近年来，大量开源基础模型相继涌现，在多个广受关注的领域取得了显著进展，其性能已接近闭源模型。然而，在高价值但更具挑战性的科学专业领域，现有模型仍主要依赖专家模型，或通用基础模型的进展远落后于热门领域，难以有效推动科学研究的变革，导致开源模型与闭源模型在这些科学领域之间仍存在显著差距。为缩小这一差距，并进一步探索通往通用人工智能（AGI）的路径，我们提出Intern-S1——一种具备通用理解与推理能力、并专精于多模态科学数据解析的专用通用模型。Intern-S1是一种多模态专家混合（Mixture-of-Experts, MoE）模型，激活参数达280亿，总参数量为2410亿，基于总计5万亿个token持续预训练，其中来自科学领域的数据超过2.5万亿token。在后续训练阶段，Intern-S1在“InternBootCamp”环境中先后经历离线与在线强化学习（Reinforcement Learning, RL）训练。为此，我们提出“奖励混合机制”（Mixture-of-Rewards, MoR），实现对1000多个任务的并行协同强化学习训练。通过算法、数据与训练系统方面的集成创新，Intern-S1在在线强化学习训练中实现了顶尖性能。在综合评估基准测试中，Intern-S1在通用推理任务上展现出与开源模型相当的竞争力，且在科学领域显著超越现有开源模型，在专业任务中甚至超越了闭源的最先进模型，例如在分子合成路径规划、反应条件预测、晶体热力学稳定性预测等任务中表现优异。相关模型已开源，可通过以下链接获取：https://huggingface.co/internlm/Intern-S1。