昇騰原生支持，科學多模態(tài)大模型Intern-S1-Pro正式發(fā)布并開源

2026年2月4日，上海人工智能實驗室開源基于“通專融合”技術架構SAGE打造的萬億參數(shù)科學多模態(tài)大模型Intern-S1-Pro，為AI4S從“工具革命”的1.0階段邁向以“革命的工具”驅動科學發(fā)現(xiàn)的2.0時代，提供了創(chuàng)新的系統(tǒng)性開源基座。昇騰AI基礎軟硬件為該模型的訓練和推理提供了全流程支持。

作為當前全球開源社區(qū)中參數(shù)規(guī)模最大的科學多模態(tài)模型，Intern-S1-Pro的核心科學能力實現(xiàn)了質的躍升，高難度綜合學科評測穩(wěn)居AI4S領域國際領先水平，復雜數(shù)理邏輯推理能力達奧賽金牌水平，面向真實科研流程的智能體能力位居開源模型第一梯隊。Intern-S1-Pro旨在降低全球科研門檻，與學術界和產業(yè)界共同推動以通用人工智能驅動科學發(fā)現(xiàn)的范式革命。

此次發(fā)布的Intern-S1-Pro是通過SAGE實現(xiàn)“可深度專業(yè)化通用模型”的關鍵實踐。該模型基于混合專家架構（MoE），共擁有512個專家，總參數(shù)達1T，每次調用僅激活8個專家、22B參數(shù)。其通用能力和科學能力協(xié)同演進，并在底層架構實現(xiàn)了兩大核心突破：在SAGE的基礎模型層，通過引入傅里葉位置編碼并重構時序編碼器，賦予模型統(tǒng)一理解從微觀生命信號到宏觀宇宙波動的“物理直覺”；通過高效路由機制，系統(tǒng)攻克了訓練萬億參數(shù)MoE模型在穩(wěn)定性與算力效率上的瓶頸，為超大規(guī)模模型的訓練提供了關鍵的工程基礎。

Intern-S1-Pro開發(fā)團隊依托產品日益成熟、生態(tài)持續(xù)完善的昇騰算力平臺，與昇騰AI生態(tài)深度適配，基于自主創(chuàng)新的訓練與推理框架，為構建開放共享的AGI4S基礎設施奠定了堅實底座。該底座完整支撐了從模型訓練、推理到自動化評測的全流程閉環(huán)，構筑了從原創(chuàng)模型架構到自主創(chuàng)新算力基座的完整技術鏈路，充分展現(xiàn)了昇騰AI生態(tài)在支撐高精度、高性能、強穩(wěn)定、低成本超大規(guī)模AGI4S前沿模型上已非常成熟可靠。這為前沿模型的持續(xù)高效迭代與快速成熟鋪平了道路，將有力支撐其更廣泛的應用部署。

目前，昇騰A3超節(jié)點產品已能全面滿足Intern-S1-Pro在萬億級MoE架構下的訓練與推理需求。基于深度適配的XTuner框架，系統(tǒng)在FSDP2的基礎上，進一步支持了Intra-Node Domino-EP的雙batch間計算通信掩蓋、swap activation/optimization等內存優(yōu)化特性，使昇騰A3超節(jié)點在萬億MoE模型訓練場景下仍能夠實現(xiàn)較高的吞吐性能。同時，LMDeploy與vLLM Ascend已支持Intern-S1-Pro的多機推理部署，并通過動態(tài)量化、ACL Graph等特性進一步釋放推理性能潛力。

昇騰一直致力于構建開放的AI技術生態(tài)，積極參與AtomGit AI社區(qū)、魔樂社區(qū)、Gitee AI社區(qū)、啟智社區(qū)等生態(tài)社區(qū)的共建，讓開發(fā)者能夠快速獲取昇騰適配的模型、算法、工具等能力和源碼。此次Intern-S1-Pro模型一經(jīng)發(fā)布開源，即同步上線AtomgGit AI社區(qū)和魔樂社區(qū)，歡迎開發(fā)者們下載。

在線體驗鏈接：

https://chat.intern-ai.org.cn/

AtomGit AI鏈接：

https://ai.gitcode.com/InternLM/Intern-S1-Pro

魔樂社區(qū)鏈接：

https://modelers.cn/models/Intern/Intern-S1-Pro

GitHub鏈接：

https://github.com/InternLM/Intern-S1

HuggingFace鏈接：

https://huggingface.co/internlm/Intern-S1-Pro

ModelScope鏈接：

https://www.modelscope.cn/models/Shanghai_AI_Laboratory/Intern-S1-Pro

創(chuàng)新底層架構：突破萬億參數(shù)科學模型邊界

Intern-S1-Pro通過多項SAGE基礎模型層的技術創(chuàng)新，拓寬了模型應用邊界、提升了超大規(guī)模訓練可行性，推進了可深度專業(yè)化通用模型的探索。

為構建能更深層次理解物理世界規(guī)律的科學大模型，研究團隊引入了傅里葉位置編碼（FoPE）并重構時序編碼器。FoPE為AI賦予雙重視角：既能像看“粒子”一樣捕捉文字之間的相對距離，又能像分析“波”一樣把握科學信號的整體規(guī)律與頻率�？茖W數(shù)據(jù)與語言的差異還體現(xiàn)在多尺度上，基于能自動適應數(shù)據(jù)密度的時序編碼器，模型首次能統(tǒng)一處理從寥寥數(shù)個到百萬級采樣的各類信號，支持的分析對象從天文、地理直接拓展至生理信號、生物聲學等領域，從而實現(xiàn)感知能力的重大躍遷。

為了高效訓練承載這些能力的萬億參數(shù)超大規(guī)模模型，研究團隊革新了其內部的“路由機制”。傳統(tǒng)方法存在訓練低效和算力浪費兩大痛點。新技術通過“路由稠密估計”，讓模型在高效運行的同時能進行更充分的學習，提升了穩(wěn)定性；進而通過“分組路由”策略，像智能交通系統(tǒng)一樣使海量計算芯片實現(xiàn)負載均衡，避免了資源閑置，能更加充分地利用昇騰超節(jié)點的通信帶寬，釋放NPU的強勁算力。通過算法與系統(tǒng)的協(xié)同創(chuàng)新，同時攻克了超大規(guī)模模型訓練在“學習效率”和“資源調度”上的核心瓶頸，為高效、穩(wěn)健地訓練下一代萬億參數(shù)模型提供了關鍵基礎。

通過上述底層架構的創(chuàng)新，Intern-S1-Pro不僅在規(guī)模上刷新了科學多模態(tài)模型的參數(shù)規(guī)模上限，也為SAGE架構所提出的“通用能力與專業(yè)能力協(xié)同演進”提供了可落地的實現(xiàn)路徑。

科學能力再進化，通用能力協(xié)同演進

得益于創(chuàng)新的底層架構設計與萬億參數(shù)超大規(guī)模訓練策略，Intern-S1-Pro的科學能力進一步升級。

在AI4S關鍵垂類領域，Intern-S1-Pro成功構建了一個跨越化學、材料、生命、地球、物理五大核心學科的全譜系能力矩陣，涵蓋100多個專業(yè)子任務，不僅在Mol-Instruction、Biology-Instruction等單學科垂類評測中表現(xiàn)優(yōu)異，更在SciReasoner、SFE等高難度的綜合學科評測基準中，取得了與閉源商業(yè)大模型及垂類SOTA模型相當，甚至更優(yōu)的成績，穩(wěn)居AI4S領域的第一梯隊，展現(xiàn)出從“解題”邁向“解決問題”的科研生產力價值，為前沿科學探索提供了堅實支撐。在國際數(shù)學奧林匹克IMO-Answer-Bench和國際物理奧林匹克IPHO2025兩大權威基準測試中，Intern-S1-Pro均達到國際頂尖水平，展現(xiàn)出競賽級別的解題能力。

同時，借助通專融合技術路線，Intern-S1-Pro實現(xiàn)了多模態(tài)與文本通用能力的均衡發(fā)展，在通用能力與專業(yè)科學能力上協(xié)同進階：在圖文跨模態(tài)理解、科學圖表邏輯推理、多場景視覺感知，以及高質量自然語言生成和復雜指令精準遵循等核心維度，Intern-S1、Intern-S1-Pro均穩(wěn)居開源模型陣營第一梯隊，展現(xiàn)出扎實而全面的綜合實力，為科研場景下復雜問題的理解、推理與應用提供了可靠支撐。

在智能體能力方面，Intern-S1-Pro實現(xiàn)了從“靜態(tài)任務規(guī)劃”到“動態(tài)環(huán)境交互”的跨越式進階。在以動態(tài)環(huán)境與復雜交互為核心的Tau-2評測中達到了國際一流水平，為賦能復雜科學智能體打下了堅實基礎。

筑牢“算力-算法”一體化基座

在規(guī)模、性能提升的同時，Intern-S1-Pro構建了原創(chuàng)的“算力—算法”一體化基座。模型從架構設計之初，便與昇騰AI生態(tài)確立聯(lián)合研發(fā)路線，實現(xiàn)了從最底層的算子、編譯優(yōu)化到上層的訓練、推理框架的深度適配。通過聯(lián)合攻關，攻克了大規(guī)模訓練中精度對齊、超長序列強化學習穩(wěn)定性、硬件性能極致釋放等一系列核心技術難題，基于XTunerV1訓練框架的精細優(yōu)化與LMDeploy推理引擎的高效部署，結合先進的內存管理與并行策略，確保了萬億參數(shù)模型訓練的高效與穩(wěn)定。通過創(chuàng)新的全異步強化學習框架等技術的應用，大幅提升了訓練效率，降低了研發(fā)成本與門檻，為開放共享、面向未來的AGI4S基礎設施奠定了堅實基礎。

高質量開源賦能創(chuàng)新生態(tài)

自發(fā)布以來，Intern-S1多次登頂HuggingFace全球多模態(tài)榜單，累計下載超41萬次，并獲得近200 家科研機構和企業(yè)的合作申請。其卓越的跨模態(tài)科學理解能力不僅為科研提供了高效工具，也通過開源降低了全球科研團隊邁入AGI for Science的門檻。未來，在研究范式創(chuàng)新及模型能力提升的基礎上，上海AI實驗室將推進Intern-S1及其全鏈條工具體系持續(xù)開源，支持免費商用，同時提供線上開放服務，與全球合作伙伴共建更加開放、高效的科學AI生態(tài)。