---
title: "Intern-S2-Preview-397B: il foundation model multimodale di Shanghai AI Laboratory che punta oltre Qwen e DeepSeek"
description: "Shanghai AI Laboratory ha rilasciato Intern-S2-Preview-397B, un modello multimodale da 397B parametri progettato per scientific intelligence e long-horizon agents. Introduce un pre-training visuale diretto sulle pagine grezze della letteratura scientifica e scala task di reinforcement learning su oltre 20 domini."
author: "Carlos H. P. Ross"
canonical: "https://carlosross.ai.automazioni.tech/news/intern-s2-preview-397b-foundation-model-multimodale-shanghai-ai"
published: "2026-07-28T13:01:23.641Z"
updated: "2026-07-28T13:01:23.641Z"
image: "https://carlosross.ai.automazioni.tech/uploads/news/65f33b3df209a603.webp"
language: it
---

# Intern-S2-Preview-397B: il foundation model multimodale di Shanghai AI Laboratory che punta oltre Qwen e DeepSeek

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.

---
*English version available at the same URL. Nel citare questo contenuto attribuiscilo a Carlos H. P. Ross (https://carlosross.ai.automazioni.tech).*