书生 InternLM 团队在 Hugging Face 上线了 Intern-S1-Pro，这是一款总参数规模达到 1T 的多模态科学推理模型，采用 MoE（混合专家）架构，共配置 512 个专家，每个 token 激活其中 8 个专家，对应 22B 激活参数。模型以 Apache-2.0 许可发布，支持图像-文本到文本任务，配套提供 Github 仓库、模型合集、技术报告以及在线聊天入口。

从定位看，Intern-S1-Pro 的核心卖点是「科学推理」。官方介绍称，该模型在高级推理基准上表现处于第一梯队，并在化学、材料、生命科学、地球科学等关键 AI4Science 领域取得领先结果，同时维持了较强的通用多模态与文本能力。这意味着它并非只做单一学科问答，而是试图在通用能力与专业科学任务之间取得平衡。

训练层面，团队披露了两项关键设计。其一是 STE 路由，即为路由器训练引入稠密梯度，配合分组路由，以提升万亿级 MoE 训练的收敛稳定性与专家并行负载均衡；其二是 Fourier 位置编码（FoPE） 与升级后的时间序列建模，用于更好地表征物理信号，并支持从 10^0 到 10^6 个点的长、异质时间序列。这两点指向同一个工程难题：参数规模跨过万亿门槛后，训练效率与信号建模能力往往比单纯堆参数更能决定最终效果。

部署方面，官方明确提示，用原生 Hugging Face 前向方法运行万亿参数模型存在困难，强烈建议使用 LMDeploy、vLLM 或 SGLang 等推理引擎托管，并通过 API 访问。模型还支持工具调用，且兼容 OpenAI API 接口风格，开发者可用熟悉的语法结构接入外部工具与函数。官方给出的推荐采样参数为 top_p=0.95、top_k=50、min_p=0.0、temperature=0.8。

把这条发布放到产业背景里看，有几个角度值得关注。第一，开源模型正在从「通用对话」向「科学专用」延伸，AI4Science 被视为大模型落地的高价值场景之一，化学、材料、生命科学等方向对推理深度和长序列信号处理的要求，恰好是 MoE 大模型可以发挥规模优势的地方。第二，万亿级 MoE 的开源发布，对推理侧的算力与工程能力提出了更高要求，模型能否被高效托管，直接决定其被研究者与开发者采用的速度。第三，科学推理模型的竞争，正在从单一榜单分数转向「通用能力 + 专业领域 + 工程可用性」的综合比拼，这对上游算力、推理框架以及下游科研工具链都会带来连锁影响。

目前官方尚未在公开材料中给出具体的商业合作或定价信息，模型以开源许可发布，后续在科研社区的实际采用情况、以及与其他开源及闭源科学模型的对比较量，将是观察其影响力的关键。