Intern S2定位与基准测试争议
视频开篇介绍了Intern S2 397B版本，其官方文档宣称这是目前最强大的科学研多模态基础模型。字幕指出该模型的基准测试数据令人震惊，声称其在编码能力上优于Kimi K2.7、Qwen以及DeepSeek V4 Pro。然而，演讲者通过“剧透”指出这一说法存在严重误导：Intern S2在编码方面表现不佳，与GLM 5.2相比差距明显。尽管官方强调其在科学智能领域的优势，如分子创建和蛋白质设计优化，并展示了复杂的可视化界面以证明其深度科学知识理解能力，但编码性能的夸大宣传成为主要争议点。
"It says it is better than Kimmy K 2.7 at coding... And spoiler, it's not good at coding."
开发背景与本地部署配置
该模型由中国国家级资助的AI实验室开发，被描述为世界上第一个专为科学目的建立的AI机构。其建筑风格宏伟，常被西方观众类比为Argonne、NASA或NIH等国家级科研设施。值得注意的是，Intern S2 397B是目前由国家资助机构发布的最大规模多模态模型。为了验证其实际能力，演讲者计划进行本地运行测试，并将结果与Gemini Pro、Kimi K3以及Qwen 3.6和原版Qwen进行对比。在技术部署方面，演讲者提到已上传了支持该模型自定义分词器的Q9版本（2.2.2版），其中包含用于渲染生成代码的SMILES支持；若使用旧版本则会出现“unknown token”错误，需更新至2.2.2版以修复。
"They are funded by the Chinese state government... it's the largest multimodel model released by a state funded organization."
晶体结构预测的实测对比
测试首先从计算材料科学和晶体学数据入手，使用特定化学公式作为输入。Intern S2生成的材料与官网结果高度相似，末尾坐标以0.50 0结尾，通过了初步的合理性验证。相比之下，Qwen 397B在最后一个元素坐标上出现偏差；而Qwen 3.6（27B版本）则直接错误地将晶系分类为Homeic。当用户质疑Qwen 3.6是否为Tetragonal（四方晶系）时，模型虽承认错误但坐标仍不同，且在后续追问中陷入循环，无法提供确切答案。Intern S2在3D可视化方面表现更佳，其生成的图像与官网参考图几乎一致，仅缺少连接线条；而Qwen 3.6的可视化则接近“幻觉”阶段，需多次纠正才能逼近正确答案。
晶体结构预测中的模型分歧与本地部署优势
在测试同一提示词时，Claude 拒绝回答该科学问题。相比之下，Sonic 5 Max（推测为 Kimi K3）给出了答案，但坐标数据存在细微差异，例如将某坐标标记为 0.008。尽管数值略有不同，模型正确识别了四方晶系（tetragonal）。作者尝试让该模型生成 3D 渲染图，但因 token 耗尽未能展示。有趣的是，本地生成的 Intern S2 与 Kimi K3 的生成结果在结构上高度一致，两者均缺失了官方在线版本中存在的某些原子间连接。作者指出本地生成结果与当前线上最佳模型 Kimi K3 几乎相同，暗示其在科学推理上具备“传说级”智能潜力。
"So, that is something interesting. So, there is some sort of work going on there."
基于 NMR 谱图的分子结构推理能力对比
为了验证模型在科学研究中的核心用途，作者使用 Gemini Pro 生成了一道高难度问题：分析附带的 HNMR 谱图并输出分子的 SMILES 字符串。由于原图像包含答案线索，作者对其进行了模糊处理以确保公平。测试对象包括 Quen 3.6、Quen 397B（Qwen 3.5）以及 Intern S2。由于作者自身缺乏该领域专业知识，他采用 Gemini 作为裁判对三个模型的回答进行评分。结果显示 Intern S2 获得了满分，被评价为“完美、正确且教科书级”的回答。Quen 397B 获得 9/10，扣分原因在于其描述存在逻辑矛盾（称中间峰为最左侧）。Quen 3.6 获得 8.5/10，也存在类似的描述失误。这表明 Intern S2 在该特定推理测试中表现最佳。
| 模型 | Gemini 裁判评分 |
|---|---|
| Intern S2 | 10/10 |
| Quen 397B (Qwen 3.5) | 9/10 |
| Quen 3.6 | 8.5/10 |
蛋白质结构与生物组织识别的集体失败与局部成功
在测试高级视觉智能时，作者从 NIH 获取了一张随机蛋白质结合图像。Quen 3.6、Qwen 397B 和 Intern S2 均给出了错误答案，且在被追问“是否确定不是正确答案”时都坚持己见，导致三个模型在此项测试中全部失败。随后作者展示了一张小鼠小脑的脑部扫描图（来自 NIH）。Quen 3.6 在回答“这是哪种动物”时出现逻辑崩溃，错误地将其识别为植物组织。Qwen 397B 正确识别出是小脑，但保守地回答“可能是大鼠或小鼠”。Intern S2 Pro 则直接自信地给出答案：小脑，且最可能的动物是小鼠。尽管 Intern S2 在蛋白质结构上失败，但在生物组织识别的果断性上优于 Qwen 397B。
基础逻辑与安全机制的随机性测试
在评估模型的基础认知能力时，主持人通过一系列简单问题进行了压力测试。首先询问了关于名称记忆的问题，模型正确记住了“Minor”这一名字，表现良好。随后是一个经典的数学分配问题：如果有8个橙子、4个孩子和一把刀，要求均匀分发。模型准确计算出每个孩子应分得2个橙子。这种基础逻辑推理能力的稳定性是评估通用智能的重要指标，尽管题目简单，但能反映模型在处理日常情境时的可靠性。此外，主持人还特别进行了一项安全测试，关注当提示词中出现“cut”（切）这一敏感词汇时模型的反应。通过Token检查器观察，发现“children”是概率排名第五的替代词。虽然该概率较低，但在高温（temperature）设置下存在被选中的可能性。
"If I choose children, which is a possibility... it saves itself. It says no, that's dark and unlikely."
主持人指出，尽管存在生成不当内容的理论风险，但该模型在内部逻辑上进行了自我修正。当系统尝试将“cut”与“children”关联时，模型会识别出这一组合的黑暗面并拒绝执行。这与之前测试GLM 5.2时的情况形成对比，当时由于选择了第三高概率的Token，模型曾错误地生成“切掉孩子让每个人都得到橙子”的回答。这表明Intern S2在安全对齐机制上更为稳健，能够有效拦截潜在的有害生成路径。
结论
Intern S2在科学推理领域展现出显著优势，但在通用编码能力上存在明显短板。测试证实其在晶体结构预测和NMR谱图分析中表现卓越，甚至优于Kimi K3及Qwen系列，且本地部署结果与线上最佳模型高度一致。然而，官方宣称其编码能力优于竞品并不属实，实测显示其与GLM 5.2差距明显。此外模型在蛋白质结构识别上集体失败，但在生物组织分类及基础逻辑安全对齐方面表现稳健。总体而言，Intern S2是专为科研场景优化的强力工具，而非全能型通用模型。