Intern-S1：全球首个科学多模态开源大模型，重构科研生产力范式

Intern-S1：全球首个科学多模态开源大模型，重构科研生产力范式

【免费下载链接】Intern-S1项目地址: https://ai.gitcode.com/InternLM/Intern-S1

导语

上海AI实验室在WAIC 2025大会发布的Intern-S1开源大模型，首次实现通用人工智能与专业科学能力的深度融合，其综合性能超越现有所有开源多模态模型，标志着AI技术从通用服务向科学研究核心领域的关键跨越。

行业现状：科研AI工具的双重困境

当前科研领域对专业AI工具的需求日益迫切，但现有解决方案存在显著短板。开源模型普遍缺乏对复杂科学数据的深度解析能力，难以满足科研对精度和推理深度的要求；而性能领先的闭源模型则存在部署成本高、数据隐私保护不足等问题。据IDC《中国模型即服务市场追踪》报告显示，2025年多模态模型已将AI应用从单一文本生成扩展至图像、视频、语音等复合场景，使用占比提升至20%，但科学专业领域的多模态应用仍处于起步阶段。

产品亮点：从"对话工具"到"科研协作者"的进化

突破性科学解析能力

Intern-S1创新性地提出"跨模态科学解析引擎"，能够精准处理化学分子式、蛋白质三维结构、地质波信号等12种复杂科学模态数据。该引擎无需额外预处理即可直接理解SMILES表达式、FASTA序列等科研常用编码方式，在化学领域权威评测集ChemBench获得83.4分的最优表现，材料科学基准MatBench取得75.0分的领先成绩，超越Grok-4等顶尖闭源模型。

如上图所示，机械手指与芯片的互动象征着AI与科研工具的深度融合。这一设计理念体现在Intern-S1的硬件适配性上，其MoE架构实现了计算效率与模型能力的平衡，仅需2张H200显卡即可部署完整科学推理能力，大幅降低了科研机构的应用门槛。

高效架构与训练创新

模型采用2350亿参数的MoE架构语言模型(Qwen3)与60亿参数视觉编码器(InternViT)的双核心设计，在5万亿token规模的多模态数据集上深度续训，其中科学领域数据占比超过50%。通过FP8精度下的高效强化学习训练系统，将训练成本降低10倍，同时实现了科学数据理解精度与处理效率的双重提升——在化学分子式处理任务中，数据压缩率较DeepSeek-R1提升70%以上。

该图片直观展示了Intern-S1的品牌标识，卡通人物形象体现了模型"专业且友好"的设计理念。这种理念转化为实际功能，即模型默认开启的"思考模式"能自动分析科研问题的解决路径，同时支持通过enable_thinking开关切换至高效模式，兼顾科研深度与日常使用效率。

全链条开源生态支持

作为书生大模型家族的最新成员，Intern-S1已深度集成至书生开源工具体系，包括XTuner微调框架、LMDeploy部署引擎、OpenCompass评测体系等全链路工具。开发者可通过Gitcode仓库获取完整代码与模型权重，配合最新发布的Intern·Agent多智能体框架，可支持化学合成设计、材料性能预测等12类科研任务。

行业影响：开启规模化科学发现新纪元

加速新药研发与材料创新

基于Intern-S1构建的"元生"(OriGene)多智能体虚拟疾病学家系统，已在肝癌和结直肠癌研究中发现GPR160和ARG2两个全新治疗靶点，相关成果通过临床样本和动物实验验证，形成完整科学闭环。业内专家预测，该模型有望使材料发现周期缩短50%以上，重大疾病新药研发效率提升3-5倍。

降低科研机构应用门槛

为解决轻量级部署需求，上海AI实验室推出8B参数的Intern-S1-mini版本，在保持科学专业能力的同时，可在24GB单卡完成LoRA微调。该轻量化模型在SmolInstruct、ChemBench等科学基准测试中表现优异，且通用能力稳居同量级第一梯队，特别适合高校实验室和中小企业的二次开发需求。

结论与前瞻

Intern-S1的发布填补了当前开源领域在复杂科研场景下的应用空白，其"通专融合"的技术路线为AI辅助科研提供了新范式。随着模型在极端条件科学模拟、复杂系统预测等前沿领域能力的持续提升，预计将在能源、环境、生物医药等关键领域催生突破性发现。研究机构和企业可通过Gitcode仓库(https://gitcode.com/InternLM/Intern-S1)获取模型，或访问体验页面直接感受其科学解析能力，开启AI驱动的科研新征程。

【免费下载链接】Intern-S1项目地址: https://ai.gitcode.com/InternLM/Intern-S1