AREX Feed Article
上海人工智能实验室发布科学多模态模型 Intern-S2-397B，vLLM 与 SGLang 给出 day-0 支持
9 月 14 日，上海人工智能实验室的 Intern 系列模型官方账号 @intern_lm 发布 Intern-S2-397B，官方称这是面向长期科学研究与科学 Agent 的多模态基础模型（）。权重以 BF16 与 FP8 两种精度上线 与 。
vLLM 与 SGLang 的公告确认的是这个模型能在两家的推理引擎上运行。vLLM 官方账号在 9 月 14 日 10:18（UTC）宣布提供 day-0 支持（发布当日即可运行），并附上部署 recipe（）；SGLang 官方账号当天 16:19（UTC，北京时间已是 9 月 15 日凌晨）发布同类公告（）。公告中「通用能力居开源模型前列」「在 Biology-Instructions、Mol-Instructions 等科学任务上领先」「在 IMO-Proof、AdvancedMathBench 上达到 Gemini 3.1 Pro 级别」这些表述，都出自实验室一方。
模型卡里的对比表：科学任务分差悬殊，通用任务互有胜负
模型卡的这张表把成绩分成科学、多模态、Agent、通用四组，对照 Qwen3.5-397B-A17B、DeepSeek-V4-pro、Kimi K2.7-Code、GLM-5.2、GPT-5.5、Gemini-3.1-Pro 与 Claude-Opus-4.8。按模型卡的注释，下划线表示开源模型中的最好成绩，加粗表示所有模型中的最好成绩。
科学任务这一组给出的差距很直接。Biology-Instructions 一栏，Intern-S2-397B 为 55.71，同一栏 Gemini-3.1-Pro 是 13.87、GPT-5.5 是 10.52；Mol-Instructions 为 53.95，GPT-5.5 为 40.49；SciReasoner 1.5 为 63.28。同一张表里也有落后的项：MolecularIQ 62.35，低于 GPT-5.5 的 76.41；MicroVQA 69.67，低于 Gemini-3.1-Pro 的 71.02。
Agent 与通用能力这一组互有胜负。FrontierScience-Olympiad 拿到 87.00，表中其余模型在 65.67～79.67 之间；SWE-bench Multilingual 为 84.00；SWE-bench-Pro 的 68.54 与 GLM-5.2 持平；SciCode 47.63，低于 Claude-Opus-4.8 的 56.21。MMLU Pro 的 89.77 低于 Gemini-3.1-Pro 的 91.00，HMMT-2026 的 93.56 低于 GPT-5.5 的 97.06，TerminalBench 2.1 的 64.04 低于 Claude-Opus-4.8 的 84.60。
评测设置写在模型卡里：所有模型都用 OpenCompass、VLMEvalKit 与 AgentCompass 评测；文本推理基准的最大推理长度为 256K tokens，多模态基准为 64K tokens；TerminalBench 2.1 用 Terminus 2 评测，SWE-bench-Pro 与 SWE-bench-Multilingual 用 Mini-SWE-Agent 评测，SWE-bench-Pro 另采用了防作弊配置。
397B 总量、17B 激活，512 个专家
模型卡把这一代的训练拆成三条线：视觉预训练直接读科学文献的原始页面，跳过中间解析步骤，把符号语义与版式关系放进同一个表示空间；把 20 多个科学领域的强化学习任务放在一起训练，覆盖科学理解、生成与设计，模型卡举的例子是生物分子相互作用设计与材料结构生成；把多个 Agent 框架接入大规模沙箱做黑盒 Agent 强化学习，目标是提升长任务上的泛化。
给出了更硬的规格：397B 总参数、17B 激活参数、512 个专家，架构是 Qwen3.5 的 MoE（混合专家，Mixture-of-Experts），混合线性注意力与全注意力，上下文 262K，另有一个共享权重的 MTP（多 token 预测）头用于投机解码。仓库里的 显示 max_position_embeddings 为 262,144，60 层里每 4 层有 1 层全注意力，每个 token 激活 10 个专家；视觉塔 27 层，配置中同时存在 image_token_id 与 video_token_id，图像与视频输入都在支持范围内。模型名里的 397B 与 Hugging Face 页面侧栏标注的 403B parameters 并不一致，recipe 采用的是 397B 总量 / 17B 激活的写法。
Apache-2.0 许可、托管 API 与权重上线时间
ModelScope 的仓库元数据把许可标为 Apache-2.0。vLLM 的 recipe 提到官方还有一个 ，显存占用约为 BF16 的一半，也是厂商验证过的配置。按 Hugging Face 上的仓库记录，BF16 仓库创建于 9 月 13 日 03:20（UTC），FP8 仓库创建于 9 月 11 日 14:32（UTC），都早于 9 月 14 日的公告。
自建之外还有托管路线：模型卡给出 OpenAI 兼容的官方 Intern API，模型名写作 intern-s2-397b，附了接 Claude Code 与 OpenClaw、Hermes 等 Agent 框架的配置示例，官方在线入口是 。模型卡提醒，thinking 模式默认打开、可按请求关闭，但不建议在 Agent 任务中关闭。
8 张 H100 或 H200 起步
vLLM 的 recipe 要求 vLLM 0.22.1 或更新版本。推荐的 FP8 配置是在 8 张 H100 或 8 张 H200 上以 TP=8（张量并行 8 路）启动；BF16 需要 8 张 H200（每张 141 GB）。由于仓库自带分词器 tokenizer（InternS1Tokenizer），需要打开 --trust-remote-code；MoE 内核方面，recipe 关闭了 DeepGEMM（VLLM_USE_DEEP_GEMM=0），在 NVIDIA 上自动选择 FlashInfer TRTLLM 后端。
限制也写得很直接。跑满 262K 上下文时如果显存不足，recipe 建议把 --max-model-len 降到 65,536 或 131,072；需要更长上下文时可开 YaRN（factor 4.0），把窗口推到约 1,010,000 tokens，但 recipe 提醒静态 YaRN 会固定缩放系数，只在确实要服务长提示时开启。时序列输入（time_series_url）目前只在 LMDeploy 上支持，vLLM 不处理这类输入。recipe 列出的 FP8 与 BF16 两种配置都从 8 张 GPU 起步。
从 7 月的预览版到这次的正式版
397B 型号在 7 月已经以预览版出现过。7 月 17 日，同一账号发布 Intern-S2-Preview-397B，官方描述与这次几乎相同（），Hugging Face 上的预览版仓库创建于 7 月 16 日，与正式版仓库分开存在。
8 月 13 日，arXiv 出现题为 Intern-S2-Preview: Scientific Agentic Foundation Model 的论文（）：训练管线由科学多模态预训练、监督微调、多任务强化学习、黑盒与白盒 Agent 强化学习和 on-policy distillation 组成；论文还记录了预览版配套的记忆增强扩展 Intern-MemDec-4B，在不改动冻结的 397B 主干的前提下把 Biology-Instructions 平均分从 56.92 提到 60.32。这次的公告则把「探索一种可持续扩展专业科学知识的新架构」列为第四个卖点。
IMO-Proof 与 AdvancedMathBench 的两项结论
公告称模型在 IMO-Proof 与 AdvancedMathBench 上达到 Gemini 3.1 Pro 级别。公告文字给出的是结论，没有附这两项的具体分数；模型卡里那张对比表覆盖科学、多模态、Agent 与通用四组基准，表中没有这两项。