Problem

當前科學發現面臨資料模態多樣化、需與複雜工具互動以及任務執行週期過長等挑戰，傳統模型難以兼顧跨領域的推理與長期進程追蹤。

Method

採用涵蓋科學文獻與影像的預訓練，並結合多任務強化學習（RL）與代理型 RL 優化。架構上，397B 模型擴展了時間序列預測能力，並開發「記憶解碼器」（Memory Decoder）模組，在不更動主模型參數的情況下進行專業化。

Results

Intern-S2-Preview-397B 在多項基準測試中取得領先地位。SciTS 測試顯示其訊號理解力顯著提升，而 4B 記憶擴展模組將生物領域指令測驗得分由 56.92 提升至 60.32。

Significance

此研究展示了如何透過代理型架構，讓大語言模型更有效地處理科學實務中的數值與多模態資訊，為自動化科研工作流提供了強大的基礎設施。