論文の概要: Intern-S1-Pro: Scientific Multimodal Foundation Model at Trillion Scale
- arxiv url: http://arxiv.org/abs/2603.25040v2
- Date: Thu, 02 Apr 2026 04:46:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:09.057779
- Title: Intern-S1-Pro: Scientific Multimodal Foundation Model at Trillion Scale
- Title（参考訳）: インターンS1-Pro:Trillion Scaleにおける科学マルチモーダル基礎モデル
- Abstract要約: Intern-S1-Proは、最初の1トリリオンパラメータの科学マルチモーダル基礎モデルである。
その科学的専門知識は、重要な科学分野にまたがって100以上の専門的なタスクを習得するために大幅に拡張されている。
XTuner と LMDeploy は、1-トリリオンパラメータレベルでの強化学習(RL)の訓練を効率的に行う。
- 参考スコア（独自算出の注目度）: 243.02537333434245
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Intern-S1-Pro, the first one-trillion-parameter scientific multimodal foundation model. Scaling to this unprecedented size, the model delivers a comprehensive enhancement across both general and scientific domains. Beyond stronger reasoning and image-text understanding capabilities, its intelligence is augmented with advanced agent capabilities. Simultaneously, its scientific expertise has been vastly expanded to master over 100 specialized tasks across critical science fields, including chemistry, materials, life sciences, and earth sciences. Achieving this massive scale is made possible by the robust infrastructure support of XTuner and LMDeploy, which facilitates highly efficient Reinforcement Learning (RL) training at the 1-trillion parameter level while ensuring strict precision consistency between training and inference. By seamlessly integrating these advancements, Intern-S1-Pro further fortifies the fusion of general and specialized intelligence, working as a Specializable Generalist, demonstrating its position in the top tier of open-source models for general capabilities, while outperforming proprietary models in the depth of specialized scientific tasks.
- Abstract（参考訳）: Intern-S1-Proは,最初の1トリリオパラメータ科学マルチモーダル基礎モデルである。
この前例のない規模にスケールすると、このモデルは一般分野と科学分野の両方にわたって包括的な拡張をもたらす。
より強力な推論と画像テキスト理解機能に加えて、そのインテリジェンスは高度なエージェント機能で強化されている。
同時に、科学の専門知識は、化学、材料、生命科学、地球科学を含む重要な科学分野にまたがって、100以上の専門的なタスクを習得するために大幅に拡張されている。
この大規模な達成は、XTunerとLMDeployの堅牢なインフラストラクチャサポートによって実現される。これは、トレーニングと推論の間の厳密な精度の整合性を確保しつつ、1-トリリオンパラメータレベルでの高効率な強化学習(RL)トレーニングを促進する。
これらの進歩をシームレスに統合することにより、Intern-S1-Proは、特殊化可能なジェネラリストとして働く一般と専門のインテリジェンスの融合をさらに強化し、その役割は、専門的な科学的タスクの深みにおいて、プロプライエタリなモデルよりも優れています。
関連論文リスト
- S1-Omni: A Unified Multimodal Reasoning Model for Scientific Understanding, Prediction, and Generation [31.901449470705618]
我々はS1-Omniを科学的理解・予測・生成のための統合多モーダル推論モデルとして提示する。
S1-Omniのアーキテクチャは、科学データの統一表現、自然界の知識アライメント、ドメイン固有のタスクのデコードという3つのコアコンポーネントの上に構築されている。
S1-Omniは200の科学的タスクをカバーし、数百万の推論サンプルを含むS1-Omni-Corpusで訓練され、60以上の科学的ベンチマークで評価されている。
論文 参考訳（メタデータ） (2026-07-17T06:56:08Z) - S1-NexusAgent: a Self-Evolving Agent Framework for Multidisciplinary Scientific Research [0.0]
S1-NexusAgentは科学研究のための自己進化型エージェントフレームワークである。
S1-NexusAgentは階層的なPlan-and-CodeAct実行パラダイムを採用し、サブタスクレベルのツール実行からグローバルな科学的計画を切り離している。
S1-NexusAgentは最先端の一般化性能を達成し、複雑な科学的タスクにおけるその有効性と能力を検証する。
論文 参考訳（メタデータ） (2026-02-02T02:33:25Z) - Innovator-VL: A Multimodal Large Language Model for Scientific Discovery [84.15264653078826]
Innovator-VLは、様々な科学的分野の理解と推論を促進するために設計された、科学的多モーダルな大規模言語モデルである。
原理的なトレーニング設計と透過的な方法論により,データ要求を大幅に削減した強力な科学的知性が得られることを示す。
論文 参考訳（メタデータ） (2026-01-27T08:12:18Z) - An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。
近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。
本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
論文 参考訳（メタデータ） (2025-12-22T15:03:57Z) - BigBang-Proton Technical Report: Next-Word-Prediction is Scientific Multitask Learner [8.599603915677365]
BigBang-Protonは自動回帰言語モデリングのための統合シーケンスベースのアーキテクチャである。
BigBang-Protonは、クロススケール、クロス構造、クロスディシデントな現実世界の科学的なタスクを予習した。
論文 参考訳（メタデータ） (2025-09-30T18:09:18Z) - A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [251.23085679210206]
科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。
この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。
我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
論文 参考訳（メタデータ） (2025-08-28T18:30:52Z) - Intern-S1: A Scientific Multimodal Foundation Model [282.73189976071427]
Intern-S1は、一般的な理解と推論機能を備えた専門的なジェネラリストである。
Intern-S1はオフラインおよびオンライン強化学習(RL)をInternBootCampで実施する。
包括的な評価ベンチマークでは、Intern-S1はオープンソースモデル間の一般的な推論タスクにおける競合性能を示す。
論文 参考訳（メタデータ） (2025-08-21T17:58:00Z) - From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery [108.1082357960201]
エージェントAIは仮説生成、実験設計、実行、分析、反復的洗練の能力を示す。
この調査は、生命科学、化学、材料科学、物理学にまたがる自律的な科学的発見のドメイン指向のレビューを提供する。
論文 参考訳（メタデータ） (2025-08-18T05:25:54Z) - OmniScience: A Domain-Specialized LLM for Scientific Reasoning and Discovery [12.306721865990053]
一般科学のための専門的な大規模推論モデルであるOmniScienceを紹介する。
我々は、分子を潜在的電解質溶媒または添加剤として効率よくランク付けする電池剤を開発した。
我々は,ドメイン適応型事前学習と推論に基づく知識蒸留が性能レベルを達成するために重要であることをアブレーション実験で実証した。
論文 参考訳（メタデータ） (2025-03-22T01:18:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。