機(jī)器之心發(fā)布

當(dāng)前，科學(xué)智能（AI for Science）被稱之為人工智能的 “皇冠”，以 AlphaFold 為代表的 AI for Science（AI4S）技術(shù)在蛋白質(zhì)折疊、氣象預(yù)測(cè)等特定領(lǐng)域取得了里程碑式成就，但近期《Nature》發(fā)表的研究指出，過度依賴現(xiàn)有深度學(xué)習(xí)模型可能局限新知識(shí)的探索邊界，甚至在某種程度上阻礙創(chuàng)新。

一項(xiàng)來自上海人工智能實(shí)驗(yàn)室（上海 AI Lab）的系統(tǒng)性評(píng)估①進(jìn)一步揭示了當(dāng)前前沿模型的短板。來自 10 個(gè)不同科學(xué)領(lǐng)域的 100 位科學(xué)家為模型構(gòu)建了評(píng)測(cè)題目，結(jié)果顯示：前沿模型在通用科學(xué)推理任務(wù)中得分可達(dá) 50 分（滿分 100），但在各類專業(yè)推理任務(wù)（如專項(xiàng)文獻(xiàn)檢索、具體實(shí)驗(yàn)方案設(shè)計(jì)）中，得分驟降至 15-30 分。

“我們已身處 “通用人工智能”（AGI）前夕，但仍面臨重要環(huán)節(jié)的缺失 —— 通專融合的智能。我們亟需推動(dòng)科學(xué)智能從 1.0 向 2.0 迭代，即從 AI4S 邁向 AGI4S�！� 日前，上海人工智能實(shí)驗(yàn)室主任、首席科學(xué)家周伯文在第四十屆人工智能協(xié)會(huì)年會(huì)（AAAI 2026）發(fā)表特邀報(bào)告時(shí)提出，科學(xué)發(fā)現(xiàn)是 AI 的下一個(gè)前沿陣地 —— 它既是推理智能的終極試煉場(chǎng)，也是 “通專融合 AGI” 的驗(yàn)證舞臺(tái)。若 AGI = 通專融合（Specialized Generalist），則可深度專業(yè)化通用模型（Specializable Generalist）是實(shí)現(xiàn) AGI 的可行路徑。

除了分享前沿觀點(diǎn)，周伯文還詳細(xì)介紹了上海 AI 實(shí)驗(yàn)室近年來開展的前沿探索與實(shí)踐，包括驅(qū)動(dòng) “通專融合” 發(fā)展的技術(shù)架構(gòu) ——“智者”SAGE（Synergistic Architecture for Generalizable Experts），其包含基礎(chǔ)、融合與進(jìn)化三個(gè)層次，并可雙向循環(huán)實(shí)現(xiàn)全棧進(jìn)化；支撐 AGI4S 探索的兩大基礎(chǔ)設(shè)施“書生”科學(xué)多模態(tài)大模型 Intern-S1、“書生”科學(xué)發(fā)現(xiàn)平臺(tái) Intern-Discovery 及一系列相關(guān)階段性進(jìn)展。

演講最后，周伯文向會(huì)場(chǎng)內(nèi)外的觀眾發(fā)出行動(dòng)召喚：架構(gòu)已經(jīng)就緒，但畫卷仍存大片留白，期待與更多同行者共拓藍(lán)圖！

以下為報(bào)告全文，略有修訂。

演進(jìn)預(yù)判：從 ANI 到 AGI 的歷史跨越

人工智能的發(fā)展歷程并非線性堆疊，而是呈現(xiàn)出明顯的階段性躍遷�；仡� AI 發(fā)展的歷史坐標(biāo)，有助于我們厘清當(dāng)前所處的位置及未來的方向。

早在 1996 年涉足 AI 研究之初，我便開始思考智能的本質(zhì)。特別是在擔(dān)任 IBM 人工智能基礎(chǔ)研究院院長(zhǎng)期間，首次提出了通往通用人工智能（AGI）的戰(zhàn)略路線圖，明確界定了 AI 發(fā)展的三個(gè)關(guān)鍵階段：ANI（狹義人工智能）、ABI（廣義人工智能）與 AGI，并給出了各自明確定義。

我當(dāng)時(shí)的判斷是 ANI 在 2016 年已趨于成熟，而通往 AGI 的必經(jīng)之路并非直接躍遷，而是必須率先實(shí)現(xiàn)具備跨領(lǐng)域泛化能力的 ABI。我們認(rèn)為這一跨越需要技術(shù)范式的根本性變革，最少包括三個(gè)方面：即從有監(jiān)督學(xué)習(xí)轉(zhuǎn)向自監(jiān)督學(xué)習(xí)，從人類分割任務(wù)級(jí)聯(lián)式系統(tǒng)轉(zhuǎn)向端到端架構(gòu)，從判別式工具進(jìn)化為生成式助手。

六年多后 ChatGPT 的問世，第一次驗(yàn)證了人工智能系統(tǒng)在以上三方面的同時(shí)達(dá)成，實(shí)質(zhì)上宣告了 ABI 階段的到來。這一歷史性突破驗(yàn)證了規(guī)模法則（Scaling Law）的有效性 —— 即通過擴(kuò)大 Transformer 架構(gòu)并將 “下一個(gè)詞預(yù)測(cè)” 作為優(yōu)化目標(biāo)，人類首次實(shí)現(xiàn)了對(duì)世界知識(shí)的壓縮。值得一提的是，我和團(tuán)隊(duì)早在 2016 年提出的關(guān)于 “多頭自注意力” 機(jī)制的研究，作為 “與下游任務(wù)無關(guān)”（也就是 “預(yù)訓(xùn)練”）的自然語言長(zhǎng)上下文壓縮表征的首批成果之一，被開創(chuàng)性的 Transformer 論文引用與認(rèn)可②，為這一預(yù)訓(xùn)練時(shí)代的壓縮智能奠定了重要的理論基石。

重訪路線圖（2016 年）：通往 AGI 之路

戰(zhàn)略路徑：通專融合與科學(xué)發(fā)現(xiàn)的終極試煉

隨著 Scaling Law 賦予了大語言模型廣泛的泛化能力（ABI），在 2023 年初我們提出了一個(gè)關(guān)鍵的戰(zhàn)略設(shè)問：通往 AGI 的下一步，僅僅是計(jì)算量的堆疊嗎？對(duì)這些設(shè)問的思考促使我在 2023 年提出了“通專融合” 路徑。核心思想是如何動(dòng)態(tài)實(shí)行融合人類認(rèn)知思維的系統(tǒng) 1 和系統(tǒng) 2，以應(yīng)對(duì)各種現(xiàn)實(shí)世界的任務(wù)。

重新定義 AGI 之路

過去 70 年 AI 的發(fā)展長(zhǎng)期在 “專業(yè)性” 與 “通用性” 兩個(gè)維度上分別進(jìn)展。以 AlphaFold 為代表的早期系統(tǒng)是極致的 “專家”，在特定領(lǐng)域超越人類卻缺乏遷移能力；而當(dāng)前的大語言模型則是博聞廣識(shí)的 “通才”，雖具廣度但在處理復(fù)雜專業(yè)任務(wù)時(shí)往往難以企及專家深度和缺失關(guān)鍵細(xì)節(jié)。真正的 AGI 必須打破這種二元對(duì)立，構(gòu)建一種能夠動(dòng)態(tài)融合 “系統(tǒng) 1”（直覺式快思考）與 “系統(tǒng) 2”（邏輯式慢思考）的智能架構(gòu) —— 即在保持通用認(rèn)知基座的同時(shí)，能夠在任意特定任務(wù)上通過持續(xù)學(xué)習(xí)與深度推理實(shí)現(xiàn)專家級(jí)的專精（闡述這一思路系統(tǒng)的立場(chǎng)論文已于 2024 年在 ArXiv 上發(fā)表）③。

2024 年末 OpenAI o1 與 2025 年初 DeepSeek-R1 的出現(xiàn)，通過在大模型之上應(yīng)用強(qiáng)化學(xué)習(xí)顯著提升邏輯推理能力，有力地驗(yàn)證了關(guān)于 “通專融合” 路徑預(yù)判的正確性。2025 年 10 月，約書亞?本吉奧教授等人提出了 AGI 的定義，將其分解為十種核心通用能力以及眾多狹義的專業(yè)能力。若能全面達(dá)成這些能力，即意味著實(shí)現(xiàn)了 AGI。這一定義與我們“通專融合是通往 AGI 的戰(zhàn)略路徑”的觀點(diǎn)高度吻合 —— 這表明該路徑正日益成為整個(gè)學(xué)術(shù)社區(qū)的普遍共識(shí)。

科學(xué)發(fā)現(xiàn)：推理智能的終極前沿

下一個(gè)前沿領(lǐng)域是什么？我認(rèn)為是科學(xué)發(fā)現(xiàn)（Scientific Discovery, SD）。在我看來，除了科學(xué)智能（AI for Science, AI4S）所承諾的治愈癌癥等諸多益處之外，科學(xué)發(fā)現(xiàn)更是推理智能的終極考驗(yàn)，因此也是 AI 探索的絕對(duì)前沿�？茖W(xué)發(fā)現(xiàn)是已知與未知之間復(fù)雜的相互作用，涵蓋了從假設(shè)生成、實(shí)驗(yàn)驗(yàn)證到理論總結(jié)的全過程。其對(duì) AI 提出了三重極限挑戰(zhàn)：

• 已知的未知：典型的如組合爆炸，比如分子設(shè)計(jì)或材料科學(xué)的搜索空間高達(dá) 10^60 量級(jí)，遠(yuǎn)超傳統(tǒng)遍歷能力；
• 未知的未知：科學(xué)探索本質(zhì)上是對(duì)分布外（OOD）知識(shí)的泛化，是對(duì)模型創(chuàng)造力的真正考驗(yàn)；
• 稀疏與延遲獎(jiǎng)勵(lì)：科學(xué)實(shí)驗(yàn)的周期長(zhǎng)、反饋慢，是對(duì)強(qiáng)化學(xué)習(xí)算法的嚴(yán)峻測(cè)試④。

因此，科學(xué)發(fā)現(xiàn)不僅是 AI 的最佳應(yīng)用場(chǎng)景，更是驅(qū)動(dòng) “通專融合” 邁向 AGI 的根本動(dòng)力。

接下來，我想分享我們?yōu)閼?yīng)對(duì)這一挑戰(zhàn)提出的技術(shù)架構(gòu) ——“智者”SAGE。

技術(shù)架構(gòu)：遞歸循環(huán)的通用專家協(xié)同架構(gòu)“智者”SAGE

為將 “通專融合” 戰(zhàn)略轉(zhuǎn)化為可落地的技術(shù)方案，上海 AI 實(shí)驗(yàn)室在 2024 年提出了“智者”SAGE 架構(gòu)—— 其并非若干模型的簡(jiǎn)單堆砌，而是一個(gè)旨在彌合廣泛泛化與深度專精鴻溝的統(tǒng)一認(rèn)知生態(tài)系統(tǒng)⑤。該架構(gòu)由三個(gè)邏輯耦合的層次構(gòu)成：

• 底部的基礎(chǔ)模型層致力于結(jié)構(gòu)上的重構(gòu)，通過將知識(shí)儲(chǔ)備與推理能力解耦，為高階因果推理提供更靈活的 “畫布”；
• 中間的融合協(xié)同層通過密集過程獎(jiǎng)勵(lì)機(jī)制，動(dòng)態(tài)協(xié)調(diào)直覺式 “快思考” 與邏輯性 “慢思考”，精準(zhǔn)把控泛化與專精的節(jié)奏；
• 頂層的探索進(jìn)化層則賦予 AI 主動(dòng)能動(dòng)性，完成從被動(dòng)數(shù)據(jù)擬合到主動(dòng)環(huán)境探索的范式轉(zhuǎn)變。

至關(guān)重要的是，SAGE 絕非靜態(tài)的架構(gòu)，而是一個(gè)遞歸運(yùn)行的活體生態(tài)。它通過雙向循環(huán)實(shí)現(xiàn)全棧進(jìn)化：一方面，底層解耦的表征自下而上地支撐推理策略的生成；另一方面，頂層主動(dòng)發(fā)現(xiàn)獲得的高水平反饋?zhàn)陨隙禄亓�，將探索中�?“未知” 轉(zhuǎn)化為新的訓(xùn)練信號(hào)。這種閉環(huán)機(jī)制確保了 SAGE 不僅能實(shí)現(xiàn)模型參數(shù)的優(yōu)化，更能推動(dòng)認(rèn)知策略本身的持續(xù)進(jìn)化。

遞歸循環(huán)的通專融合技術(shù)架構(gòu)“智者”（SAGE）

基礎(chǔ)模型層：知識(shí)與推理的解構(gòu)與動(dòng)態(tài)耦合

SAGE 的底層致力于解決現(xiàn)有 LLM 將 “事實(shí)記憶” 與 “邏輯推理” 混淆的問題。以記憶解碼器（Memory Decoder）⑥為例，它針對(duì)性地解決了現(xiàn)有大模型架構(gòu)的兩大頑疾：一是檢索增強(qiáng)生成（RAG）在長(zhǎng)文本語境推理中存在的顯著延遲與高昂工程成本；二是領(lǐng)域自適應(yīng)全參數(shù)微調(diào)所帶來的算力消耗及災(zāi)難性遺忘風(fēng)險(xiǎn)。

作為一種預(yù)訓(xùn)練、即插即用的獨(dú)立組件，記憶解碼器創(chuàng)新性地采用與基礎(chǔ)模型并行運(yùn)行并融合輸出分布的機(jī)制。它首次用緊湊的參數(shù)化模型替代了傳統(tǒng)非參數(shù)檢索器，在無需修改基礎(chǔ)模型參數(shù)、無在線檢索開銷的前提下，實(shí)現(xiàn)了高效的知識(shí)注入。實(shí)驗(yàn)數(shù)據(jù)顯示，其推理開銷僅為基礎(chǔ)模型的 1.28 倍，顯著低于現(xiàn)有主流方案。這一設(shè)計(jì)成功填補(bǔ)了 “高密度知識(shí)供給” 與 “推理引擎解耦” 之間的技術(shù)鴻溝，在 SAGE 框架中實(shí)現(xiàn)了推理能力與長(zhǎng)期記憶的 “解耦但可集成的推理與知識(shí)”，同時(shí)強(qiáng)化了 “長(zhǎng)期記憶” 能力。

記憶解碼器：面向大語言模型的預(yù)訓(xùn)練、即插即用記憶體

強(qiáng)化學(xué)習(xí)：連接基礎(chǔ)層與進(jìn)化層的紐帶

強(qiáng)化學(xué)習(xí)（RL）是連接 SAGE 基礎(chǔ)層與融合層、進(jìn)化層的紐帶，也是實(shí)現(xiàn) “通專融合” 的核心動(dòng)力之一�；仡櫰溲葸M(jìn)歷程，RL 經(jīng)歷了從早期封閉環(huán)境下的博弈（如 AlphaGo），演進(jìn)至通過 RLHF 實(shí)現(xiàn)人類偏好對(duì)齊，目前正處于以 o1 和 DeepSeek-R1 為代表的可驗(yàn)證推理（RLVR）階段，并終將邁向面向物理世界與科學(xué)發(fā)現(xiàn)的開放式體驗(yàn)學(xué)習(xí)新紀(jì)元。

適用于可通專融合的強(qiáng)化學(xué)習(xí)及其三大支柱

在微觀機(jī)制上，RL 被歸納為三大支柱：獎(jiǎng)勵(lì)設(shè)計(jì)作為 “指南針”，通過稀疏或密集信號(hào)界定模型專精的目標(biāo)；策略優(yōu)化作為 “引擎”，涵蓋從 PPO 到 GRPO 的算法迭代，驅(qū)動(dòng)模型高效更新；采樣與探索則決定了模型在龐大搜索空間中的導(dǎo)航路徑⑦。

鑒于不同任務(wù)對(duì) RL 配置的需求各異，構(gòu)建系統(tǒng)的核心技術(shù)挑戰(zhàn)在于統(tǒng)一：我們?nèi)绾螌⒍鄻有缘淖罴训莫?jiǎng)勵(lì)機(jī)制、策略優(yōu)化與采樣探索整合為一個(gè)協(xié)調(diào)一致的系統(tǒng)，從而打造出真正的 “可深度專業(yè)化通用模型”？

融合協(xié)同層：強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的深度推理進(jìn)化

在 SAGE 架構(gòu)中，融合協(xié)同層承載著協(xié)調(diào) “直覺快思考” 與 “邏輯慢思考” 的核心職能，而強(qiáng)化學(xué)習(xí)（RL）則是實(shí)現(xiàn)這一動(dòng)態(tài)協(xié)同的關(guān)鍵橋梁。為了構(gòu)建一個(gè)真正的 “可深度專業(yè)化通用模型”，必須克服傳統(tǒng) RL 在復(fù)雜推理任務(wù)中面臨的三大核心挑戰(zhàn)：高昂的監(jiān)督成本、訓(xùn)練過程中的熵坍縮以及單一路徑的模式崩潰。為此，我們?cè)谠搶右肓巳?xiàng)具有范式意義的算法創(chuàng)新，旨在構(gòu)建密集的獎(jiǎng)勵(lì)機(jī)制、維持持續(xù)的探索能力以及激發(fā)推理路徑的多樣性。

隱式獎(jiǎng)勵(lì)強(qiáng)化學(xué)習(xí)算法（PRIME）：突破高密度監(jiān)督的成本悖論

高度專家化的模型與人類專家在學(xué)習(xí)機(jī)制上具有相似性：專家化模型在訓(xùn)練過程中需要更密集的反饋信息。對(duì)于 “通專融合” 大模型而言，要解決科學(xué)發(fā)現(xiàn)中的長(zhǎng)鏈條推理問題，僅依賴最終結(jié)果的稀疏獎(jiǎng)勵(lì)往往捉襟見肘，模型急需密集的逐步監(jiān)督信號(hào)。然而，傳統(tǒng)的解決方案依賴于過程獎(jiǎng)勵(lì)模型（PRM），這要求對(duì)海量推理步驟進(jìn)行人工細(xì)粒度標(biāo)注，其成本之高昂，使得規(guī)�；瘮U(kuò)展幾乎成為不可能。

針對(duì)這一 “高密度監(jiān)督需求” 與 “高昂標(biāo)注成本” 之間的矛盾，我們提出了 PRIME 算法⑧ ，旨在從理論層面推導(dǎo)并獲取 “免費(fèi)” 的過程獎(jiǎng)勵(lì)。其核心洞察在于，利用策略模型與參考模型之間的統(tǒng)計(jì)差異。通過將模型訓(xùn)練目標(biāo)設(shè)定為基于兩者對(duì)數(shù)似然比的結(jié)果獎(jiǎng)勵(lì)模型，我們從數(shù)學(xué)方面證明，該模型能夠隱式地習(xí)得 Q 函數(shù)。這意味著，智能體在無需顯式訓(xùn)練龐大的 PRM 模型的情況下，即可在推理的每一個(gè)步驟中，通過計(jì)算動(dòng)作在當(dāng)前狀態(tài)下的優(yōu)劣，直接推導(dǎo)出密集的、逐步的獎(jiǎng)勵(lì)信號(hào)。

隱式獎(jiǎng)勵(lì)強(qiáng)化學(xué)習(xí)算法（PRIME）

這一創(chuàng)新帶來了多維度的顯著優(yōu)勢(shì)：

• 計(jì)算效率的飛躍：與 Math-Shepherd 等依賴獨(dú)立 PRM 模型的方法相比，PRIME 在推理階段無需額外的模型調(diào)用開銷，直接利用生成模型本身的概率分布即可獲得反饋，極大地提升了計(jì)算效率；
• 系統(tǒng)架構(gòu)的可擴(kuò)展性：在 SAGE 的系統(tǒng)實(shí)現(xiàn)中，PRIME 方案展現(xiàn)出極強(qiáng)的工程韌性。我們將策略模型與隱式 PRM 進(jìn)行聯(lián)動(dòng)，依托結(jié)果驗(yàn)證器和前序步驟產(chǎn)出的自由過程獎(jiǎng)勵(lì)，構(gòu)建了高效的在線更新閉環(huán)；
• 極致的數(shù)據(jù)效率：實(shí)驗(yàn)表明，PRIME 方案僅需 SOTA 模型 1/10 的訓(xùn)練數(shù)據(jù)量，即可達(dá)到相當(dāng)?shù)男阅芩剑瑯O大地降低了對(duì)高質(zhì)量標(biāo)注數(shù)據(jù)的依賴。

基準(zhǔn)測(cè)試結(jié)果有力地驗(yàn)證了 PRIME 的有效性：在 AIME 2024 數(shù)據(jù)集上，模型準(zhǔn)確率提升了 23.4%；在 AMC 數(shù)據(jù)集上提升了 27.7%；在 MATH-500 等權(quán)威測(cè)試中也取得了顯著增長(zhǎng)。這一系列數(shù)據(jù)充分證明，通過隱式機(jī)制構(gòu)建的稠密獎(jiǎng)勵(lì)，能夠有效驅(qū)動(dòng)模型突破復(fù)雜推理的瓶頸。

強(qiáng)化學(xué)習(xí)的熵機(jī)制：避免 “過度自信” 導(dǎo)致探索止步

專家化模型的訓(xùn)練不僅需要反饋，更需要持續(xù)不斷的學(xué)習(xí)。在深入研究用于推理的強(qiáng)化學(xué)習(xí)時(shí)，我們揭示了一個(gè)阻礙模型進(jìn)化的根本性障礙 ——熵坍縮。通俗地講，這等同于解決如何讓通用模型在專家化的過程中，始終保持探索與好奇心，讓模型和頂級(jí)人類專家一樣在專業(yè)問題的挑戰(zhàn)上避免過早過分自信，而是 “stay hungry, stay foolish”（求知若饑，虛心若愚）。

在訓(xùn)練過程中，隨著模型性能的初步提升，策略熵往往會(huì)急劇下降。這種下降意味著模型對(duì)其輸出的置信度快速提高，導(dǎo)致其過早地收斂于局部最優(yōu)解，從而喪失了探索更優(yōu)推理路徑的可能性。實(shí)驗(yàn)數(shù)據(jù)顯示，熵的消耗主要集中在訓(xùn)練的前數(shù)百步，此后模型的性能提升便迅速進(jìn)入邊際效益遞減階段。這種現(xiàn)象極似人類認(rèn)知中的 “過度自信”，即因自滿而停止了對(duì)問題細(xì)微差異的主動(dòng)探索 —— 而這種主動(dòng)探索，恰恰是通用模型進(jìn)化為能捕捉深層規(guī)律的 “專精模型” 的關(guān)鍵所在。

為了解決這一問題，我們深入探究了熵與獎(jiǎng)勵(lì)之間的權(quán)衡機(jī)制，并發(fā)現(xiàn)了一個(gè)關(guān)鍵的定量關(guān)系：驗(yàn)證性能（R）與熵（H）呈現(xiàn)顯著的對(duì)數(shù)線性相關(guān)⑨。這一簡(jiǎn)潔而深刻的結(jié)論為訓(xùn)練方案的優(yōu)化指明了方向：構(gòu)建可擴(kuò)展推理 RL 框架的難點(diǎn)，不在于單純堆砌訓(xùn)練時(shí)長(zhǎng)，而在于對(duì)熵消耗的精細(xì)化管理，確保模型在訓(xùn)練全周期內(nèi)保留足夠的不確定性，以驅(qū)動(dòng)持續(xù)的探索。

我們提出了一種精準(zhǔn)化、局部化且輕量化的熵控制方案：針對(duì)這類標(biāo)記開展選擇性調(diào)控（如采用 Clip-Cov、KL-Cov 等方法），能夠達(dá)成局部、輕量的熵控制效果，既保障模型探索性不受損，又不會(huì)干擾正常優(yōu)化流程。該方法實(shí)現(xiàn)了對(duì)熵的局部控制，既保障了模型的探索性不受損，又避免了對(duì)正常優(yōu)化流程的干擾。應(yīng)用該策略后，模型在保持高探索能力的同時(shí)，顯著提升了下游任務(wù)的準(zhǔn)確率。這一方法已被實(shí)驗(yàn)室的“書生”科學(xué)多模態(tài)大模型 Intern-S1 等多個(gè)頭部機(jī)構(gòu)采納應(yīng)用，其相關(guān)成果更由斯坦福 Yejin Choi 教授在 2025 年神經(jīng)信息處理系統(tǒng)大會(huì)（NeurIPS）上進(jìn)行了重點(diǎn)闡述。

強(qiáng)化學(xué)習(xí)的熵機(jī)制

匹配大語言模型推理的獎(jiǎng)勵(lì)分布（FlowRL）：實(shí)現(xiàn)專家化模型能力多元化

真正的專家不僅能解決問題，更能能為同一個(gè)問題提供多種解決方案，專家化模型亦是如此。然而，現(xiàn)有的標(biāo)準(zhǔn)強(qiáng)化學(xué)習(xí)方法（如 PPO、GRPO）普遍以 “獎(jiǎng)勵(lì)最大化” 為單一目標(biāo)。這種導(dǎo)向在復(fù)雜推理任務(wù)中極易導(dǎo)致模式崩潰，即模型傾向于反復(fù)收斂至單一的、已知的成功路徑，而忽略了其他潛在的更優(yōu)解或多樣化解法。

傳統(tǒng) RL 方法生成的分布與目標(biāo)分布之間的 KL 散度高達(dá) 8.68，表現(xiàn)為極端的尖峰，意味著模型探索空間的極度狹窄。為了賦予模型真正的專家級(jí)思維多樣性，我們?cè)谌诤蠈右肓薋lowRL⑩，這是一項(xiàng)借鑒生成流網(wǎng)絡(luò)（GFlowNets）思想的創(chuàng)新工作，標(biāo)志著強(qiáng)化學(xué)習(xí)優(yōu)化邏輯的范式轉(zhuǎn)變。

FlowRL 的核心在于將學(xué)習(xí)目標(biāo)從 “獎(jiǎng)勵(lì)最大化” 重構(gòu)為 “分布匹配”。模型不再僅僅追逐單一的高分答案，而是致力于學(xué)習(xí)所有有效推理路徑的概率分布。

• 分布擬合：FlowRL 生成的分布能夠捕捉目標(biāo)分布中的絕大多數(shù)概率質(zhì)量，擬合多個(gè)模態(tài)。如左側(cè)平滑曲線所示，其 KL 散度大幅降低至 0.11，顯著優(yōu)于傳統(tǒng)方法；
• 多樣性生成：習(xí)得的策略在推理過程中能夠自然地促進(jìn)更多樣化路徑的生成，從而在面對(duì) “未知的未知” 時(shí)具備更強(qiáng)的魯棒性。

案例顯示，在處理同一道數(shù)學(xué)推理題時(shí)，GRPO 模型陷入了思維死循環(huán)，推理過程重復(fù)且最終未能求解；而 FlowRL 模型則成功探索了多樣化的推理路徑，最終得出了正確答案 721。

整體實(shí)驗(yàn)結(jié)果進(jìn)一步證實(shí)了 FlowRL 的優(yōu)越性：

• 準(zhǔn)確率提升：在 32B 模型的訓(xùn)練條件下，F(xiàn)lowRL 在數(shù)學(xué)推理任務(wù)中取得了 48.39% 的準(zhǔn)確率，較 GRPO 提升 10 個(gè)百分點(diǎn)，較 PPO 提升 5.1 個(gè)百分點(diǎn)；
• 競(jìng)賽級(jí)表現(xiàn)：基于純開源數(shù)據(jù)訓(xùn)練后，F(xiàn)lowRL 在 CodeForces 平臺(tái)的評(píng)級(jí)達(dá)到 1549 分，性能直逼 o1-preview 水平；
• 多樣性倍增：FlowRL 生成的解決方案多樣性評(píng)分高達(dá) 2.28，約為 PPO 的 2 倍。

匹配大語言模型推理的獎(jiǎng)勵(lì)分布（FlowRL）

探索進(jìn)化層：從被動(dòng)擬合到主動(dòng)認(rèn)知探索

SAGE 架構(gòu)的頂層探索進(jìn)化層承載著通往 AGI 最關(guān)鍵的愿景 —— 打造一個(gè)具備自演化能力的 “可深度專業(yè)化通用模型”。這一層的核心挑戰(zhàn)在于，如何讓通用模型不僅在單一任務(wù)上實(shí)現(xiàn)深度專精，更能在大規(guī)模任務(wù)集乃至復(fù)雜的物理世界中，通過持續(xù)的交互與反饋實(shí)現(xiàn)自我迭代。為了應(yīng)對(duì)這一挑戰(zhàn)，我們從信號(hào)（Signal）、規(guī)模（Scale）與落地（Ground）三個(gè)關(guān)鍵維度出發(fā)，構(gòu)建了一套完整的進(jìn)化機(jī)制。

信號(hào)維度：測(cè)試時(shí)強(qiáng)化學(xué)習(xí)（TTRL）與自我進(jìn)化

在推理測(cè)試階段，模型面臨的最大困境在于訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)之間的分布偏移。一旦失去真實(shí)標(biāo)簽的引導(dǎo)，傳統(tǒng)模型便停止了學(xué)習(xí)步伐。然而，真正的 “專家”—— 如同人類物種一樣 —— 應(yīng)當(dāng)具備在任何未知境況下持續(xù)學(xué)習(xí)適應(yīng)的能力。

針對(duì)這一痛點(diǎn)，我們提出了測(cè)試時(shí)強(qiáng)化學(xué)習(xí)（Test-Time Reinforcement Learning, TTRL）框架? ，其核心洞察建立在一個(gè)簡(jiǎn)潔的假設(shè)之上：共識(shí)即意味著正確性（Consensus implies correctness）。

具體而言，TTRL 在推理過程中對(duì)多個(gè)候選解決方案進(jìn)行采樣，并將多數(shù)投票的結(jié)果作為 “代理獎(jiǎng)勵(lì)”，進(jìn)而利用測(cè)試數(shù)據(jù)流直接對(duì)模型參數(shù)進(jìn)行在線更新。這一方法在技術(shù)實(shí)現(xiàn)上具備極致的輕量化特性，僅需不到 20 行代碼，即可將任何推理軌跡轉(zhuǎn)化為有效的訓(xùn)練信號(hào)，實(shí)現(xiàn)了模型在無監(jiān)督環(huán)境下的 “自我舉證” 與 “自我增強(qiáng)”。

測(cè)試時(shí)強(qiáng)化學(xué)習(xí)與自我進(jìn)化（TTRL）

實(shí)測(cè)數(shù)據(jù)驗(yàn)證了 TTRL 的驚人潛力：

• 性能躍升：在 AIME 2024 數(shù)據(jù)集上，搭載 TTRL 的 Qwen-2.5-Math-7B 模型準(zhǔn)確率實(shí)現(xiàn)了 159% 的相對(duì)提升；
• 自我超越：TTRL 優(yōu)化后的模型展現(xiàn)出了 “青出于藍(lán)” 的特性，其性能不僅超越了自身的 “最優(yōu) N 采樣” 基準(zhǔn)線，甚至逼近了使用帶真實(shí)標(biāo)簽訓(xùn)練的理論上限（Oracle 基線）；
• 強(qiáng)泛化性：在 AMC、MATH-500 等未見過的權(quán)威基準(zhǔn)測(cè)試中，模型同樣表現(xiàn)出強(qiáng)勁的泛化能力。

TTRL 的成功證明了智能體具備自主螺旋式上升的成長(zhǎng)潛力，為 SAGE 架構(gòu)中的自我進(jìn)化提供了一條簡(jiǎn)潔高效的路徑。

規(guī)模維度：InternBootcamp 與任務(wù)擴(kuò)展定律

在解決了 “怎么學(xué)” 的信號(hào)問題后，必須回答 “在哪學(xué)” 的規(guī)模問題。通專融合模型不僅需要在單一任務(wù)上通過 “慢思考” 實(shí)現(xiàn)專精，更需要在成百上千個(gè)任務(wù)上同時(shí)實(shí)現(xiàn)能力適配。此外，我們還希望探索一個(gè)更深刻的問題：當(dāng)測(cè)試任務(wù)的數(shù)量與多樣性同步擴(kuò)增時(shí)，是否存在專門針對(duì)在測(cè)試環(huán)境下、針對(duì)任務(wù)數(shù)量的 Scaling Law？

為此，我們研發(fā)了大規(guī)模、標(biāo)準(zhǔn)化、可擴(kuò)展的交互驗(yàn)證環(huán)境 ——InternBootcamp?。

作為首個(gè)覆蓋 8 大任務(wù)類別、超 1000 種多樣化環(huán)境的平臺(tái)，InternBootcamp 支持在指定環(huán)境中開展大規(guī)模強(qiáng)化學(xué)習(xí)訓(xùn)練。其獨(dú)特的 “任務(wù)與驗(yàn)證函數(shù)自動(dòng)生成” 能力，使得用戶能夠便捷地將電路設(shè)計(jì)等專業(yè)領(lǐng)域任務(wù)轉(zhuǎn)化為可驗(yàn)證環(huán)境，通過仿真手段完成結(jié)果核驗(yàn)。

InternBootcamp 覆蓋 8 大任務(wù)類別、超 1000 種多樣化任務(wù)環(huán)境

基于 InternBootcamp 的實(shí)驗(yàn)揭示了兩個(gè)重要現(xiàn)象：

• 能力的 “涌現(xiàn)”：在 BootcampEVAL 評(píng)測(cè)集中，Qwen2.5-32B 模型的平均性能實(shí)現(xiàn)了翻倍式增長(zhǎng)（從 24.4 提升至 59.5）。更為關(guān)鍵的是，部分在單任務(wù)訓(xùn)練下無法解決的邏輯任務(wù)，在經(jīng)過 500 余項(xiàng)混合任務(wù)訓(xùn)練后變得可解。這證實(shí)了任務(wù)間的隱性關(guān)聯(lián)能夠有效增強(qiáng)模型的綜合理解能力。
• 任務(wù)擴(kuò)展定律：實(shí)驗(yàn)數(shù)據(jù)顯示，當(dāng)任務(wù)類型數(shù)量從 8 種擴(kuò)展至 512 種時(shí)，模型性能呈現(xiàn)持續(xù)上升趨勢(shì)。這一結(jié)果證實(shí)了與任務(wù)數(shù)量增長(zhǎng)相關(guān)的規(guī)模化定律真實(shí)存在，為未來大規(guī)模訓(xùn)練提供了理論依據(jù)。

落地維度：SimpleVLA-RL 與具身智能演進(jìn)

進(jìn)化的終局，是回歸物理世界。當(dāng)前具身智能面臨的核心瓶頸是數(shù)據(jù)匱乏：機(jī)器人演示數(shù)據(jù)獲取成本極高，且單純擴(kuò)大監(jiān)督微調(diào)（SFT）規(guī)模面臨邊際效益遞減。我們認(rèn)為，強(qiáng)化學(xué)習(xí)（RL）憑借其突破演示數(shù)據(jù)局限的探索能力，結(jié)合簡(jiǎn)單的二元獎(jiǎng)勵(lì)（成功 / 失�。阋猿蔀榻鉀Q這一問題的鑰匙。

基于此，我們提出了極端數(shù)據(jù)稀缺情況下的在線強(qiáng)化學(xué)習(xí)框架 ——SimpleVLA-RL?。該框架基于視覺 - 語言 - 動(dòng)作（VLA）模型，結(jié)合 GRPO 優(yōu)化目標(biāo)，并通過并行多環(huán)境渲染技術(shù)支持交互式軌跡采樣。

極端數(shù)據(jù)稀缺情況下的在線強(qiáng)化學(xué)習(xí)框架 SimpleVLA-RL

實(shí)驗(yàn)結(jié)果顛覆了對(duì)數(shù)據(jù)效率的傳統(tǒng)認(rèn)知：

• 超高數(shù)據(jù)效率：僅需 “單軌跡” 監(jiān)督微調(diào)結(jié)合 RL，即可實(shí)現(xiàn) 96.9% 的成功率，性能反而超越了全軌跡監(jiān)督微調(diào)；
• 策略涌現(xiàn)：機(jī)器人通過 RL 自主探索出了從未被演示過的全新推控策略，展現(xiàn)出強(qiáng)大的適應(yīng)性；
• Sim-to-Real 突破：在疊碗等典型操作任務(wù)中，仿真到現(xiàn)實(shí)的遷移成功率提升了 21%；
• 長(zhǎng)時(shí)程任務(wù)能力：在近期落地中，該方案在長(zhǎng)時(shí)程靈巧操作任務(wù)上，實(shí)現(xiàn)了相對(duì)性能提升 300%，并展現(xiàn)出令人驚喜的自主恢復(fù)能力。

得益于 SimpleVLA-RL，我們僅用極少的數(shù)據(jù)與計(jì)算資源，便取得了可與 Physical Intelligence 團(tuán)隊(duì) π*0.6 模型比肩的性能表現(xiàn)。這一成果標(biāo)志著 SAGE 架構(gòu)徹底打通了負(fù)責(zé)推理決策的 “大腦” 與負(fù)責(zé)執(zhí)行動(dòng)作的 “軀體”，真正實(shí)現(xiàn)了智能體在物理世界中的 “具身化” 演進(jìn)。

經(jīng)過近兩年的扎實(shí)探索，SAGE 架構(gòu)已跨越理論構(gòu)想階段，完成了全棧驗(yàn)證。在基礎(chǔ)層，MemoryDecoder 實(shí)現(xiàn)了記憶與計(jì)算的結(jié)構(gòu)性解耦；在融合層，PRIME 與 FlowRL 攻克了監(jiān)督稀缺與推理單一性的難題；在進(jìn)化層，TTRL、InternBootcamp 與 SimpleVLA-RL 構(gòu)建了從測(cè)試時(shí)強(qiáng)化到 “具身化” 演進(jìn)的閉環(huán)。

范式革命：從 AI4S 到 AGI4S

盡管以 AlphaFold 為代表的 AI for Science（AI4S）技術(shù)在蛋白質(zhì)折疊、氣象預(yù)測(cè)等特定領(lǐng)域取得了里程碑式成就，但近期《Nature》發(fā)表的研究指出，過度依賴現(xiàn)有深度學(xué)習(xí)模型可能局限新知識(shí)的探索邊界，甚至在某種程度上阻礙創(chuàng)新。這印證了我們的核心觀點(diǎn)：擅長(zhǎng)處理數(shù)據(jù)充足、定義明確任務(wù)的傳統(tǒng)深度學(xué)習(xí)，若僅作為工具存在，難以應(yīng)對(duì)科學(xué)發(fā)現(xiàn)中 “未知的未知”。

系統(tǒng)性的評(píng)估進(jìn)一步揭示了當(dāng)前前沿模型的短板。我們聯(lián)合來自 10 個(gè)不同科學(xué)領(lǐng)域的 100 位科學(xué)家設(shè)計(jì)了評(píng)估體系，結(jié)果顯示：前沿模型在通用科學(xué)推理任務(wù)中得分可達(dá) 50 分（滿分 100），但在各類專業(yè)推理任務(wù)（如專項(xiàng)文獻(xiàn)檢索、具體實(shí)驗(yàn)方案設(shè)計(jì)）中，得分驟降至 15-30 分。

這種明顯的 “木桶效應(yīng)” 表明，科學(xué)發(fā)現(xiàn)全周期的效能正受制于專業(yè)推理能力的最薄弱環(huán)節(jié)。因此，整合通用推理與專業(yè)能力，進(jìn)而推動(dòng)科學(xué)智能從 AI4S 向 AGI4S 迭代成為必然選擇。

研究表明，當(dāng)前所有前沿模型的科學(xué)能力均顯不足

從 AI4S 邁向 AGI4S，這一升級(jí)旨在推動(dòng)研究者、研究工具與研究對(duì)象的協(xié)同演進(jìn)。通過 AGI 促進(jìn)三者相互作用、協(xié)同演進(jìn)、螺旋式上升，將創(chuàng)造出真正“革命的工具”，推動(dòng)科研范式變革?。

從 AI4S 1.0 到 AI4S 2.0（AGI4S）

Intern-S1：面向科學(xué)的可深度專業(yè)化通用模型

為打破上述瓶頸，我們研發(fā)了 “書生” 科學(xué)多模態(tài)大模型（Intern-S1）?。作為 SAGE 架構(gòu)在科學(xué)領(lǐng)域的集中體現(xiàn)，Intern-S1 旨在構(gòu)建一個(gè)既具備強(qiáng)大通用能力，又能理解復(fù)雜科學(xué)數(shù)據(jù)的 “可深度專業(yè)化通才”。其在三個(gè)層面進(jìn)行了深度創(chuàng)新：

• 基礎(chǔ)層（數(shù)據(jù)適配）：針對(duì)科學(xué)數(shù)據(jù)的多模態(tài)異構(gòu)性，提出了科學(xué)專用架構(gòu)。采用動(dòng)態(tài)分詞器與專用編碼器，原生支持 DNA 序列、蛋白質(zhì)結(jié)構(gòu)、時(shí)間序列等 10 余種模態(tài)。相較于 GPT-OSS 等通用模型，其在科學(xué)數(shù)據(jù)上的壓縮率提升了 1.7 倍，并基于 2.5 萬億高質(zhì)量科學(xué) Token 進(jìn)行了預(yù)訓(xùn)練。
• 融合層（混合獎(jiǎng)勵(lì)）：構(gòu)建了混合獎(jiǎng)勵(lì)框架（MoR），將多種強(qiáng)化學(xué)習(xí)算法與熵機(jī)制整合。該框架平衡了計(jì)算、推理、實(shí)驗(yàn)設(shè)計(jì)等不同技能所需的獎(jiǎng)勵(lì)信號(hào)，有效緩解了特定任務(wù)過擬合問題，增強(qiáng)了模型在跨領(lǐng)域復(fù)雜推理中的泛化能力。
• 進(jìn)化層（交互專精）：依托 InternBootCamp 框架，模型在超 1000 項(xiàng)專業(yè)任務(wù)（如逆合成分析）中與模擬器進(jìn)行交互學(xué)習(xí)，實(shí)現(xiàn)了大規(guī)模的任務(wù)專精。

測(cè)評(píng)結(jié)果顯示，Intern-S1 在通用能力上對(duì)齊 SOTA 開源模型，而在涵蓋化學(xué)、生物、材料等 9 大領(lǐng)域的科學(xué)性能上，全面超越了包括 GPT-5 和 Grok-4 在內(nèi)的頂尖閉源模型。

Intern-Discovery：全流程科學(xué)智能體系統(tǒng)

如果說 Intern-S1 是科學(xué)大腦，那么 Intern-Discovery 則是具備行動(dòng)力的科學(xué)智能體。該平臺(tái)構(gòu)建了一個(gè)將 Intern-S1 與海量數(shù)據(jù)、2000 + 專業(yè)工具及濕實(shí)驗(yàn)室驗(yàn)證環(huán)境深度融合的智能體系統(tǒng)，實(shí)現(xiàn)了從假設(shè)生成到實(shí)驗(yàn)驗(yàn)證的閉環(huán)。

Intern-Discovery 的核心邏輯在于建立 “智能體生成” 與 “智能體驗(yàn)證” 的雙向循環(huán)：前者主動(dòng)洞察現(xiàn)象、提出假設(shè)并設(shè)計(jì)實(shí)驗(yàn)；后者通過仿真與物理實(shí)驗(yàn)驗(yàn)證假設(shè)，并將反饋回傳以修正認(rèn)知。

為支撐這一復(fù)雜流程，系統(tǒng)引入了兩大關(guān)鍵支柱：

• 科學(xué)智能上下文協(xié)議（SCP）?：針對(duì)現(xiàn)有 MCP 協(xié)議在科學(xué)資源整合上的不足，SCP 定義了領(lǐng)域特定的結(jié)構(gòu)與協(xié)調(diào)機(jī)制，實(shí)現(xiàn)了對(duì)數(shù)據(jù)集、濕實(shí)驗(yàn)室設(shè)備及復(fù)雜工作流的標(biāo)準(zhǔn)化調(diào)度與全生命周期管理。
• 分層記憶模塊：通過策略程序記憶（SPM）、任務(wù)情景記憶（TEM）與語義知識(shí)記憶（SKM）的協(xié)同，系統(tǒng)能夠沉淀高階研究模式、記錄實(shí)驗(yàn)細(xì)節(jié)并整合長(zhǎng)期知識(shí)，從而在持續(xù)迭代中避免邏輯幻覺。

案例實(shí)證：重塑科學(xué)發(fā)現(xiàn)流程

Intern-Discovery 已在氣候科學(xué)與生物醫(yī)學(xué)領(lǐng)域展現(xiàn)出 “革命性工具” 的潛力。

在氣候科學(xué)領(lǐng)域，面對(duì)降水預(yù)測(cè)中極端復(fù)雜的非線性交互，Intern-Discovery 自主調(diào)用 30 余種工具，分析了 20 年的多模態(tài)數(shù)據(jù)。它寫了 4000 多行專業(yè)代碼，成功發(fā)現(xiàn)了被人類專家忽略的水汽與動(dòng)力項(xiàng)關(guān)聯(lián)，并推導(dǎo)出一個(gè)簡(jiǎn)潔的新型顯式非線性方程。該方程不僅形式優(yōu)雅簡(jiǎn)潔，且顯著提升了模擬精度，有效修正了長(zhǎng)期存在的系統(tǒng)性偏差，證明了智能體在理論構(gòu)建層面的創(chuàng)造力?。

Intern-Discovery 在氣候科學(xué)的應(yīng)用案例

在生物醫(yī)學(xué)領(lǐng)域，虛擬疾病生物學(xué)家 “元生” 通過模仿人類科學(xué)家的思維模板，整合遺傳學(xué)、蛋白質(zhì)組學(xué)及臨床文獻(xiàn)等多源數(shù)據(jù)。即便在數(shù)據(jù)稀疏條件下，它仍成功發(fā)現(xiàn)并驗(yàn)證了具有高臨床潛力的隱藏靶點(diǎn)，展示了從數(shù)據(jù)到機(jī)制、從假說到驗(yàn)證的全流程智能化能力。

Intern-Discovery 在生物醫(yī)學(xué)的應(yīng)用案例

從 Intern-S1 的底層推理突破到 Intern-Discovery 的系統(tǒng)級(jí)應(yīng)用，我們正逐步構(gòu)建起一套覆蓋科學(xué)發(fā)現(xiàn)全周期的 AGI4S 基礎(chǔ)設(shè)施。這不僅是工具的革新，更是科研范式的重塑 —— 讓人工智能真正成為推動(dòng)科學(xué)邊界拓展的合作伙伴。

行動(dòng)召喚：共拓新世界藍(lán)圖

綜上所述，我們正處在實(shí)現(xiàn) AGI 的前夕，若AGI = 通專融合（Specialized Generalist），則可深度專業(yè)化的通用模型（Specializable Generalist）是實(shí)現(xiàn) AGI 的可行路徑，而“智者”SAGE 的三層技術(shù)框架正是驅(qū)動(dòng)后者發(fā)展的核心架構(gòu)。

下一個(gè)前沿陣地是科學(xué)發(fā)現(xiàn) —— 它既是推理智能的終極試煉場(chǎng)，也是 “通專融合” 的驗(yàn)證舞臺(tái)，大規(guī)模推理將賦能科學(xué)發(fā)現(xiàn)，科學(xué)發(fā)現(xiàn)亦將反哺推理能力的進(jìn)化。

Intern-S1 與 Intern-Discovery 是邁向該方向的首步實(shí)踐，但這一切僅僅是初始的雛形。如果將“智者”SAGE 架構(gòu)比作一張新世界的地圖，我們目前已建立了很好的初步驗(yàn)證與很多尖兵前哨站，但這張地圖上仍存在廣闊的 “空白區(qū)域”。

架構(gòu)已經(jīng)就緒，但畫卷仍存在大片留白。如果這些初步進(jìn)展激起了你的興趣，我邀請(qǐng)你深入閱讀我們的論文與代碼 —— 它們都是開源的。但更重要的是，我邀請(qǐng)志同道合者與我們一同填補(bǔ)這些空白，共同構(gòu)建完整的藍(lán)圖。

謝謝！

本次報(bào)告核心要點(diǎn)總結(jié)

參考文獻(xiàn)

① Shanghai Artificial Intelligence Laboratory. Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows [J]. arXiv preprint arXiv:2512.16969v1, 2025.

② Vaswani A, et al. Attention is all you need [C]// Advances in neural information processing systems, 2017, 30.

③ Zhang K, Qi B, Zhou B. Towards building specialized generalist ai with system 1 and system 2 fusion [J]. arXiv preprint arXiv:2407.08642, 2024.

④ Qi B, Zhang K, Tian K, ..., Zhou B. Large language models as biomedical hypothesis generators: a comprehensive evaluation [C]. COLM, 2024.

⑤ Zhou B. Building AGI through Specialized Generalist AI: pathways and key issues [J]. Communications of CCF, 2025, 21 (1): 54-62.

⑥ Cao J, Wang J, Wei R, ..., Zhou B, Lin Z. Memory Decoder: A Pretrained, Plug-and-Play Memory for Large Language Models [J]. arXiv preprint arXiv:2508.09874, 2025.

⑦ Zhang K, Zuo Y, He B, ..., Zhou B. A survey of reinforcement learning for large reasoning models [J]. arXiv preprint arXiv:2509.08827, 2025.

⑧ Cui G, Yuan L, Wang Z, ..., Zhou B, Ding N. Process Reinforcement through Implicit Rewards [J]. arXiv preprint arXiv:2502.01456, 2025.

⑨ Cui G, Zhang Y, Chen J, ..., Zhou B, Ding N. The Entropy Mechanism of Reinforcement Learning for Reasoning Language Models [J]. arXiv preprint arXiv:2505.22617, 2025.

⑩ Zhu X, Cheng D, Zhang D, ..., Zhou B, Mei H, Lin Z. FlowRL: Matching reward distributions for LLM reasoning [J]. arXiv preprint arXiv:2509.15207, 2025.

? Zuo Y, Zhang K, Sheng L, ..., Ding N, Zhou B. TTRL: Test-Time Reinforcement Learning [C]// NeurIPS, 2025.

? Li P, Ye J, Chen Y, ..., Zhou B, Chen K. InternBootcamp Technical Report: Boosting LLM Reasoning with Verifiable Task Scaling [J]. arXiv preprint arXiv:2508.08636, 2025.

? Li H, Zuo Y, Yu J, ..., Zhou B, Ding N. SimpleVLA-RL: Scaling VLA Training via Reinforcement Learning [J]. arXiv preprint arXiv:2509.09674, 2025.

? Zhou B, Ding N, Bai L, Zhou H. Advancing AI for science: From the revolution of tools to the tools for revolution [J]. AI Open, 2025, 6: 323-328.

? Shanghai AI Laboratory. INTERN-S1: A SCIENTIFICMULTIMODAL FOUNDATION MODEL [J]. arXiv preprint arXiv:2508.15763, 2025.

? Jiang Y, Lou W, Wang L, ..., Zhou B. SCP: Accelerating Discovery with a Global Web of Autonomous Scientific Agents [J]. arXiv preprint arXiv:2512.24189, 2025.

? Guo Z, Wang J, Ling F, ..., Zhou B, Bai L. A Self-Evolving AI Agent System for Climate Science [J]. arXiv preprint arXiv:2507.17311v3, 2025.