Shanghai AI Lab ra mắt Mobius: Mô hình 397 tỷ tham số mạnh ngang ngửa các siêu AI nghìn tỷ

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

17/07/2026 17:20:14 Nguồn: QbitAI

Sử dụng kiến trúc phi Transformer "Mobius", không thực hiện hỏi đáp tổng quát (general QA).

Trong khuôn khổ Hội nghị Trí tuệ Nhân tạo Thế giới 2026 (WAIC 2026), Phòng thí nghiệm Trí tuệ Nhân tạo Thượng Hải đã công bố dòng mô hình lớn (large model) Intern-S2-Preview-397B. Dựa trên kiến trúc và mô hình tiền huấn luyện hoàn toàn mới, với quy mô 397 tỷ tham số (397B), mô hình này đã đạt hiệu suất ngang bằng với các mô hình nghìn tỷ tham số trước đây của phòng thí nghiệm trong các nhiệm vụ khoa học cốt lõi như thiết kế phân tử và tạo cấu trúc vật liệu.

Đối mặt với thách thức lâu nay trong lĩnh vực Trí tuệ Nhân tạo cho Khoa học (AI4S) là khó có thể cân bằng giữa "nhận thức tổng quát" và "kiến thức chuyên môn", Intern-S2-Preview-397B đã thực hiện cuộc cách mạng về kiến trúc nền tảng, nỗ lực xây dựng một cơ sở mới cho việc suy luận các nhiệm vụ khoa học phức tạp. Đồng thời, Intern-S2-Preview-397B phối hợp sâu rộng với hệ sinh thái tính toán Ascend, tiếp tục khám phá lộ trình phát triển hiệp đồng từ việc nâng cao năng lực mô hình đến tối ưu hóa cơ sở hạ tầng tính toán nội địa.

Đổi mới kiến trúc: Để "trí nhớ" và "tư duy" thực hiện đúng chức năng của mình.

Nghiên cứu khoa học đòi hỏi mô hình phải vừa "ghi nhớ nhiều", vừa "tư duy linh hoạt". Tuy nhiên, trong các mô hình lớn truyền thống, việc lưu trữ kiến thức và suy luận logic bị gắn kết chặt chẽ: mô hình không chỉ không thể tận dụng tối đa kiến thức sẵn có để suy luận, mà mỗi khi tiếp nhận một môn học mới, nó có thể làm xáo trộn các năng lực tổng quát đã hình thành.

Intern-S2-Preview-397B bắt đầu từ kiến trúc nền tảng, tách biệt thiết kế giữa lưu trữ kiến thức và tính toán suy luận, hình thành nên hệ thống "tách biệt kiến thức và suy luận" với hai động cơ là Memory Decoder và Mobius.

Trong đó, Memory Decoder giới thiệu bộ nhớ ngoài có thể cắm rút (pluggable) cho các lĩnh vực chuyên môn. Kiến thức mới nhất của các ngành học khác nhau có thể được huấn luyện trong các mô-đun bộ nhớ độc lập và được kết nối với mô hình cơ sở khi cần thiết, giúp mô hình giảm thiểu tối đa sự xáo trộn đối với các tham số gốc và năng lực tổng quát khi tiếp thu kiến thức chuyên sâu.

Nói cách khác, kiến thức chuyên môn không còn chỉ có thể được "mã hóa cứng" thông qua việc viết lại toàn bộ mô hình, mà có thể được cập nhật liên tục như bộ nhớ mở rộng, giúp kịp thời hiệu chỉnh những sai lệch trong hiểu biết của mô hình về thông tin mới thu thập được trong quá trình khám phá những điều chưa biết.

Kiến trúc Mobius tập trung vào việc tách biệt kiến thức và suy luận của mô hình cơ sở. Thông qua việc giải mã (decoupling) các vector kiến thức và toán tử suy luận bên trong mô hình, Mobius xây dựng một thư viện vector kiến thức chia sẻ toàn cục. Một mặt, điều này nâng cao khả năng tái sử dụng kiến thức giữa các lớp và mang lại tỷ lệ nén kiến thức tốt hơn; mặt khác, nó cung cấp cơ hội truy cập kiến thức linh hoạt hơn cho các toán tử suy luận khác nhau, cho phép mô hình tự động tổ chức lộ trình tính toán dựa trên đầu vào, giúp các năng lực phân tích, xác thực và sửa lỗi cần thiết trong toán học, vật lý, hóa học, sinh học... có thể được di chuyển và tái sử dụng.

Nhờ đó, các năng lực chuyên môn không còn là những "ốc đảo kỹ năng" bị chia cắt, mà trở thành các năng lực có thể kết hợp trên cùng một nền tảng.

Đáng chú ý, thiết kế của Mobius đã đưa vào cơ chế kết nối dư ngược (Backward Residual Connection) và cơ chế suy luận không gian ẩn động (Dynamic Latent Reasoning).

Cơ chế thứ nhất phá vỡ ràng buộc chỉ các trạng thái ẩn nông mới có thể truy cập kiến thức sâu, cho phép các trạng thái ẩn sâu của mô hình cũng có thể truy cập kiến thức nông.

Cơ chế thứ hai không chỉ sử dụng các vector liên tục thay thế cho Token để trở thành vật mang thông tin có mật độ cao hơn, phù hợp hơn với các mô thức khoa học, mà còn cho phép mô hình phân bổ chi phí suy luận phù hợp một cách linh hoạt cho các đầu vào khác nhau.

Việc "giải mã" của Mobius ngược lại giúp quá trình gọi bộ nhớ và suy luận phối hợp "chặt chẽ" hơn, khiến hiệu suất suy luận đầu cuối (end-to-end) của mô hình tăng gần 4 lần khi đối mặt với cùng một nhiệm vụ.

Giá trị cốt lõi của bộ kiến trúc này nằm ở việc chuyển đổi quá trình chuyên môn hóa mô hình lớn từ việc cải tạo tổng thể một lần thành sự tăng trưởng năng lực bền vững: mô hình cơ sở chịu trách nhiệm hiểu và suy luận tổng quát ổn định, bộ nhớ chuyên môn mang theo kiến thức ngành không ngừng phát triển, còn các toán tử suy luận được tái sử dụng giữa các nhiệm vụ khác nhau.

Sự phân công và phối hợp giữa ba thành phần này cung cấp một lộ trình thực hiện mới cho việc "giới thiệu kiến thức chuyên môn mà không hy sinh năng lực cơ bản".

Đối với AI cho khoa học, sự phân công này đặc biệt quan trọng. Kiến thức khoa học cập nhật nhanh, ranh giới các ngành học liên tục giao thoa, mô hình vừa phải kịp thời đưa vào các sự kiện, phương pháp và dữ liệu mới, vừa phải duy trì khả năng so sánh, tương tự và suy diễn liên ngành. Bộ nhớ có thể cắm rút giúp việc cập nhật kiến thức nhẹ nhàng hơn, suy luận chia sẻ giúp năng lực liên ngành không cần phải huấn luyện lại từ đầu.

Việc tách biệt "trí nhớ" và "tư duy" đối với các tác nhân khoa học (scientific agents) cũng đồng nghĩa với sự hỗ trợ nền tảng linh hoạt hơn: đối với các nhiệm vụ dài hạn cần lập kế hoạch nhiều vòng, truy xuất thường xuyên kiến thức chuyên môn và gọi công cụ liên tục, mô hình có thể tập trung tài nguyên tính toán vào các khâu thực sự cần suy luận và liên tục sửa đổi lộ trình dựa trên phản hồi từ môi trường.

Intern-S2-Preview-397B thúc đẩy quy mô mở rộng năng lực của mô hình lớn từ quy mô tham số đơn thuần sang sự phát triển hiệp đồng giữa hiệu suất kiến trúc, độ sâu nhiệm vụ và kiến thức chuyên môn. Dựa trên kiến trúc hoàn toàn mới, mô hình không cần phải xây dựng lại một hệ thống cho mỗi loại năng lực chuyên môn, mà thay vào đó là sự tăng trưởng liên tục các năng lực chuyên môn mới trên cùng một nền tảng thống nhất.

Khi việc mở rộng tham số đối mặt với các ràng buộc về sức mạnh tính toán, chi phí và tiêu thụ năng lượng, hiệu suất kiến trúc đang trở thành biến số mới trong cuộc cạnh tranh mô hình cơ sở.

Intern-S2-Preview-397B là lần đầu tiên trong ngành thực sự hiện thực hóa việc để "trí nhớ" và "tư duy" của mô hình lớn thực hiện đúng chức năng và phối hợp hoàn hảo, đồng thời chứng minh rằng sự tiến bộ của mô hình lớn không chỉ đến từ "nhiều tham số hơn", mà còn có thể đến từ cách tổ chức kiến thức hợp lý hơn, huấn luyện suy luận mật độ cao hơn và lộ trình tính toán hiệu quả hơn.

Đây chính là ý nghĩa của "Thông thái làm gốc, chuyên môn làm dụng": năng lực tổng quát tạo thành nền tảng ổn định, năng lực chuyên môn được kết nối theo nhu cầu, phối hợp lẫn nhau và cùng nâng cao giới hạn năng lực của mô hình trong quá trình giải quyết các vấn đề thực tế.

Việc đạt được năng lực phối hợp này là nhờ vào sự đổi mới đồng bộ của mô hình huấn luyện nền tảng.

Nhằm giải quyết điểm yếu của việc huấn luyện truyền thống vốn phụ thuộc vào ngữ liệu tĩnh và khó học được các quyết định phức tạp, đội ngũ nghiên cứu đã xây dựng môi trường xác thực tương tác InternBootcamp. Khác với huấn luyện văn bản thông thường, nền tảng InternBootcamp chuyển đổi các nhiệm vụ thực tế như thiết kế mạch, mô hình hóa tài chính thành các kịch bản tương tác tiêu chuẩn hóa và tự động tạo ra các hàm xác thực để kiểm tra mô phỏng.

Trong quá trình huấn luyện mật độ cao "hành động - phản hồi" này, Intern-S2-Preview-397B không còn là sự khớp xác suất văn bản đơn thuần, mà là nội hóa logic lĩnh vực thông qua thử sai, giúp năng lực lập kế hoạch dài hạn và gọi công cụ của Intern-S2-Preview-397B được củng cố căn bản.

Nền tảng InternBootcamp đồng thời cung cấp sự hỗ trợ tích hợp từ tích lũy dữ liệu, đánh giá Reward, kiểm định mô hình đến căn chỉnh an toàn, giúp tạo ra các mô hình chuyên biệt "hiểu ngành hơn" với chi phí thấp hơn, nhấn nút tăng tốc cho các đổi mới ứng dụng hệ sinh thái tiếp theo của dòng mô hình lớn Shusheng.

Năng lực khoa học dẫn đầu liên tục: Trung tâm thông minh hiểu khoa học nhất.

Dòng mô hình lớn Shusheng dẫn đầu lâu dài nhờ khả năng hiểu và suy luận khoa học xuất sắc, đồng thời thể hiện sức mạnh đỉnh cao trong các lĩnh vực đa dạng như văn bản thuần túy, đa phương thức, tác nhân mã nguồn, nằm trong nhóm dẫn đầu các mô hình mã nguồn mở.

Trong các nhiệm vụ chuyên môn khoa học, Intern-S2-Preview-397B vượt trội hơn các mô hình hàng đầu cả đóng và mở.

Ví dụ, trong các đánh giá nhiệm vụ chuyên môn liên quan đến khoa học sự sống và hiểu, tạo, thiết kế cấu trúc vật liệu như Biology-Instructions, Mol-Instructions, MP20, Intern-S2-Preview-397B dẫn trước đáng kể so với các mô hình hàng đầu khác, cho thấy Intern-S2-Preview đã sở hữu năng lực nền tảng chuyên môn cần thiết để phục vụ nghiên cứu khoa học.

Đồng thời, Intern-S2-Preview-397B còn sở hữu các năng lực tác nhân thông minh tổng quát cần thiết cho nghiên cứu khoa học như lập kế hoạch tự chủ chu kỳ dài và sửa lỗi lặp lại, điều này đã được chứng minh qua các đánh giá chính thống trong phát triển kỹ thuật phần mềm.

Ví dụ, trong các đánh giá tác nhân mã nguồn đầy thách thức hiện nay là TerminalBench2.1 và SWEBench-Pro, mô hình vượt trội hơn Kimi-2.7-Code và DeepSeek-V4-Pro trong số các mô hình mã nguồn mở, chỉ đứng sau GLM5.2; trong SWEBench-Multilingual, mô hình vượt trội hơn các mô hình đóng/mở khác và tương đương với GLM5.2.

Trong lĩnh vực nghiên cứu khoa học, nếu Benchmark (kiểm chuẩn) trả lời câu hỏi mô hình "có biết hay không", thì nghiên cứu khoa học thực tế đang đặt câu hỏi: liệu mô hình có thể chuyển đổi một lần suy luận thành một quy trình làm việc hoàn chỉnh có thể xác thực, có thể tái lập và có thể lặp lại hay không?

Intern-S2-Preview-397B đã đưa ra một câu trả lời xuất sắc.

Nó tập hợp khả năng hiểu tổng quát, suy luận chuyên môn, chẩn đoán kết quả và gọi công cụ vào cùng một nền tảng, giúp mô hình không chỉ đưa ra câu trả lời mà còn có thể giải thích cơ sở phán đoán, đề xuất phương án tiếp theo và chấp nhận sự kiểm chứng từ kết quả tính toán hoặc thực nghiệm.