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 262144（256K）token；model.safetensors.index.json 显示权重被切分为 188 个分片、总量约 806GB（bf16 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-Preview（35B）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_p=0.95、top_k=50、temperature=0.8）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_SMILES=248102、offset_PROT=249126、offset_XNA=250150三个独立 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 MTP（Multi-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_layers=1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 RoPE，rope_factor=4.0）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
