Intern-S2-Preview：科学智能体基础模型
TLDR
Intern-S2-Preview是一系列科学智能体基础模型，支持多模态理解、推理、生成与长程任务，通过预训练和统一后训练强化学习实现。
评分理由
The paper presents a comprehensive training pipeline and architecture for a scientific agentic model, with evaluations across multiple benchmarks. However, the abstract is truncated and lacks specific quantitative results, making it hard to assess actual performance; the contribution is broad rather than focused on a specific automation task.
Read-first 评分解释
综合优先阅读分 48.5，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 32。
研究版图角色
排序敏感性
稳定性：volatile；排名波动范围：65。
关键词评分
深度分析
创新点
- 基于渲染科学文档、交错图像-文本数据和多样化科学语料的科学多模态预训练
- 统一后训练流程，结合监督微调、可扩展多任务强化学习、黑盒与白盒智能体强化学习以及同策略蒸馏
- 提升rollout与训练稳定性的实用技术：带离策略校正的部分rollout、自适应长度正则化、在线投机解码、稳健多任务优化和轨迹感知经验组装
- 将时间序列建模从高效长序列理解扩展到数值预测
- Memory Decoder作为独立的记忆增强路径，无需修改冻结的主干网络即可快速实现科学领域专业化
方法
Intern-S2-Preview通过科学多模态预训练（渲染文档、交错图像-文本、科学语料）训练，随后采用统一后训练流程：监督微调、多任务强化学习、智能体强化学习和同策略蒸馏。397B模型集成时间序列模块用于预测，独立的Memory Decoder路径可在不修改主干网络的情况下实现领域专业化。
关键结果
Intern-S2-Preview-397B在科学、多模态、智能体和通用基准上取得具有竞争力或领先的结果。时间序列模块提升了SciTS上的科学信号理解与预测，Intern-MemDec-4B扩展在不修改冻结主干网络的情况下将Biology-Instructions平均分从56.92提升至60.32。