Problem

現有模型在處理複雜科學任務（如化學、材料科學）時，常面臨參數規模不足、領域知識深度不夠，以及難以在通用智慧與專業化科學分析之間達成平衡的困境。

Method

研究團隊利用 XTuner 與 LMDeploy 基礎設施，實現在一兆參數規模下的高效強化學習（RL）訓練，並確保訓練與推論過程中的精確度一致性。該模型整合了強大的多模態感知能力與先進的智慧代理人（Agent）技術。

Results

Intern-S1-Pro 在逾百項專業科學任務中表現卓越，涵蓋化學、生命科學及地球科學等領域。其通用能力位居開源模型頂尖地位，在特定科學任務的專業深度上，更超越了主流的封閉原始碼商業模型。

Significance

本研究成功打造了「具備專業能力的通用型模型」（Specializable Generalist），為兆級規模的科學研究提供強大工具，並顯著提升了開源社群在處理高門檻基礎科學發現時的技術上限。