Intern-S2-Preview-397B

?Repozytorium Github • ?Kolekcje modeli HF • ?Kolekcje ModelScope • ?Czat online Przedstawiamy Intern-S2-Preview-397B, nasz najbardziej zaawansowany multimodalny model bazowy do inteligencji naukowej i agentów o długim horyzoncie. Intern-S2-Preview-397B rozwija się w trzech kluczowych wymiarach: wstępnym szkoleniu, pokryciu zadań uczenia przez wzmocnienie oraz interaktywnych środowiskach agentowych. Łącząc nowy paradygmat wstępnego szkolenia wizji i języka z uczeniem przez wzmocnienie w dużej skali oraz uczeniem przez wzmocnienie agentów o długim horyzoncie, Intern-S2-Preview-397B przynosi znaczną zmianę w ogólnym rozumowaniu, rozwiązywaniu problemów naukowych i zdolnościach agentowych.

• Nowy paradygmat wstępnego szkolenia. Dzięki wstępnemu szkoleniu wizualnemu, Intern-S2-Preview-397B uczy się bezpośrednio z surowych stron literatury naukowej, wspólnie modelując semantykę symboliczną i relacje wizualne w wspólnej przestrzeni reprezentacji bez pośredniego parsowania. To zachowuje korespondencję tekstu i obrazu, wzmacnia rozumowanie przestrzenne i wizualne oraz poprawia efektywność danych.
• Rozumowanie i generacja w modalności naukowej. Dzięki skalowaniu różnorodnych zadań uczenia przez wzmocnienie w nauce w ponad 20 dziedzinach i ich wspólnemu szkoleniu, Intern-S2-Preview-397B osiąga wiodącą wydajność w ogólnym rozumowaniu wśród modeli open-source oraz silne wyniki w wyspecjalizowanych zadaniach naukowych, takich jak projektowanie interakcji biomolekularnych i generacja struktury materiałów.
• Ogólne i naukowe agenty o długim horyzoncie. Łącząc wiele frameworków agentowych z dużymi, piaskownicowymi środowiskami do uczenia przez wzmocnienie agentów czarnych skrzynek, Intern-S2-Preview-397B poprawia generalizację i podnosi sufit zdolności dla zadań o długim horyzoncie zarówno w ogólnych, jak i naukowych dziedzinach. Oceniamy Intern-S2-Preview-397B na różnych benchmarkach, w tym ogólnych zbiorach danych i zbiorach danych naukowych. Raportujemy porównanie wydajności z niedawnymi VLM i LLM poniżej. ogólna_wydajność

naukowa_wydajność > Uwaga: Podkreślenie oznacza najlepszą wydajność wśród modeli open-source, Pogrubienie wskazuje najlepszą wydajność wśród wszystkich modeli.