Les auteurs présentent Intern-S2-Preview, une série de modèles fondamentaux agentic scientifiques conçus pour soutenir la compréhension multimodale scientifique, le raisonnement, la génération et les tâches à long terme. Le pipeline d'entraînement commence par un pré-entraînement multimodal scientifique sur des documents scientifiques rendus, des données image-texte entrelacées et divers corpus scientifiques.
Le modèle utilise un pipeline post-entraînement unifié composé d'un ajustement fin supervisé, d'un apprentissage par renforcement multi-tâches évolutif (RL), d'un RL agentic en boîte noire et blanche, et d'une distillation on-policy. Les améliorations techniques clés incluent le rollout partiel avec correction off-policy, la régularisation adaptative de longueur, le décodage spéculatif en ligne, l'optimisation robuste multi-tâches et l'assemblage d'expérience conscient du traçage.
Intern-S2-Preview-397B étend la modélisation des séries temporelles de la compréhension efficace de longues séquences à la prévision numérique, tandis que le Décodeur de Mémoire fournit un chemin distinct augmenté de mémoire pour une spécialisation scientifique rapide. Les évaluations montrent qu'Intern-S2-Preview-397B atteint des résultats compétitifs ou leaders sur les benchmarks scientifiques, multimodaux, agentic et à usage général.
Les modules de séries temporelles améliorent la compréhension du signal scientifique et la prévision sur SciTS, tandis que l'extension séparée Intern-MemDec-4B améliore le score moyen de Biology-Instructions de 56,92 à 60,32 sans modifier la colonne vertébrale gelée de 397B.