Los autores presentan Intern-S2-Preview, una serie de modelos base agénticos científicos diseñados para apoyar la comprensión multimodal científica, el razonamiento, la generación y las tareas de horizonte prolongado. La canalización de entrenamiento comienza con el preentrenamiento multimodal científico sobre documentos científicos renderizados, datos de imagen-texto entrelazados y corpus científicos diversos.
El modelo utiliza una canalización unificada de postentrenamiento que consiste en ajuste fino supervisado, aprendizaje por refuerzo (RL) multi-tarea escalable, RL agéntico de caja negra y blanca, y destilación on-policy. Las mejoras técnicas clave incluyen el rollout parcial con corrección off-policy, regularización adaptativa de longitud, descodificación especulativa en línea, optimización robusta multi-tarea y ensamblaje de experiencias consciente del rastro.
Intern-S2-Preview-397B extiende el modelado de series temporales desde la comprensión eficiente de secuencias largas hasta la predicción numérica, mientras que el Memory Decoder proporciona una ruta separada aumentada con memoria para una especialización científica rápida. Las evaluaciones muestran que Intern-S2-Preview-397B logra resultados competitivos o líderes en benchmarks científicos, multimodales, agénticos y de propósito general.
Los módulos de series temporales mejoran la comprensión de señales científicas y la predicción en SciTS, mientras que la extensión separada Intern-MemDec-4B mejora la puntuación promedio de Biology-Instructions de 56.92 a 60.32 sin modificar el backbone congelado de 397B.