开源科学大模型三强争霸书生S2、Qwen3.5-35B、Gemini-3.1-Pro 横评当通用大模型的评测榜趋于饱和科学智能成了 2026 年开源社区最拥挤也最有想象力的新赛道一边是 Gemini-3.1-Pro 这类闭源旗舰在分子理解、材料生成上持续输出能力另一边是 Qwen3.5-35B 这样的高效开放模型抢占科学平民化生态位而上海 AI 实验室浦江实验室旗下的书生 Intern-S2 系列则带着35B 追平万亿参数397B 追平万亿模型的口号接连出招。三个名字频繁出现在同一张评测表上背后的路线选择、开源策略与工程投入却截然不同。本文结合社区实测情报与 Intern-S2-397B 仓库源码从定位、三线能力对比与科研落地的成本生态三个维度拆解这场三强争霸的真实含金量。三家模型定位与开源策略盘点先厘清三家在棋盘上的位置。Gemini-3.1-Pro走的是典型的闭源旗舰路线能力上限高、迭代快但对实验室用户而言意味着数据出境、按 token 计费和不可审计的推理过程——这在涉及新药分子、未公开实验数据的场景里几乎是硬伤。社区情报中的横评数据也显示它在通用科学推理上的优势正在被开源模型逐点蚕食例如 MolecularIQ 一项已被 Intern-S2-Preview 反超。Qwen3.5-35B代表的是高效开放路线35B 量级的参数规模配合宽松开源协议主打单卡可跑、快速接入是当前科研 AI 应用里出镜率最高的通用底座之一。它的策略是通用能力外溢到科学场景而非为科学任务深度定制。书生 Intern-S2则选择了一条更激进的科学专用 双轨开源路线同时放出 35B 的 Intern-S2-Preview 与 397B 的 Intern-S2-397B 两个档位且均为 Apache-2.0 许可。前者主打小参数高推理效率后者作为科学智能体基座在 WAIC 2026 上随书生·端砚科学平台一同发布。仓库内 config.json 可以直观看到它的野心60 层解码器、512 个专家、每 token 激活 10 个专家的 MoE 结构配合每 4 层插入一层的 full attention 与 linear attention 混合架构max_position_embeddings原生支持 262144256Ktokenmodel.safetensors.index.json 显示权重被切分为 188 个分片、总量约 806GBbf16 精度397B 追平万亿模型的底气就在这里。值得注意的是三家对开源的定义并不等价Gemini-3.1-Pro 完全不开放权重Qwen3.5-35B 开放但面向通用而 Intern-S2 不仅开放权重与完整分词器实现还连带开放了部署配置、Agent 接入方案与评估链路这是科研机构选择底座时常常被低估的隐形资产。科学推理、结构生成、Agent 任务三线对比第一线科学推理——小模型的反超信号社区流传最广的一组数据来自 MolecularIQ 评测Intern-S2-Preview35B拿到 57.26 分超过 Gemini-3.1-Pro同期基于 Mobius 架构的衍生版本也在分子指令、MolecularIQ 等任务上实现对 Qwen3.5-35B 的超越。这意味着35B 打赢闭源旗舰不再是营销话术而是可以被第三方评测复现的事实。这种反超并非只靠堆数据。README 中列出的采样参数组合top_p0.95、top_k50、temperature0.8与默认开启思考模式的机制README.md指向一个更本质的工程选择模型把有限的推理预算花在思考上而不是花在更大的参数规模上。社区实测也印证了这一点——在复杂数学基准上S2-Preview 展现出远高于其参数量的 token 利用效率而 397B 版本在 256K 推理长度下将通用推理能力进一步推高。第二线结构生成——开源通用大模型的首次材料晶体结构生成是这条赛道上最硬的一块骨头它要求模型输出可被晶体学工具解析的精确坐标与化学组成错一个原子都会导致结构判定失败。社区情报给出的关键事实是Intern-S2-Preview 是首个在开源通用大模型中实现材料晶体结构生成的模型结构生成通过率超过 40%显著优于 GPT-5.5同时支持高精度坐标回归。仓库源码为这条能力线提供了完整的证据链。分子/蛋白/核酸不是作为普通文本被硬塞进词表的而是拥有独立分词体系tokenization_interns1.py 中实现了SmilesCheckModule、ProtCheckModule、XnaCheckModule三个自动检测模块分别用正则与 RDKit 双重校验 SMILES 分子式的合法性Chem.MolFromSmiles并将 、 、 、 等结构化标签与TS_CONTEXT时序占位符一起注入 tokenizer_config.json 的词表对应offset_SMILES248102、offset_PROT249126、offset_XNA250150三个独立 SentencePiece 模型。也就是说模型看到的是被语法约束过的化学语言而非看起来像字母串的随机文本——这正是结构生成能过审而非能胡编的前提。第三线Agent 任务——从会答到会做科学 Agent 是三家差距最显著的一条线。Gemini-3.1-Pro 虽具备原生 Agent 能力但封闭Qwen3.5-35B 依赖外部框架包装而 Intern-S2 把 Agent 能力做进了模型本体多任务强化学习覆盖 20 科学领域并在沙箱化交互环境中进行黑盒 Agent 强化学习目标是长程long-horizon科学任务的完成率而非文本流畅度。落到工程层面README.md 给出了可直接复用的链路OpenAI 兼容的 Tool Calling天气查询示例展示了完整的 function call 闭环、思考/非思考模式动态切换enable_thinking参数Agent 任务建议保持开启、以及直接对接 OpenClaw、Hermes 等框架乃至 Claude Code通过 Anthropic 兼容的/v1/messages端点的双路径接入。最独特的是原生时间序列能力chat_template.jinja 中定义了|ts|TS_CONTEXT|/ts|占位符README 提供了地震 P 波/S 波检测与电力负荷预测两个完整 Demo其中预测任务还能输出 point forecast 与 quantile forecast 两类结果——这类数值传感器级的感知能力是普通对话模型无法覆盖的科研刚需。推理效率是 Agent 任务的隐形胜负手。社区实测8×H200 SGLang显示开启 MTPMulti-Token Prediction推测解码后输出长度 16000 时吞吐提升最高约 97.52%延迟下降 61%。对应配置完整写在 deployment_guide.md 中LMDeploy 的--speculative-algorithm qwen3_5_mtp、vLLM 的--speculative-config {method:mtp,num_speculative_tokens:3}、SGLang 的 NEXTN 方案一应俱全mtp_num_hidden_layers1也在 config.json 中明示。谁更值得放进科研工作流成本与生态考量横向比完落到我该部署哪个的现实问题结论其实取决于四个变量。数据敏感度决定能不能用闭源。涉及未公开分子、临床数据、国防与材料核心数据的团队闭源的 Gemini-3.1-Pro 首先出局。Apache-2.0 协议意味着书生 S2 可以自由私有化部署与二次分发这是科研数据合规的硬门槛。算力预算决定跑哪个档位。35B 的 S2-Preview 支持单节点小规模部署甚至 oMLX 4bit 量化落地 Mac 端而 397B 版本官方推荐 H100/H200 ×8 节点deployment_guide.md。社区给出的务实建议是先把 35B 跑通流程、验证任务完成率再决定是否升级到 397B 拿上限——官方也提供了 FP8 权重internlm/Intern-S2-FP8降低显存门槛。生态成熟度决定能不能跑起来。这是开源模型最常见的翻车点而 S2 在这一点上做得相当扎实LMDeploy、vLLM、SGLang 三套主流框架均有官方部署示例覆盖基础服务、MTP 加速与 512K 长上下文YaRN RoPErope_factor4.0三种典型配置评估链路则对齐 OpenCompass、VLMEvalKit、AgentCompass 三个社区工具评测口径可复现。相比之下多数科学专用模型只提供单一框架的能跑即可差距体现在排障成本上。场景匹配度决定值不值。从仓库与情报交叉看S2 的优势场景非常集中科学文献的多模态理解视觉预训练直接学习论文原始页面免中间解析、分子/蛋白/核酸序列建模、时间序列检测与预测、以及需要工具调用的长程科研 Agent 流水线。如果你的工作流恰好落在这四类里35B 版本的高推理效率与 397B 版本的能力上限构成了完整的验证—上线梯度如果只是需要通用问答或代码生成Qwen3.5-35B 的生态覆盖面和接入成本依然是更稳妥的选择。三强的格局短期内不会收敛Gemini 守闭源上限Qwen 守通用开放书生 S2 则以科学专用 双轨开源卡住科研自部署生态位。对科研团队而言真正的胜负手从来不是榜单上的几分之差而是模型能否通过你实验室的数据合规审查、能否在你的 GPU 上跑满吞吐、能否被你的 Agent 框架无缝接住——这三点恰恰是可以用 30 分钟在仓库里验证完的事情。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 开源科学大模型三强争霸：书生S2、Qwen3.5-35B、Gemini-3.1-Pro 横评
开源科学大模型三强争霸书生S2、Qwen3.5-35B、Gemini-3.1-Pro 横评当通用大模型的评测榜趋于饱和科学智能成了 2026 年开源社区最拥挤也最有想象力的新赛道一边是 Gemini-3.1-Pro 这类闭源旗舰在分子理解、材料生成上持续输出能力另一边是 Qwen3.5-35B 这样的高效开放模型抢占科学平民化生态位而上海 AI 实验室浦江实验室旗下的书生 Intern-S2 系列则带着35B 追平万亿参数397B 追平万亿模型的口号接连出招。三个名字频繁出现在同一张评测表上背后的路线选择、开源策略与工程投入却截然不同。本文结合社区实测情报与 Intern-S2-397B 仓库源码从定位、三线能力对比与科研落地的成本生态三个维度拆解这场三强争霸的真实含金量。三家模型定位与开源策略盘点先厘清三家在棋盘上的位置。Gemini-3.1-Pro走的是典型的闭源旗舰路线能力上限高、迭代快但对实验室用户而言意味着数据出境、按 token 计费和不可审计的推理过程——这在涉及新药分子、未公开实验数据的场景里几乎是硬伤。社区情报中的横评数据也显示它在通用科学推理上的优势正在被开源模型逐点蚕食例如 MolecularIQ 一项已被 Intern-S2-Preview 反超。Qwen3.5-35B代表的是高效开放路线35B 量级的参数规模配合宽松开源协议主打单卡可跑、快速接入是当前科研 AI 应用里出镜率最高的通用底座之一。它的策略是通用能力外溢到科学场景而非为科学任务深度定制。书生 Intern-S2则选择了一条更激进的科学专用 双轨开源路线同时放出 35B 的 Intern-S2-Preview 与 397B 的 Intern-S2-397B 两个档位且均为 Apache-2.0 许可。前者主打小参数高推理效率后者作为科学智能体基座在 WAIC 2026 上随书生·端砚科学平台一同发布。仓库内 config.json 可以直观看到它的野心60 层解码器、512 个专家、每 token 激活 10 个专家的 MoE 结构配合每 4 层插入一层的 full attention 与 linear attention 混合架构max_position_embeddings原生支持 262144256Ktokenmodel.safetensors.index.json 显示权重被切分为 188 个分片、总量约 806GBbf16 精度397B 追平万亿模型的底气就在这里。值得注意的是三家对开源的定义并不等价Gemini-3.1-Pro 完全不开放权重Qwen3.5-35B 开放但面向通用而 Intern-S2 不仅开放权重与完整分词器实现还连带开放了部署配置、Agent 接入方案与评估链路这是科研机构选择底座时常常被低估的隐形资产。科学推理、结构生成、Agent 任务三线对比第一线科学推理——小模型的反超信号社区流传最广的一组数据来自 MolecularIQ 评测Intern-S2-Preview35B拿到 57.26 分超过 Gemini-3.1-Pro同期基于 Mobius 架构的衍生版本也在分子指令、MolecularIQ 等任务上实现对 Qwen3.5-35B 的超越。这意味着35B 打赢闭源旗舰不再是营销话术而是可以被第三方评测复现的事实。这种反超并非只靠堆数据。README 中列出的采样参数组合top_p0.95、top_k50、temperature0.8与默认开启思考模式的机制README.md指向一个更本质的工程选择模型把有限的推理预算花在思考上而不是花在更大的参数规模上。社区实测也印证了这一点——在复杂数学基准上S2-Preview 展现出远高于其参数量的 token 利用效率而 397B 版本在 256K 推理长度下将通用推理能力进一步推高。第二线结构生成——开源通用大模型的首次材料晶体结构生成是这条赛道上最硬的一块骨头它要求模型输出可被晶体学工具解析的精确坐标与化学组成错一个原子都会导致结构判定失败。社区情报给出的关键事实是Intern-S2-Preview 是首个在开源通用大模型中实现材料晶体结构生成的模型结构生成通过率超过 40%显著优于 GPT-5.5同时支持高精度坐标回归。仓库源码为这条能力线提供了完整的证据链。分子/蛋白/核酸不是作为普通文本被硬塞进词表的而是拥有独立分词体系tokenization_interns1.py 中实现了SmilesCheckModule、ProtCheckModule、XnaCheckModule三个自动检测模块分别用正则与 RDKit 双重校验 SMILES 分子式的合法性Chem.MolFromSmiles并将 、 、 、 等结构化标签与TS_CONTEXT时序占位符一起注入 tokenizer_config.json 的词表对应offset_SMILES248102、offset_PROT249126、offset_XNA250150三个独立 SentencePiece 模型。也就是说模型看到的是被语法约束过的化学语言而非看起来像字母串的随机文本——这正是结构生成能过审而非能胡编的前提。第三线Agent 任务——从会答到会做科学 Agent 是三家差距最显著的一条线。Gemini-3.1-Pro 虽具备原生 Agent 能力但封闭Qwen3.5-35B 依赖外部框架包装而 Intern-S2 把 Agent 能力做进了模型本体多任务强化学习覆盖 20 科学领域并在沙箱化交互环境中进行黑盒 Agent 强化学习目标是长程long-horizon科学任务的完成率而非文本流畅度。落到工程层面README.md 给出了可直接复用的链路OpenAI 兼容的 Tool Calling天气查询示例展示了完整的 function call 闭环、思考/非思考模式动态切换enable_thinking参数Agent 任务建议保持开启、以及直接对接 OpenClaw、Hermes 等框架乃至 Claude Code通过 Anthropic 兼容的/v1/messages端点的双路径接入。最独特的是原生时间序列能力chat_template.jinja 中定义了|ts|TS_CONTEXT|/ts|占位符README 提供了地震 P 波/S 波检测与电力负荷预测两个完整 Demo其中预测任务还能输出 point forecast 与 quantile forecast 两类结果——这类数值传感器级的感知能力是普通对话模型无法覆盖的科研刚需。推理效率是 Agent 任务的隐形胜负手。社区实测8×H200 SGLang显示开启 MTPMulti-Token Prediction推测解码后输出长度 16000 时吞吐提升最高约 97.52%延迟下降 61%。对应配置完整写在 deployment_guide.md 中LMDeploy 的--speculative-algorithm qwen3_5_mtp、vLLM 的--speculative-config {method:mtp,num_speculative_tokens:3}、SGLang 的 NEXTN 方案一应俱全mtp_num_hidden_layers1也在 config.json 中明示。谁更值得放进科研工作流成本与生态考量横向比完落到我该部署哪个的现实问题结论其实取决于四个变量。数据敏感度决定能不能用闭源。涉及未公开分子、临床数据、国防与材料核心数据的团队闭源的 Gemini-3.1-Pro 首先出局。Apache-2.0 协议意味着书生 S2 可以自由私有化部署与二次分发这是科研数据合规的硬门槛。算力预算决定跑哪个档位。35B 的 S2-Preview 支持单节点小规模部署甚至 oMLX 4bit 量化落地 Mac 端而 397B 版本官方推荐 H100/H200 ×8 节点deployment_guide.md。社区给出的务实建议是先把 35B 跑通流程、验证任务完成率再决定是否升级到 397B 拿上限——官方也提供了 FP8 权重internlm/Intern-S2-FP8降低显存门槛。生态成熟度决定能不能跑起来。这是开源模型最常见的翻车点而 S2 在这一点上做得相当扎实LMDeploy、vLLM、SGLang 三套主流框架均有官方部署示例覆盖基础服务、MTP 加速与 512K 长上下文YaRN RoPErope_factor4.0三种典型配置评估链路则对齐 OpenCompass、VLMEvalKit、AgentCompass 三个社区工具评测口径可复现。相比之下多数科学专用模型只提供单一框架的能跑即可差距体现在排障成本上。场景匹配度决定值不值。从仓库与情报交叉看S2 的优势场景非常集中科学文献的多模态理解视觉预训练直接学习论文原始页面免中间解析、分子/蛋白/核酸序列建模、时间序列检测与预测、以及需要工具调用的长程科研 Agent 流水线。如果你的工作流恰好落在这四类里35B 版本的高推理效率与 397B 版本的能力上限构成了完整的验证—上线梯度如果只是需要通用问答或代码生成Qwen3.5-35B 的生态覆盖面和接入成本依然是更稳妥的选择。三强的格局短期内不会收敛Gemini 守闭源上限Qwen 守通用开放书生 S2 则以科学专用 双轨开源卡住科研自部署生态位。对科研团队而言真正的胜负手从来不是榜单上的几分之差而是模型能否通过你实验室的数据合规审查、能否在你的 GPU 上跑满吞吐、能否被你的 Agent 框架无缝接住——这三点恰恰是可以用 30 分钟在仓库里验证完的事情。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考