论文页面 - Intern-S2-Preview：科学智能体基础模型

来源：https://huggingface.co/papers/2608.13505 发布于 8 月 13 日

#1 本日论文 (https://huggingface.co/papers/date/2026-08-14) 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

Intern-S2-Preview 是一个科学智能体基础模型系列，集成了多模态预训练、多任务强化学习和记忆增强扩展，以支持长周期科学推理与预测。

科学发现日益要求 AI 系统能够对异构模态的科学证据进行推理、与科学工具和环境交互，并在长任务周期中持续推进。我们推出了 Intern-S2-Preview，这是一个科学智能体基础模型系列，旨在支持多模态科学理解、推理、生成和长周期任务。训练流程首先在渲染后的科学文档、交错图文数据和多样化科学语料库上进行科学多模态预训练 (https://huggingface.co/papers?q=multimodal%20pre-training)。从预训练检查点出发，我们应用了一个统一的后训练流程，包括监督微调 (https://huggingface.co/papers?q=supervised%20fine-tuning)、可扩展的多任务强化学习 (https://huggingface.co/papers?q=multi-task%20reinforcement%20learning)（RL）、黑盒与白盒智能体 RL (https://huggingface.co/papers?q=agentic%20RL) 以及同策略蒸馏 (https://huggingface.co/papers?q=on-policy%20distillation)。该流程由若干实用技术支撑，这些技术提升了 rollout 与训练的稳定性和效率，包括带异策略校正的部分展开 (https://huggingface.co/papers?q=partial%20rollout)（partial rollout with off-policy correction）、自适应长度正则化 (https://huggingface.co/papers?q=adaptive%20length%20regularization)、在线推测解码 (https://huggingface.co/papers?q=online%20speculative%20decoding)、鲁棒多任务优化 (https://huggingface.co/papers?q=robust%20multi-task%20optimization)，以及用于智能体任务的轨迹感知经验组装 (https://huggingface.co/papers?q=trace-aware%20experience%20assembly)。在架构层面，Intern-S2-Preview-397B 将时间序列建模 (https://huggingface.co/papers?q=time%20series%20modelling) 从高效长序列理解扩展到数值预测，同时 Memory Decoder (https://huggingface.co/papers?q=Memory%20Decoder) 作为一条独立的记忆增强 (https://huggingface.co/papers?q=memory-augmented) 路径被研究，用于在不修改冻结的 397B 骨干网络的情况下实现快速科学领域特化。在科学、多模态、智能体和通用基准上的评估表明，Intern-S2-Preview-397B 在多种设置下取得了具有竞争力或领先的结果。时间序列模块提升了在 SciTS 上的科学信号理解与预测能力，而独立的 Intern-MemDec-4B 扩展在不修改冻结的 397B 骨干网络的情况下，将 Biology-Instructions 平均得分从 56.92 提升至 60.32。

查看 arXiv 页面 (https://arxiv.org/abs/2608.13505)查看 PDF (https://arxiv.org/pdf/2608.13505)添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2608.13505)

在你的智能体中获取此论文：

hf papers read 2608\.13505

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2608.13505，即可从本页面关联该论文。

引用此论文的数据集 0

没有数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.13505，即可从本页面关联该论文。

引用此论文的 Spaces 0

没有 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2608.13505，即可从本页面关联该论文。

包含此论文的收藏集 0

没有收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection)，即可从本页面关联该论文。