Intern-S2-Preview ist ein wissenschaftliches Multimodal-Modell mit 35 Milliarden Parametern, das vom InternLM-Team auf Basis von Qwen3.5 weiterentwickelt wurde. Kernidee ist das sogenannte „Task Scaling": Statt primär Parameter oder Datenmenge zu erhöhen, wird die Schwierigkeit, Diversität und Abdeckung wissenschaftlicher Aufgaben systematisch gesteigert – und zwar über die gesamte Trainings-Pipeline von Pre-Training bis Reinforcement Learning. Damit erreicht das Modell laut den Entwicklern auf mehreren wissenschaftlichen Kernbenchmarks eine vergleichbare Leistung wie Intern-S1-Pro, das im Trillion-Parameter-Bereich angesiedelt ist. Besonders hervorgehoben wird die Fähigkeit zur Kristallstruktur-Generierung für Materialien, was Intern-S2-Preview als erstes Open-Source-Modell dieser Klasse ausweist. Hinzu kommen verbesserte Agenten-Fähigkeiten für wissenschaftliche Workflows. Im RL-Training kommen zwei Effizienz-Techniken zum Einsatz: Shared-Weight Multi-Token Prediction (MTP) mit KL-Loss zur Reduzierung des Mismatches zwischen Training und Inferenz sowie CoT-Kompression, die kürzere Antworten bei gleichbleibender Reasoning-Qualität ermöglicht und die Token-Generierungsgeschwindigkeit erhöht.