模力方舟上线 Intern-S1-Pro：这款万亿参数MoE科学大模型强在哪？

AI for Science（AI4S）正成为全球科研范式革新的关键驱动力，科学大模型也随之从辅助工具的1.0阶段，迈入驱动科学发现的2.0时代。

近日，开源模型社区模力方舟正式上线了来自上海人工智能实验室的 Intern-S1-Pro 模型权重，面向科研团队与开发者开放下载、部署与使用。这不仅是一个模型的发布，更是对国产 AI4S基础设施 能力体系的一次重要补充。

🔗 模力方舟下载地址：
https://moark.com/hf-models/internlm/Intern-S1-Pro

专为AI4S打造：万亿参数MoE架构的科学推理模型

Intern-S1-Pro 是一款专为AI4S核心场景设计的混合专家（MoE）多模态大模型。它拥有惊人的1万亿（1T）总参数规模，每次推理时激活约220亿（22B）参数，旨在覆盖化学、材料科学、生命科学、地球科学等多个垂直科研领域。

其模型架构基于通义团队开源的Qwen3-235B，并配备了高精度的视觉编码器 InternViT-6B。该模型在总计5万亿Token的多模态数据上进行了持续训练，其中超过2.5万亿Token来自科学领域，这为其强大的科学理解能力奠定了基础。

与传统通用大模型相比，Intern-S1-Pro 在科学任务上的表现实现了显著跃升。在诸如分子结构解析、化学反应路径规划、蛋白质序列理解、地震信号建模等专业性极强的任务中，其表现已经能够对齐甚至超越多款闭源商用模型。

创新底层设计：FoPE频谱建模 × 高效专家路由

为了胜任复杂的科学计算，Intern-S1-Pro 在底层架构上进行了两项关键创新：

• 傅里叶位置编码（FoPE）+ 时序建模：这项创新让模型具备了敏锐感知物理信号频率结构的能力。它首次实现了对采样点从10⁰到10⁶级别的多通道信号统一建模，使其能够从容应对从遥感影像、地震波到脑电图（EEG）等多种类型的科学数据。
• STE + 分组路由机制：针对万亿参数MoE模型训练中常见的稳定性差、资源浪费高难题，该模型采用了稠密梯度训练与智能负载均衡路由策略。这大幅提升了训练效率与收敛速度，解决了大规模MoE模型训练的痛点。

值得一提的是，该模型的开发过程全面对齐国产算力生态，已成功适配XTuner、LMDeploy等全栈开源训练与推理工具链，并验证了在FP8精度下训练与部署的稳定性。

科学能力再进化：竞赛级推理水平 + 全学科能力矩阵

在多项权威评测中，Intern-S1-Pro 展现了卓越的科研推理与跨模态理解能力。

表格说明：下划线表示在开源模型中取得最优，加粗表示在所有模型中取得最优。

从评测结果可以看出，在科学推理（SciReasoner）、材料性质预测（MatBench）、生物分子指令（Mol-Instructions）等核心科学任务上，Intern-S1-Pro 的表现极具竞争力。同时，在MMLU-Pro、AIME-2025数学推理等通用能力基准上，它也展现出不俗的实力，证明了其“专精”与“广博”的平衡。

模力方舟持续构建国产AI4S平台能力

AI4S，即人工智能驱动科学研究，被认为是继实验、理论、计算、数据密集型之后的“第五科研范式”。它通过融合前沿AI算法与大规模计算能力，能够在药物发现、新材料设计、气候模拟等科研领域显著提升效率、降低试错成本。

模力方舟正致力于构建面向AI4S的国产模型基础设施。除了此次上线的 Intern-S1-Pro，平台此前已经汇集了如Lingshu-32B医疗大模型、DianJin金融大模型等一批具备强大垂直领域能力的 开源大模型。通过与沐曦、燧原、昇腾等国产算力厂商的深度适配，模力方舟旨在打造一个可自由扩展、开源开放、软硬协同的一站式科研AI平台。

随着像 Intern-S1-Pro 这样顶尖科学模型的加入，国内的开发者和科研团队将能获得更强大、更易用的工具，共同推动AI for Science这一前沿领域的快速发展。