书生-S2 Đang hoạt động

书生-S2 là mô hình nền tảng đa phương thức (397B tham số) do Phòng thí nghiệm Trí tuệ Nhân tạo Thượng Hải mã nguồn mở, là mô hình AI am hiểu khoa học nhất. Mô hình sử dụng kiến trúc Memory Decoder để tích hợp các mô-đun bộ nhớ chuyên môn có thể cắm thêm, cho phép liên tục mở rộng kiến thức lĩnh vực mà không cần huấn luyện lại mô hình chính. 书生-S2 thuộc nhóm dẫn đầu trong số các mô hình mã nguồn mở về năng lực tổng quát, vượt trội đáng kể trong các đánh giá khoa học như sinh học và vật liệu, đạt trình độ Gemini 3.1 Pro về suy luận toán học, đồng thời có khả năng nghiên cứu dài hạn và năng lực tác tử thông minh.

Hỏi đáp và suy luận kiến thức khoa học: cung cấp năng lực hiểu và tạo nội dung cấp chuyên gia trong các lĩnh vực như sinh học và khoa học vật liệu, vượt trội đáng kể so với các mô hình hàng đầu mã nguồn mở và đóng khác.
Suy luận toán học nghiêm ngặt dài hạn: có thể liên tục suy luận và kiểm chứng trong nhiều giờ trên các chuẩn toán thi đấu và toán cao cấp như IMO-Proof, AdvancedMathBench, đạt trình độ Gemini 3.1 Pro.
Thực hiện nhiệm vụ nghiên cứu: có thể liên tục phân tích, suy luận và tối ưu hóa các vấn đề nghiên cứu thực tế như thiết kế chất kết dính protein và xây dựng cấu trúc tinh thể.
Tự chủ thực hiện với tác tử thông minh: chỉ bằng một câu lệnh phức tạp, có thể tự hoàn thành việc truy xuất, phân rã nhiệm vụ, phối hợp công cụ và xây dựng quy trình giải pháp.
Năng lực tổng quát: năng lực tổng quát về kiến thức, mã nguồn và các lĩnh vực khác thuộc nhóm dẫn đầu trong các mô hình mã nguồn mở.

Theo dõi WeChat và trả lời “开源” để tham gia nhóm trao đổi dự án AI mã nguồn mở
Kiến trúc bộ nhớ chuyên môn có thể cắm thêm Memory Decoder: đưa vào cơ chế Memory Decoder, trong đó kiến thức chuyên môn của từng lĩnh vực được các mô-đun bộ nhớ độc lập học và lưu trữ; khi tích hợp không cần sửa đổi tham số mô hình chính. Trong quá trình suy luận, mô hình tự động điều phối đóng góp của mô hình chính và bộ nhớ chuyên môn theo ngữ cảnh hiện tại, giúp kiến thức lĩnh vực hòa nhập vào chuỗi suy luận hoàn chỉnh.
Suy luận dài hạn và năng lực tác tử: trên nền tảng duy trì năng lực tổng quát, 书生-S2 tăng cường khả năng tư duy dài hạn, hỗ trợ thực hiện các nhiệm vụ cấp độ nghiên cứu khoa học kéo dài hàng giờ thông qua cơ chế liên tục khám phá, suy luận và kiểm chứng; đồng thời xây dựng khung tác tử giúp mô hình hiểu mục tiêu nhiệm vụ, tự phân rã các bước, lựa chọn và phối hợp gọi nhiều công cụ, rồi linh hoạt điều chỉnh hành động tiếp theo dựa trên phản hồi thực thi.
Tối ưu hóa phối hợp với năng lực tính toán Ascend: mô hình phối hợp sâu với hệ sinh thái điện toán Ascend, thực hiện tối ưu hóa chuyên sâu quanh các khâu then chốt như tính toán, truyền thông và bộ nhớ đồ họa, khám phá lộ trình tiến hóa phối hợp giữa nâng cao năng lực mô hình và tối ưu hóa hạ tầng điện toán nội địa, cung cấp nền tảng hỗ trợ cho các nhiệm vụ tính toán khoa học quy mô lớn.
Khám phá tiền huấn luyện trong không gian tiềm ẩn (NCP-ArchPreview): hướng đến kiến trúc thế hệ tiếp theo, Phòng thí nghiệm AI Thượng Hải đề xuất nhiệm vụ tiền huấn luyện trong không gian tiềm ẩn theo kiểu JEPA của Next Concept Prediction: mô hình không còn chỉ dự đoán Token tiếp theo, mà thông qua Concept Module chuyên biệt để dự đoán các khái niệm ngữ nghĩa rời rạc xuyên Token trong không gian tiềm ẩn, sau đó phản hồi nhằm hướng dẫn quá trình tạo tự hồi quy ở tầng thấp.

Trải nghiệm trực tuyến: truy cập https://chat.intern-ai.org.cn/ để trực tiếp trò chuyện và trải nghiệm các năng lực của 书生-S2.
Gọi API: tất cả người dùng đều có thể sử dụng hạn mức API miễn phí; nếu cần hạn mức cao hơn, hãy truy cập https://internlm.intern-ai.org.cn/api/strategy để gửi yêu cầu.
Tải mô hình: tải trọng số mô hình trên HuggingFace.
Triển khai cục bộ: tham khảo kho GitHub https://github.com/InternLM/Intern-S1 để triển khai; môi trường điện toán Ascend đã được tối ưu hóa và tương thích chuyên sâu.

Năng lực khoa học hàng đầu: vượt trội đáng kể so với các mô hình hàng đầu mã nguồn mở và đóng hiện nay trong đánh giá các nhiệm vụ khoa học như sinh học và vật liệu.
Bộ nhớ chuyên môn có thể cắm thêm: kiến trúc Memory Decoder cho phép tích hợp kiến thức lĩnh vực mới mà không cần sửa đổi tham số mô hình chính, giảm đáng kể chi phí mở rộng lĩnh vực.
Năng lực tổng quát không thỏa hiệp: trong khi mở rộng năng lực chuyên môn, các năng lực tổng quát về kiến thức, mã nguồn và tác tử vẫn thuộc nhóm dẫn đầu trong các mô hình mã nguồn mở.
Năng lực suy luận dài hạn: có thể tiến hành suy luận toán học và nghiên cứu nghiêm ngặt liên tục trong nhiều giờ, đạt cấp độ Gemini 3.1 Pro, đồng thời vượt trội ở một số chỉ số.
Năng lực thực thi của tác tử: có thể tự phân rã nhiệm vụ phức tạp, phối hợp nhiều công cụ và chỉ bằng một câu lệnh tạo ra sản phẩm hoàn chỉnh như mô hình CAD 3D của tên lửa Trường Chinh 7.

Kho GitHub: https://github.com/InternLM/Intern-S1
Kho mô hình HuggingFace: https://huggingface.co/internlm/Intern-S2-397B

Nghiên cứu và phát triển khoa học sự sống: bao quát phân tích DNA, RNA, protein và tương tác giữa các phân tử sinh học, chẳng hạn liên tục thiết kế và tối ưu hóa các phân tử ứng viên chất kết dính protein xoay quanh mục tiêu điều trị miễn dịch IL-7Rα.
Thiết kế vật liệu và cấu trúc tinh thể: tự động hoàn thành việc ghép nhóm không gian, xây dựng có hệ thống các tham số mạng tinh thể và tọa độ nguyên tử theo công thức hóa học, chuyển quá trình khám phá vật liệu mới từ “thử sai theo kinh nghiệm” sang “dựa trên mô hình”.
Toán học và nghiên cứu lý thuyết: hướng đến các vấn đề phức tạp ở cấp độ toán thi đấu, toán cao cấp và kỳ thi tiến sĩ, tiến hành suy luận, kiểm chứng liên tục trong nhiều giờ và tạo ra lời giải chặt chẽ, hỗ trợ nghiên cứu lý thuyết.
Thiết kế kỹ thuật và tự động hóa tác tử: tạo ra sản phẩm kỹ thuật phức tạp chỉ bằng một câu lệnh, tự hoàn thành việc truy xuất thông tin, phân rã nhiệm vụ và điều phối phối hợp nhiều công cụ.