Intern-S1: Een wetenschappelijk multimodaal basis model

Intern-S1: A Scientific Multimodal Foundation Model

August 21, 2025

Auteurs: Lei Bai, Zhongrui Cai, Maosong Cao, Weihan Cao, Chiyu Chen, Haojiong Chen, Kai Chen, Pengcheng Chen, Ying Chen, Yongkang Chen, Yu Cheng, Yu Cheng, Pei Chu, Tao Chu, Erfei Cui, Ganqu Cui, Long Cui, Ziyun Cui, Nianchen Deng, Ning Ding, Nanqin Dong, Peijie Dong, Shihan Dou, Sinan Du, Haodong Duan, Caihua Fan, Ben Gao, Changjiang Gao, Jianfei Gao, Songyang Gao, Yang Gao, Zhangwei Gao, Jiaye Ge, Qiming Ge, Lixin Gu, Yuzhe Gu, Aijia Guo, Qipeng Guo, Xu Guo, Conghui He, Junjun He, Yili Hong, Siyuan Hou, Caiyu Hu, Hanglei Hu, Jucheng Hu, Ming Hu, Zhouqi Hua, Haian Huang, Junhao Huang, Xu Huang, Zixian Huang, Zhe Jiang, Lingkai Kong, Linyang Li, Peiji Li, Pengze Li, Shuaibin Li, Tianbin Li, Wei Li, Yuqiang Li, Dahua Lin, Junyao Lin, Tianyi Lin, Zhishan Lin, Hongwei Liu, Jiangning Liu, Jiyao Liu, Junnan Liu, Kai Liu, Kaiwen Liu, Kuikun Liu, Shichun Liu, Shudong Liu, Wei Liu, Xinyao Liu, Yuhong Liu, Zhan Liu, Yinquan Lu, Haijun Lv, Hongxia Lv, Huijie Lv, Qidang Lv, Ying Lv, Chengqi Lyu, Chenglong Ma, Jianpeng Ma, Ren Ma, Runmin Ma, Runyuan Ma, Xinzhu Ma, Yichuan Ma, Zihan Ma, Sixuan Mi, Junzhi Ning, Wenchang Ning, Xinle Pang, Jiahui Peng, Runyu Peng, Yu Qiao, Jiantao Qiu, Xiaoye Qu, Yuan Qu, Yuchen Ren, Fukai Shang, Wenqi Shao, Junhao Shen, Shuaike Shen, Chunfeng Song, Demin Song, Diping Song, Chenlin Su, Weijie Su, Weigao Sun, Yu Sun, Qian Tan, Cheng Tang, Huanze Tang, Kexian Tang, Shixiang Tang, Jian Tong, Aoran Wang, Bin Wang, Dong Wang, Lintao Wang, Rui Wang, Weiyun Wang, Wenhai Wang, Yi Wang, Ziyi Wang, Ling-I Wu, Wen Wu, Yue Wu, Zijian Wu, Linchen Xiao, Shuhao Xing, Chao Xu, Huihui Xu, Jun Xu, Ruiliang Xu, Wanghan Xu, GanLin Yang, Yuming Yang, Haochen Ye, Jin Ye, Shenglong Ye, Jia Yu, Jiashuo Yu, Jing Yu, Fei Yuan, Bo Zhang, Chao Zhang, Chen Zhang, Hongjie Zhang, Jin Zhang, Qiaosheng Zhang, Qiuyinzhe Zhang, Songyang Zhang, Taolin Zhang, Wenlong Zhang, Wenwei Zhang, Yechen Zhang, Ziyang Zhang, Haiteng Zhao, Qian Zhao, Xiangyu Zhao, Xiangyu Zhao, Bowen Zhou, Dongzhan Zhou, Peiheng Zhou, Yuhao Zhou, Yunhua Zhou, Dongsheng Zhu, Lin Zhu, Yicheng Zou

cs.AI

Samenvatting

De afgelopen jaren is een overvloed aan open-source foundation-modellen ontstaan, die opmerkelijke vooruitgang hebben geboekt in enkele breed gevolgde vakgebieden, waarbij de prestaties dicht in de buurt komen van die van closed-source modellen. Echter, in hoogwaardige maar uitdagendere wetenschappelijke professionele domeinen, blijven deze gebieden nog steeds afhankelijk van expertmodellen, of loopt de vooruitgang van algemene foundation-modellen aanzienlijk achter in vergelijking met die in populaire gebieden, verre van voldoende om wetenschappelijk onderzoek te transformeren en laat het een aanzienlijke kloof tussen open-source modellen en closed-source modellen in deze wetenschappelijke domeinen. Om deze kloof te verkleinen en een stap verder te zetten richting Artificial General Intelligence (AGI), introduceren we Intern-S1, een gespecialiseerde generalist uitgerust met algemeen begrip en redeneervaardigheden met expertise om meerdere wetenschappelijke modale data te analyseren. Intern-S1 is een multimodaal Mixture-of-Experts (MoE)-model met 28 miljard geactiveerde parameters en 241 miljard totale parameters, continu voorgetraind op 5T tokens, waaronder meer dan 2.5T tokens uit wetenschappelijke domeinen. In de post-trainingsfase ondergaat Intern-S1 offline en vervolgens online reinforcement learning (RL) in InternBootCamp, waar we Mixture-of-Rewards (MoR) voorstellen om de RL-training op meer dan 1000 taken tegelijkertijd te synchroniseren. Door geïntegreerde innovaties in algoritmen, data en trainingssystemen, heeft Intern-S1 topprestaties bereikt in online RL-training. Op uitgebreide evaluatiebenchmarks toont Intern-S1 competitieve prestaties op algemene redeneertaken onder open-source modellen en presteert het aanzienlijk beter dan open-source modellen in wetenschappelijke domeinen, waarbij het closed-source state-of-the-art modellen overtreft in professionele taken, zoals moleculaire synthesenplanning, reactieconditievoorspelling en het voorspellen van thermodynamische stabiliteiten voor kristallen. Onze modellen zijn beschikbaar op https://huggingface.co/internlm/Intern-S1.

English

In recent years, a plethora of open-source foundation models have emerged, achieving remarkable progress in some widely attended fields, with performance being quite close to that of closed-source models. However, in high-value but more challenging scientific professional fields, either the fields still rely on expert models, or the progress of general foundation models lags significantly compared to those in popular areas, far from sufficient for transforming scientific research and leaving substantial gap between open-source models and closed-source models in these scientific domains. To mitigate this gap and explore a step further toward Artificial General Intelligence (AGI), we introduce Intern-S1, a specialized generalist equipped with general understanding and reasoning capabilities with expertise to analyze multiple science modal data. Intern-S1 is a multimodal Mixture-of-Experts (MoE) model with 28 billion activated parameters and 241 billion total parameters, continually pre-trained on 5T tokens, including over 2.5T tokens from scientific domains. In the post-training stage, Intern-S1 undergoes offline and then online reinforcement learning (RL) in InternBootCamp, where we propose Mixture-of-Rewards (MoR) to synergize the RL training on more than 1000 tasks simultaneously. Through integrated innovations in algorithms, data, and training systems, Intern-S1 achieved top-tier performance in online RL training.On comprehensive evaluation benchmarks, Intern-S1 demonstrates competitive performance on general reasoning tasks among open-source models and significantly outperforms open-source models in scientific domains, surpassing closed-source state-of-the-art models in professional tasks, such as molecular synthesis planning, reaction condition prediction, predicting thermodynamic stabilities for crystals. Our models are available at https://huggingface.co/internlm/Intern-S1.