现阶段，Mobius凭借高效推理路径与精简思维链，在端到端复杂推理场景中展现出效率优势，但共享记忆库架构也带来了更大的访存与通信压力，其能力释放上限依赖底层硬件与框架的联合优化。上海AI实验室正联合昇腾基于Atlas 900 A3昇腾超节点，开展Mobius深度适配工作，并已完成 Xtuner训练框架、LMDeploy推理框架的针对性调优，实现了Mobius在该硬件上的训练与推理，为充分释放架构性

现阶段，Mobius凭借高效推理路径与精简思维链，在端到端复杂推理场景中展现出效率优势，但共享记忆库架构也带来了更大的访存与通信压力，其能力释放上限依赖底层硬件与框架的联合优化。上海AI实验室正联合昇腾基于Atlas 900 A3昇腾超节点，开展Mobius深度适配工作，并已完成 Xtuner训练框架、LMDeploy推理框架的针对性调优，实现了Mobius在该硬件上的训练与推理，为充分释放架构性

在 AI 技术全面爆发的背景下，企业数字化转型加速，传统软件测试面临高度依赖人工经验、重复操作繁重、用例覆盖不全等核心瓶颈，难以满足敏捷开发与高质量交付的双重需求。为应对上述挑战，中国联通软件研究院以书生大模型 InternLM3-8B-Instruct 为核心引擎，创新构建覆盖“智能需求解析→用例生成→智能评审→用例转化→智能执行”的全流程智能化测试，系统性突破传统软件测试在效率与覆盖度上的核心

继率先推出首个，上海人工智能实验室（上海AI实验室）于5月15日开源了新一代大模型预览版，进一步拓展“可深度专业化通用模型”的能力边界并大幅降低使用门槛。

视觉预训练的核心是 Next visual latent prediction。首先，原始 PDF 被直接渲染为页面图像，并通过冻结的视觉编码器转换为一系列连续的视觉表征。系统过滤页边距、空白区域等低信息 Patch，同时保留前景内容的空间位置，将其输入语言模型。训练过程中，文本与视觉文档共享同一个自回归模型：文本数据仍然采用“下一词预测”，视觉文档则采用“下一视觉表征预测”。通过这种方式，模型在

面对科学智能（AI4S）领域长期存在的“通用认知”与“专业知识”难以兼顾的难题，上海人工智能实验室通过底层架构的根本性革新，尝试为复杂科学任务的理解与推理构建新的基座。2026 世界人工智能大会（WAIC 2026）期间，上海人工智能实验室发布了书生系列大模型 Intern-S2-Preview-397B，以 397B 参数规模在分子设计、材料结构生成等核心科学任务上追平实验室此前的万亿参数模型。

称上述过程为一次操作。阅卷专家评价Intern-S1：“答案表达方式非常接近人类”，其中对第四题的解答是“一个新的解法，巧妙的调整法，在学生的解法中没有见过”——这标志着Intern-S1不仅在表达逻辑的严谨性和推理能力方面达到专业级水准，还能突破人类解题思路局限，通过自主探索和分析找到新的解题方法，为进一步赋能科学发现夯实技术基础。在学生的解法中没有见过”——这一例证，展示出Intern-S1具

一、 模型介绍一、 模型介绍最近体验了上海人工智能实验室新发布的 Intern-S2-Preview 模型，它的定位比较有意思：不是单纯追求更大的参数规模，而是把重点放在多模态科学任务和推理速度上。它是一个 35B模型 ，在 Qwen3.5 的基础上继续预训练，并通过模型结构调整到强化学习的一整套科学任务训练流程，增强了模型在专业科学任务、通用推理、多模态理解以及 agent 工作流上的能力。添加

面向未来，团队将进一步深入模型训练，并持续完善 MCP 与 Skills 工具封装，打造更强大的制造智能体，以满足更多真实业务场景的需求。同时，团队也计划构建一个高质量、标准化的机械零件制造工艺与报价评测数据集，推动智能体的量化评估与持续迭代，提升在实际应用中的价值与可靠性。这对非计算机专业背景的开发者尤其友好，大幅降低了技术落地的门槛，让实际应用和创新探索变得更加 高效便捷。

Intern‑S2-Preview 是一个。