MolecularIQ 57.26 分意味着什么：科学大模型评测成绩单阅读指南
【免费下载链接】Intern-S2-397B项目地址: https://ai.gitcode.com/InternLM/Intern-S2-397B
2026 年 WAIC 上，上海人工智能实验室发布科学智能体基座 Intern-S2-397B，随之流传开来的一个数字是：MolecularIQ 57.26 分，超过 Gemini-3.1-Pro。对大多数读者来说，这个分数像一份看不懂的成绩单——MolecularIQ 是什么？57.26 在什么尺度上有意义？"超过"一个闭源旗舰又意味着什么？
本文不打算复述发布稿，而是做三件事：把 MolecularIQ、SciCode、SWE-bench-Multilingual 这类科学评测放进同一张"能力地图"里定位；解释为什么在科学场景下"任务完成率"比"文本流畅度"更值得信任；最后结合 Intern-S2-397B 的本地仓库（README.md、config.json、tokenization_interns1.py）给出一份可复用的科学模型评测清单。读完之后，你不仅能读懂这张成绩单，还能自己动手复验它。
一、从 MolecularIQ、SciCode 到 SWE-bench-Multilingual：指标地图
先回答最基础的问题：57.26 分是哪来的？
MolecularIQ 是一个面向分子科学推理与设计的评测基准，题目覆盖分子性质问答、反应推断、结构-性质关联等任务，要求模型输出符合化学事实的答案。57.26 是 Intern-S2-397B 在该基准上的得分，社区报道显示它越过了 Gemini-3.1-Pro 的同项成绩。这意味着一个开源模型在"分子智能"这条细分赛道上，达到了当前闭源第一梯队的水准——注意，是"分子智能"，不是"通用智能"。
要读懂这类分数，必须把它们放进指标地图。科学大模型评测大致分四层：
- 分子/材料层：MolecularIQ（分子推理）、材料晶体结构生成（坐标回归、通过率）。衡量模型是否真的理解化学语法与晶体物理，而不是"说得像"。
- 科学编程层：SciCode 等。给一段科研场景描述，要求写出可运行的数值求解代码，以"能否跑通并得到合理结果"计分。
- 工程智能体层：SWE-bench-Multilingual。跨语言的真实软件仓库 issue 修复，是"科学工作流自动化"的工程侧预演——科研管线本质上也是一串软件调用。
- 通用与多模态层：README 中明确说明，官方使用 OpenCompass、VLMEvalKit、AgentCompass 三套工具评测全部模型，文本推理基准在最长 256K token 下评估，多模态基准在 64K token 下评估。
把这四层叠起来，57.26 的坐标就清楚了：它是"分子智能"这一格的成绩，不能外推成"模型全能"。但同时，Intern-S2-397B 在材料结构生成上通过率超过 40%（社区报道称显著优于 GPT-5.5），并首次在开源通用大模型中实现晶体结构生成——这类"通过率"指标才是科学模型评测的核心计量单位。
仓库层面的证据也支撑"科学能力是被刻意训练出来的"这一判断。翻看 config.json：512 个专家、每 token 激活 10 个、60 层中每 4 层插入一个 full attention 的混合线性注意力架构；而 tokenization_interns1.py 中实现了三个独立的科学序列自动检测模块——SmilesCheckModule（用 RDKit 校验分子式合法性）、ProtCheckModule（蛋白质序列）、XnaCheckModule（DNA/RNA 序列），对应 tokenizer_config.json 里offset_SMILES: 248102、offset_PROT: 249126、offset_XNA: 250150三个专用子词表。也就是说，模型在分词阶段就把分子、蛋白、核酸当作"母语"处理，MolecularIQ 的高分不是通用模型"顺带答对"的结果，而是科学 tokenizer 与跨 20+ 领域的多任务强化学习共同作用的结构性产出。
二、为什么"任务完成率"比"文本流畅度"更该被信
通用大模型的评测常以"生成的文本像不像标准答案"打分类似度；科学模型评测则走了另一条路：结果可复核、任务可判定。社区对该模型评测路径的共识是：以任务完成率而非文本流畅度作为效果判断标准，重点关注四项能力——任务规划、工具调用正确性、自我修正能力、输出可复核性。
这条原则值得展开。原因有三：
第一，科学答案存在客观判据。分子生成可以用 RDKit 解析验证（见 tokenization_interns1.py 中check_legitimacy_slow：Chem.MolFromSmiles(candidate)失败即判负）；晶体结构生成可以算空间群对称性与键长键角误差；SciCode 代码可以真实执行。流畅但错误的分子式，在评测中得 0 分——"完成率"因此比"相似度"多了一个维度：诚实性。一个模型可以靠语言流畅度骗过 LLM-as-judge，但骗不过解析器。
第二，科学任务本质上是智能体任务。论文阅读、数据检索、软件调用、结果复核是一条长链。Intern-S2-397B 默认开启思考模式（README 建议 agentic 任务不要关闭），chat_template.jinja 中定义了完整的<tool_call>/<function=...>/<tool_response>工具调用协议，官方在 LMDeploy 部署时要求挂载--tool-call-parser interns2-preview才能正确解析工具调用。这意味着评测一个科学模型，本质上是在评测"它能不能把任务闭环做完"，而非"它会不会造句"。工具调用格式是否正确、参数是否齐全、失败后能否自我修正——这些"完成率"指标直接对应真实科研自动化管线里的故障率。
第三，完成率指标能撕开"参数幻觉"。社区流传的对照实验中，35B 的 Intern-S2-Preview 已在数学等复杂基准上追平万亿级 Intern-S1-Pro，而 397B 版在此基础上进一步。当"小模型完成率反超巨模型"成为常态时，"文本流畅度"这类软指标已经无法区分模型，只有"任务完成率"这类硬指标能给出可仲裁的排序。这也是为什么评测报告里，分子通过率、结构生成通过率、SWE-bench-Multilingual 修复率这些数字，比任何"更像人类"的主观评分都更有传播价值——它们可以被任何人复现验证。
三、给读者一份可复用的科学模型评测清单
如果你打算把某个科学大模型接进自己的科研管线，直接照抄发布会的分数没有意义——评测环境不同、任务分布不同、甚至采样参数不同，分数都可能漂移。下面这份清单，是从 Intern-S2-397B 仓库与社区评测实践中提取的最小验证集，五个维度缺一不可：
1. 语义真实性（分子/序列层）准备 50 条带标准答案的 SMILES 与蛋白序列任务，用解析器（RDKit 或规则校验，对应 tokenization_interns1.py 的SmilesCheckModule）判定输出合法性，记录合法率与正确率。这一步筛掉"会背格式但不懂化学"的模型。
2. 任务闭环率（智能体层）搭一个最小工具环境（文件读写 + 代码执行 + 检索 API），构造 20 个多步任务，统计：规划正确率、工具调用格式合法率（用--tool-call-parser对应的解析器校验）、一次通过率与自我修正后通过率。重点观察模型在max_tokens耗尽、工具返回报错时的行为——这是"科研智能体"与"聊天机器人"的分水岭。
3. 可复核输出（数值层）科学输出必须有误差可查：时间序列任务给出预测点与分位数（README 中ts_forecast的point_forecast/quantile_forecast），地震事件检测必须给出 P 波、S 波的起始索引。检查模型是否愿意输出"结构化可解析结果"而非冗长散文——Intern-S2-397B 在 README.md 的时间序列 demo 中即要求返回精确时间点索引，这是评测可复核性的现成模板。
4. 长上下文与长程一致性科学文献理解动辄数万字。用 128K 以上的材料提问，检查模型是否还能定位前文事实（仓库支持 256K 原生上下文，经 YaRN 配置可扩展至 512K 乃至 1M，详见 deployment_guide.md 的--session-len 512000与 rope 参数）。对长程 agent 任务，官方还明确建议保持思考模式开启。
5. 推理成本与吞吐完成率再高，跑不动也是零。用 LMDeploy/vLLM/SGLang 三套方案（deployment_guide.md 提供了完整的 MTP 推测解码参数）实测输出吞吐：社区在 8×H200 + SGLang 环境下测得开启 MTP 后输出 16000 token 时长输出吞吐提升约 97.5%、延迟显著下降。评测时把"单位成本下的任务完成数"作为最终指标，而非单看绝对分数。
最后提醒一句：阅读任何科学模型成绩单，先回答三个问题——这个基准测的是哪一层能力？满分多少、基线是谁？模型是在什么推理长度和采样配置下拿到的分数？Intern-S2-397B 的官方采样建议是temperature=0.8, top_p=0.95, top_k=50, min_p=0.0（README.md），评测与生产环境参数不一致时，成绩单的可迁移性就要打折扣。MolecularIQ 57.26 是一个信号：开源科学模型第一次在分子智能赛道上与闭源旗舰同场竞技；但它只是一格坐标，不是整个地图。真正的判断，要等你把上面五维清单在自己的数据上跑完再说。
【免费下载链接】Intern-S2-397B项目地址: https://ai.gitcode.com/InternLM/Intern-S2-397B
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
