我们推出Intern-S2-Preview，这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外，Intern-S2-Preview探索了任务扩展：通过提升科学任务的难度、多样性与覆盖范围，进一步释放模型能力。
通过将专业科学任务融入从预训练到强化学习的全链条训练流程，Intern-S2-Preview在多个核心专业科学任务上达到了与万亿参数规模的Intern-S1-Pro相当的性能，而其参数规模仅为350亿（基于Qwen3.5持续预训练）。同时，它还保持了强大的通用推理、多模态理解及智能体能力。
全链条训练的科学任务扩展：Intern-S2-Preview将数百项专业科学任务从预训练阶段扩展至强化学习阶段，使350亿参数模型在多个专业领域均展现出强劲性能。它进一步强化了小分子结构的空间建模能力，并引入实值预测模块，成为首个兼具材料晶体结构生成能力与强大通用能力的开源模型。
面向科学工作流的增强型智能体能力：相比上一代模型，Intern-S2-Preview的智能体能力得到显著提升，在多项科学智能体基准测试中取得优异成绩。
基于MTP与CoT压缩的高效RL推理：在强化学习阶段，Intern-S2-Preview采用带KL损失的共享权重MTP（多任务预测）机制，减少训练与推理行为的偏差，大幅提升MTP接受率与token生成速度。同时引入CoT（思维链）压缩技术，在缩短响应长度的同时保留强大推理能力，实现性能与效率的双重提升。
我们在各类基准测试集（包括通用数据集和科学数据集）上对Intern-S2-Preview进行了评估。以下是其与近期视觉语言模型（VLMs）及大语言模型（LLMs）的性能对比结果。
注：下划线表示开源模型中的最佳性能，粗体表示所有模型中的最佳性能。
我们使用OpenCompass和VLMEvalKit对所有模型进行评估。在文本推理基准测试中，Intern-S2-Preview的最大推理长度为128K tokens；在多模态基准测试中，其最大推理长度为64K tokens。
为确保获得更优结果，我们建议使用以下超参数：
top_p = 0.95
top_k = 50
min_p = 0.0
temperature = 0.8Intern-S2-Preview 可通过以下任意一种 LLM 推理框架进行部署：
这些框架的详细部署示例可在 模型部署指南 中找到。
工具调用使模型能够通过调用外部工具和 API 来扩展其功能。以下示例展示了如何通过兼容 OpenAI 的 API（基于 lmdeploy api server）使用工具调用获取最新天气预报。
from openai import OpenAI
import json
def get_current_temperature(location: str, unit: str = "celsius"):
"""Get current temperature at a location.
Args:
location: The location to get the temperature for, in the format "City, State, Country".
unit: The unit to return the temperature in. Defaults to "celsius". (choices: ["celsius", "fahrenheit"])
Returns:
the temperature, the location, and the unit in a dict
"""
return {
"temperature": 26.1,
"location": location,
"unit": unit,
}
def get_temperature_date(location: str, date: str, unit: str = "celsius"):
"""Get temperature at a location and date.
Args:
location: The location to get the temperature for, in the format "City, State, Country".
date: The date to get the temperature for, in the format "Year-Month-Day".
unit: The unit to return the temperature in. Defaults to "celsius". (choices: ["celsius", "fahrenheit"])
Returns:
the temperature, the location, the date and the unit in a dict
"""
return {
"temperature": 25.9,
"location": location,
"date": date,
"unit": unit,
}
def get_function_by_name(name):
if name == "get_current_temperature":
return get_current_temperature
if name == "get_temperature_date":
return get_temperature_date
tools = [{
'type': 'function',
'function': {
'name': 'get_current_temperature',
'description': 'Get current temperature at a location.',
'parameters': {
'type': 'object',
'properties': {
'location': {
'type': 'string',
'description': 'The location to get the temperature for, in the format \'City, State, Country\'.'
},
'unit': {
'type': 'string',
'enum': [
'celsius',
'fahrenheit'
],
'description': 'The unit to return the temperature in. Defaults to \'celsius\'.'
}
},
'required': [
'location'
]
}
}
}, {
'type': 'function',
'function': {
'name': 'get_temperature_date',
'description': 'Get temperature at a location and date.',
'parameters': {
'type': 'object',
'properties': {
'location': {
'type': 'string',
'description': 'The location to get the temperature for, in the format \'City, State, Country\'.'
},
'date': {
'type': 'string',
'description': 'The date to get the temperature for, in the format \'Year-Month-Day\'.'
},
'unit': {
'type': 'string',
'enum': [
'celsius',
'fahrenheit'
],
'description': 'The unit to return the temperature in. Defaults to \'celsius\'.'
}
},
'required': [
'location',
'date'
]
}
}
}]
messages = [
{'role': 'user', 'content': 'Today is 2024-11-14, What\'s the temperature in San Francisco now? How about tomorrow?'}
]
openai_api_key = "EMPTY"
openai_api_base = "http://0.0.0.0:23333/v1"
client = OpenAI(
api_key=openai_api_key,
base_url=openai_api_base,
)
model_name = client.models.list().data[0].id
response = client.chat.completions.create(
model=model_name,
messages=messages,
max_tokens=32768,
temperature=0.8,
top_p=0.95,
extra_body=dict(spaces_between_special_tokens=False),
tools=tools)
print(response.choices[0].message)
messages.append(response.choices[0].message)
for tool_call in response.choices[0].message.tool_calls:
tool_call_args = json.loads(tool_call.function.arguments)
tool_call_result = get_function_by_name(tool_call.function.name)(**tool_call_args)
tool_call_result = json.dumps(tool_call_result, ensure_ascii=False)
messages.append({
'role': 'tool',
'name': tool_call.function.name,
'content': tool_call_result,
'tool_call_id': tool_call.id
})
response = client.chat.completions.create(
model=model_name,
messages=messages,
temperature=0.8,
top_p=0.95,
extra_body=dict(spaces_between_special_tokens=False),
tools=tools)
print(response.choices[0].message)Intern-S2-Preview 默认启用思维模式，可增强模型的推理能力以生成更高质量的响应。通过在 tokenizer.apply_chat_template 中设置 enable_thinking=False，即可禁用该功能。
text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True,
enable_thinking=False # think mode indicator
)在部署 Intern-S2-Preview 模型时，您可以通过调整请求中的 enable_thinking 参数来动态控制思考模式。
from openai import OpenAI
import json
messages = [
{
'role': 'user',
'content': 'who are you'
}, {
'role': 'assistant',
'content': 'I am an AI'
}, {
'role': 'user',
'content': 'AGI is?'
}]
openai_api_key = "EMPTY"
openai_api_base = "http://0.0.0.0:23333/v1"
client = OpenAI(
api_key=openai_api_key,
base_url=openai_api_base,
)
model_name = client.models.list().data[0].id
response = client.chat.completions.create(
model=model_name,
messages=messages,
temperature=0.8,
top_p=0.95,
max_tokens=2048,
extra_body={
"chat_template_kwargs": {"enable_thinking": False}
}
)
print(json.dumps(response.model_dump(), indent=2, ensure_ascii=False))注意：对于智能体任务，我们不建议禁用思考模式。
Intern-S2-Preview 可以通过两种方式接入智能体框架：连接自托管部署，或调用官方 InternLM API。下面我们将介绍这两种方式，并提供智能体框架（OpenClaw、Hermes 等）及 Claude Code 的使用示例。
首先，按照 模型部署指南 使用 LMDeploy 启动模型服务。以下示例假设服务运行在 http://0.0.0.0:23333。
大多数智能体框架（OpenClaw、Hermes 等）支持 OpenAI 兼容的端点。将它们指向 LMDeploy 服务的基础 URL http://0.0.0.0:23333/v1 即可。
您可以通过以下命令检查连接情况：
curl http://0.0.0.0:23333/v1/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer EMPTY" \
-d '{
"model": "internlm/Intern-S2-Preview",
"messages": [
{"role": "user", "content": "Hello"}
],
"temperature": 0.8,
"top_p": 0.95
}'或者您可以使用环境变量配置您的代理框架
export OPENAI_API_KEY=EMPTY
export OPENAI_BASE_URL=http://0.0.0.0:23333/v1
export OPENAI_MODEL=internlm/Intern-S2-Preview记得使用 --tool-call-parser interns2-preview 启动 LMDeploy，以确保工具调用被正确解析。
LMDeploy 公开了一个与 Anthropic 兼容的 /v1/messages 端点，Claude Code 可以直接与之通信。将以下内容添加到 ~/.claude/settings.json 中：
{
"env": {
"ANTHROPIC_BASE_URL": "http://127.0.0.1:23333",
"ANTHROPIC_AUTH_TOKEN": "dummy",
"ANTHROPIC_MODEL": "internlm/Intern-S2-Preview",
"ANTHROPIC_CUSTOM_MODEL_OPTION": "internlm/Intern-S2-Preview"
}
}如需完整操作指南（包括 curl 验证、模型路由、故障排除），请参见 LMDeploy × Claude Code。
如果您不想自行部署，可以使用官方 Intern API。请在 internlm.intern-ai.org.cn 注册并创建 API 令牌（sk-xxxxxxxx）。
该服务兼容 OpenAI，因此任何 Agent 框架均可使用。您可以在命令行界面或配置文件中将基础 URL 设置为 https://chat.intern-ai.org.cn/api/v1，模型名称设置为 intern-s2-preview。
您可以通过以下命令检查连接情况：
curl https://chat.intern-ai.org.cn/api/v1/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer sk-xxxxxxxx" \
-d '{
"model": "intern-s2-preview",
"messages": [
{"role": "user", "content": "Hello"}
],
"temperature": 0.8,
"top_p": 0.95
}'有关当前端点、可用模型名称、速率限制和高级参数的信息，请参阅 Intern API 文档。
通过将 ANTHROPIC_BASE_URL 指向 Intern Anthropic 兼容网关，Claude Code 可以路由到官方 Intern API：
{
"env": {
"ANTHROPIC_BASE_URL": "http://chat.staging.intern-ai.org.cn",
"ANTHROPIC_AUTH_TOKEN": "your-api-token",
"ANTHROPIC_MODEL": "intern-s2-preview",
"ANTHROPIC_SMALL_FAST_MODEL": "intern-s2-preview"
}
}然后使用以下命令启动 claude 代码：
claude --model intern-s2-preview如需分步设置，请参见 Intern API × Claude Code Integration。