2026世界人工智能大会期间，上海人工智能实验室发布了书生系列大模型Intern-S2-Preview-397B。该模型基于全新架构和预训练范式，以397B参数规模在分子设计、材料结构生成等核心科学任务上追平了此前的万亿参数模型。
面对科学智能领域长期存在的“通用认知”与“专业知识”难以兼顾的问题，Intern-S2-Preview-397B通过底层架构革新，尝试为复杂科学任务的推理构建新的基座，并与昇腾计算生态深度协同，探索从模型能力提升到国产算力基础设施优化的路径。
科学研究需要模型既“记得多”，又“想得活”。但在传统大模型中，知识存储与逻辑推理高度耦合，导致每接入一个新学科都可能扰动已有的通用能力。Intern-S2-Preview-397B将知识承载与推理计算分开设计，形成了由Memory Decoder与Mobius组成的双引擎。
Memory Decoder引入了专业领域的可插拔外部记忆，不同学科的最新知识可以在独立记忆模块中训练，并按需接入基础模型，减少对原有参数和通用能力的扰动。专业知识不再通过反复改写整个模型来“硬编码”，而是像扩展记忆一样持续更新，及时校正模型在探索未知过程中对新获知信息的理解偏差。
Mobius架构专注于基座模型的知识与推理分离，通过解耦模型内部的知识向量与推理算子，构建了全局共享知识向量库，提升了知识在层间的可复用性，同时提供了更加灵活自由的知识存取机会，使数学、物理、化学、生物等领域共同需要的分析、验证和纠错能力得以迁移复用。Mobius的设计还引入了反向残差连接机制与动态隐空间推理机制，提高了模型的端到端推理效率。
