上海AI Lab开源万亿参数科学大模型Intern-S1-Pro：MoE架构赋能五大科学学科，推动AI4S新范式

💡 站外导读：当前，AI for Science（AI4S）正从辅助工具向核心科学发现引擎跃迁，但通用大模型在复杂科学推理、多模态科学数据理解与跨学科融合上仍存瓶颈。科研工作者亟需能深度理解分子结构、实验图表、时序信号等专业数据，并具备自主规划实验能力的智能体。Intern-S1-Pro应运而生，它并非通用模型的简单延伸，而是以“通专融合”为核心理念，直击科学发现痛点，为高阶AI4S应用开辟了新路径。

Intern-S1-Pro是什么

Intern-S1-Pro是上海AI实验室开源的万亿参数科学多模态大模型，采用MoE架构（1T总参数，22B激活），基于”通专融合”SAGE技术打造。模型通过傅里叶位置编码和重构时序编码器赋予模型”物理直觉”，统一理解微观生命信号到宏观宇宙波动，在奥赛级数理推理、五大科学学科（化学、材料、生命、地球、物理）及真实科研场景中表现卓越，是全球开源社区参数规模最大的科学多模态模型，推动AI4S从”工具革命”迈向”科学发现”新范式。

Intern-S1-Pro的主要功能

• 科学推理：模型具备奥赛金牌级别的数理逻辑推理能力，在国际数学奥林匹克和国际物理奥林匹克评测中表现卓越。
• 多模态理解：模型能精准解析分子结构图、实验图表、遥感图像等复杂科学视觉内容。
• 时序信号分析：统一处理从数个到百万级采样的异构时序数据，覆盖天文、地理、生理信号、生物声学等多领域。
• 跨学科研究：构建跨越化学、材料、生命、地球、物理五大核心学科的全谱系能力矩阵，支持化学逆合成、蛋白质序列生成等100多个专业子任务。
• 智能体能力：支持实现从静态任务规划到动态环境交互的跨越，在复杂科研流程中展现国际一流的自主规划与执行能力。
• 通用能力：在图文跨模态理解、高质量文本生成、复杂指令遵循、工具调用等维度稳居开源模型第一梯队。

Intern-S1-Pro的技术原理

• SAGE”通专融合”架构：通过共享基础表征层和分化专家层的设计，使模型在训练过程中能够相互增强，保持广泛的通用认知能力和深度专业化的科学推理能力，实现”可深度专业化通用模型”的目标。
• 混合专家架构（MoE）：Intern-S1-Pro采用总参数达1万亿、包含512个专家的MoE架构，每次前向传播仅激活8个专家（约220亿激活参数），通过创新的路由稠密估计机制提升训练稳定性，避免传统MoE中常见的专家崩溃问题，同时引入分组路由策略实现海量计算芯片的负载均衡，像智能交通系统一样高效调度算力资源。
• 物理感知层创新：研究团队引入傅里叶位置编码（FoPE）赋予模型独特的”物理直觉”——能像观察粒子一样捕捉文本token之间的相对距离，和像分析波动一样把握科学信号的整体频率规律；同时重构自适应时序编码器，使其根据数据密度自动调整，首次实现对跨越多达六个数量级采样规模的异构时序信号的统一建模。
• 国产算力深度适配：模型从架构设计之初就与昇腾计算生态确立联合研发路线，实现从最底层算子优化、编译器适配到上层训练框架XTuner V1和推理引擎LMDeploy的全栈深度适配，攻克大规模训练中的精度对齐、超长序列强化学习稳定性等核心技术难题，构建自主可控的”算力-算法”一体化基座。

Intern-S1-Pro的项目地址

• 项目官网：https://chat.intern-ai.org.cn/
• GitHub仓库：https://github.com/InternLM/Intern-S1
• HuggingFace模型库：https://huggingface.co/internlm/Intern-S1-Pro

Intern-S1-Pro的应用场景

• 基础科学研究：Intern-S1-Pro可辅助数学物理理论研究、化学材料设计与合成路径规划、生命科学中的蛋白质预测和药物研发。
• 地球与环境科学：模型支持遥感图像分析、气候监测、地质勘探和灾害风险预测等环境科学研究。
• 工程与技术开发：模型可解读工程图纸、分析实验数据、生成技术文档，与外部软件联动实现自动化研发流程。
• 科研智能体协作：模型能构建自主智能体执行文献检索、实验设计、结果分析和迭代优化，形成闭环科研流程。
• 科学教育与普及：为学生和研究者提供个性化学术辅导、解题指导和研究方法训练，降低科学学习门槛。