-397B apprende direttamente dalle pagine grezze della letteratura scientifica. Testo, formule, figure e layout vengono modellati insieme in uno spazio di rappresentazione condiviso, senza parsing intermedio. Questo preserva la corrispondenza testo-visivo, rafforza il ragionamento spaziale e migliora l'efficienza dei dati.
Capacità scientifiche e agentiche
Il modello viene addestrato con large-scale multi-task reinforcement learning su oltre 20 domini scientifici. Tra i task specializzati compaiono la progettazione di interazioni biomolecolari e la generazione di strutture cristalline di materiali.
Sul fronte agentico, viene collegato a framework multipli e ambienti sandbox per black-box agentic RL. L'obiettivo è migliorare la generalizzazione su task a lungo orizzonte, sia generali sia scientifici.
Performance dichiarate
Secondo le valutazioni ufficiali su OpenCompass, VLMEvalKit e AgentCompass, Intern-S2-Preview-397B ottiene risultati di primo piano tra i modelli open-source su MMLU-Pro, SimpleQA-Verified, MMMU-Pro e ChartQAPro. Risulta primo su SciReasoner e sul benchmark MP20 di generazione di strutture materiali. Il context window arriva a 256K token per il ragionamento testuale e 64K per i task multimodali.
Il modello è rilasciato sotto licenza Apache 2.0 ed è disponibile su Hugging Face e ModelScope, con checkpoint BF16 e FP8. È possibile provarlo direttamente su chat.intern-ai.org.cn.
Posizionamento rispetto a Qwen e DeepSeek
Rispetto ai modelli generalisti open più noti, Intern-S2-Preview-397B punta a un posizionamento diverso: non competere su tutti i fronti, ma eccellere nei workflow scientifici e agentici di lungo periodo. I test pubblici mostrano punti di forza chiari in biologia, chimica e material science, mentre su coding e multilingual resta indietro rispetto ai migliori modelli chiusi.
Per chi lavora su discovery scientifica, analisi multimodale di dati sperimentali o sistemi agentici aperti, rappresenta uno dei rilasci più rilevanti degli ultimi mesi.
Testo: assistito da AI · revisionato da Carlos H. P. Ross
