上海人工智能实验室联合多家高校院所推出书生 - S2.1 Flash 科学多模态大模型并开源,该模型在 MLE-Bench Lite 机器学习工程基准拿到 90.3 分登顶,超过 DeepSeek-V4.1-Flash、Claude Opus 5 等对比模型,它主打 AI4AI 闭环能力,能独立完成数据清洗、特征工程、模型训练、调参、验证整套机器学习工程任务,不再只是回答问题或者写零散代码,还能依托实验反馈持续迭代方案,向着自主进化的 AI 科学家方向走,除了机器学习工程,在复杂文档处理、电子表格任务、专业法律文档任务上同样拿到领先成绩,覆盖 33 项通用智能体评测基准,适合科研团队、算法工程师用来自动做实验、复现论文、快速验证模型思路,降低机器学习实验的人力成本。
一、书生 - S2.1 Flash 核心评测成绩
| 评测基准 | 得分 | 对比说明 |
|---|---|---|
| MLE-Bench Lite(机器学习工程基准) | 90.3 | 榜单第一,高于第二名 89.2 分 |
| 复杂办公文档处理 | 72.2 | 优于同批次对比模型 |
| 电子表格任务 | 37.1 | 优于同批次对比模型 |
| Harvey LAB 法律文档任务 | 领先 | 超过 DeepSeek-V4.1-Flash、Claude Opus 5 |
二、MLE-Bench Lite 到底测什么
MLE-Bench Lite 里面全部是来自 Kaggle 的真实机器学习工程难题,不是纯理论问答题,覆盖脏数据清洗、缺失值处理、异常检测、特征构造、模型选择、超参调优、结果评估、代码复现全流程,用来检验 AI 能不能像算法工程师一样,独立跑完一套完整机器学习实验,是现在 AI 工程智能体公认的硬核测试集。
三、书生 - S2.1 Flash 自主科研工作流程
- 接收科研目标或者数据集,自动读取数据、探查数据分布,识别缺失、异常数据
- 自主设计特征方案,挑选合适模型,设置训练、验证、测试划分
- 编写训练代码,执行训练、调参,记录实验日志
- 评估模型效果,分析误差来源,判断是否需要换模型、调整特征
- 根据实验结果迭代方案,形成反馈闭环,也就是自主进化的核心逻辑
- 输出完整实验报告、可复现代码,方便科研人员核验
四、书生 - S2.1 Flash 能力清单
- 机器学习工程全流程自动化:数据处理、建模、调参、评估、实验复盘
- 长程科学推理:适配数理、跨学科科研假设提出与验证
- 多模态科研文档解析:读论文、读实验图表、理解公式、复现实验
- 通用办公智能体:复杂文档、表格、专业文书处理
- AI4AI 自迭代:实验结果回流,自主优化下一轮实验方案
五、研发主体与定位说明
书生 - S2.1 Flash 由上海人工智能实验室牵头,联合复旦大学、中科院软件所、人大、中科院自动化所、华东师大、哈工大、北大等多家机构联合研发,定位是科学智能体底座,目标打通 AI 辅助科研、AI 辅助模型研发的闭环,不是单纯的聊天大模型,重点服务科研、算法开发场景,模型已经对外开源。
【常见问题】
问题 1:书生 - S2.1 Flash 登顶的机器学习工程基准是什么,分数多少?
回答 1:书生 - S2.1 Flash 登顶 MLE-Bench Lite 机器学习工程基准,拿到 90.3 分,这套基准使用 Kaggle 真实工程难题,用来检验 AI 独立完成机器学习全流程实验的能力。
问题 2:书生 - S2.1 Flash 为什么被叫做自主进化的 AI 科学家?
回答 2:书生 - S2.1 Flash 可以独立跑完数据处理、建模、调参、评估整套机器学习实验,还能根据实验反馈自主调整方案、迭代实验思路,形成科研闭环,因此被定义为自主进化的 AI 科学家。
问题 3:书生 - S2.1 Flash 除了机器学习工程基准,还有哪些优势评测表现?
回答 3:书生 - S2.1 Flash 在复杂办公文档处理、电子表格任务、Harvey LAB 专业法律文档任务上同样领先,多项指标超过 DeepSeek-V4.1-Flash、Claude Opus 5,33 项通用智能体基准里面拿下 4 项第一。
【参考资料】
[2026-11-16](让 AI 成为自主进化的科学家!书生 - S2.1 Flash 登顶机器学习工程基准)新浪财经
[2026-11-16](书生 - S2.1 Flash 开源,MLE-Bench Lite 取得 90.3 分)机器之心
[2026-11-16](上海 AI 实验室书生 S2.1 Flash 发布,AI4AI 科研闭环落地)澎湃新闻
[2026-10-15](书生大模型助力团队攻克三维 Ghys 猜想)上海人工智能实验室官网
【免责声明】
本文仅整理书生 - S2.1 Flash 公开发布、评测信息,不构成算法项目选型、科研工具采购建议;模型在 MLE-Bench Lite 的成绩为基准测试结果,真实科研任务、复杂数据集场景效果存在波动,开源协议、部署文档以上海人工智能实验室官方仓库为准。
