Intern-S2（Intern-S2-397B）是上海AI实验室面向科学智能与长程智能体任务的多模态基础模型，它的**时序推理（Time Series Reasoning）**能力可以直接"读懂"地震波形、电力负载曲线等原始信号文件——既能在地震信号中定位 P波 与 S波 的起始时间点，也能基于历史负载与气象数据预测未来 48 个时间点的电力消耗。下面带你从零上手这两个最直观的演示。

时序推理是什么？为什么有用

传统做法是：先写代码把信号画图 → 再让大模型看图"猜"结果，中间有信息损耗，也不方便程序化集成。

Intern-S2 把时序数据作为一种独立的模态直接输入模型：

• 支持.npy、.csv、.wav、.mp3、.flac等数据格式；
• 通过time_series_url消息类型传入，数据可以是 base64 字符串、本地file://路径或 HTTP URL；
• 配合sampling_rate（采样率）参数，模型能理解信号的"时间刻度"。

在对话模板层面，时序数据会被编码为专门的占位符（见 chat_template.jinja 中的<|ts|><TS_CONTEXT><|/ts|>），模型在预训练阶段就已经学会了对这类"科学信号"做推理，而不是把它当作普通图片。

准备工作：用 LMDeploy 一键部署

时序推理目前仅支持 LMDeploy推理框架，部署步骤可参考仓库的 README.md「Quick Start / Serving」章节。模型文件较大（397B MoE 架构，共 60 层、每层最多 512 个专家，架构定义见 config.json），请确保 GPU 显存与网络环境充足：

git clone https://gitcode.com/InternLM/Intern-S2

部署完成后，官方推荐的通用采样参数为：top_p = 0.95、top_k = 50、temperature = 0.8；而做时序推理时建议把temperature设为 0（确定性输出），并关闭思考模式（enable_thinking=False），以获得稳定、可直接解析的结果。

演示一：在地震信号中检测 P波 / S波 起始时间

业务场景：地震台站收到一段波形数据，需要快速判断"是否发生了地震？P波、S波分别从哪个时间点开始？"

数据准备：一个地震波形文件，例如0092638_seism.npy（.npy格式的原始信号）。

核心流程只需三步：

1. 用 LMDeploy 提供的encode_time_series_base64把信号文件编码为 base64 字符串；
2. 在消息中以time_series_url类型传入数据，同时附上sampling_rate；
3. 用一句自然语言提示词提问即可：

"Please determine whether an Earthquake event has occurred in the provided time-series data. If so, please specify the starting time point indices of the P-wave and S-wave in the event."

简化后的调用示意（完整可运行版本见 README.md「Time Series Demo」小节）：

from openai import OpenAI from lmdeploy.vl.utils import encode_time_series_base64 client = OpenAI(api_key="EMPTY", base_url="http://0.0.0.0:8000/v1") base64_ts = encode_time_series_base64("./0092638_seism.npy") messages = [{ "role": "user", "content": [ {"type": "time_series_url", "time_series_url": {"url": f"data:time_series/npy;base64,{base64_ts}", "sampling_rate": 100}}, {"type": "text", "text": "Please determine whether an Earthquake event has occurred ..."} ] }] response = client.chat.completions.create( model="internlm/Intern-S2-397B", messages=messages, temperature=0, max_tokens=200, extra_body={"chat_template_kwargs": {"enable_thinking": False}}, ) print(response.choices[0].message)

模型会直接给出判断结论 + P波 / S波 的起始时间点索引，无需自己写检测算法。同样的方式也支持把数据放在 HTTP 地址上（send_http_url）或本地file://路径（send_file_url）——三种传法代码中都给出了示例，消息里时序数据和文本的先后顺序是任意的。

演示二：预测未来 48 个时间点的电力负载

业务场景：电力调度需要基于过去 24 小时的历史负载（半小时一个点）和气象信息（最低/最高气温、湿度、气压），预测未来 48 个时间点（即未来 24 小时，半小时粒度）的用电负荷。

这个演示展示了时序推理中最强大的部分——定量预测：

• 数据文件如load_20210803_0.npy，包含区域半小时粒度的历史电量和对应天气序列；
• 请求中开启enable_forecasting: True，并设置forecast_horizon（预测长度，设为具体整数则精确输出该长度，设为None则由模型根据提示词自行推断）；
• 模型返回的不是文字描述，而是结构化的ts_forecast字段，包含：
  • point_forecast：点预测值（每个时间点的预测负载）；
  • quantile_forecast：分位数预测（给出预测的置信区间）。

response = client.chat.completions.create( model="internlm/Intern-S2-397B", messages=messages, # 文本描述 + time_series_url 数据 temperature=0, max_tokens=16, extra_body={ "chat_template_kwargs": {"enable_thinking": False}, "enable_forecasting": True, "forecast_horizon": None, # 或指定为 48 }, ) forecast = response.choices[0].message.ts_forecast print("Point forecast:", forecast.point_forecast) print("Quantile forecast:", forecast.quantile_forecast)

点预测 + 分位数预测的组合，让它不仅能"报一个数"，还能告诉你"这个数有多可信"，可以直接对接调度系统做决策参考。

关键参数与注意事项速查

延伸阅读：项目关键文件

• README.md：完整 Quick Start、时序推理演示（Time Series Demo）、工具调用与 Agent 集成说明；
• config.json：模型架构配置（MoE 专家数、注意力层分布等）；
• generation_config.json：默认采样参数（top_p、top_k、temperature等）；
• chat_template.jinja：对话模板，可见时序占位符与思考模式开关逻辑；
• preprocessor_config.json：视觉处理器配置；
• tokenizer_SMILES.model、tokenizer_PROT.model、tokenizer_XNA.model：面向化学（SMILES）、蛋白质（PROT）、核酸（XNA）的科学模态分词器——这也是 Intern-S2 在 20+ 个科学领域强化训练的"实力证明"，时序推理只是其中一员。

小结

Intern-S2 的时序推理把"看波形 → 做判断 → 给预测"压缩成了一次 API 调用：地震场景下定位 P波/S波 到达时间，电力场景下输出带置信区间的 48 点负载预测。对于科研和工业信号分析场景，这是一个从"辅助看图"升级到"直接读数据"的实用能力，值得动手试一下。