人工智能大模型基础模型多模态预训练强化学习【免费下载链接】Intern-S2-397B项目地址https://ai.gitcode.com/InternLM/Intern-S2-397B点击查看免费下载本篇指南以开源模型仓库 InternLM/Intern-S2-397B 的官方 README 为核心系统讲解该 397B 级多模态基础模型在科学智能与长程 Agent 场景下的完整使用链路包括推荐的采样超参数、基于 LMDeploy / vLLM / SGLang 的服务化部署、OpenAI 兼容 API 的工具调用Tool Calling、思考/非思考模式切换、时间序列推理与预测以及将模型接入自托管或官方 API 的 Agent 框架。读完本文你将能独立完成 Intern-S2-397B 的部署配置、客户端调用和 Agent 集成并理解其对话模板与底层分词实现的关键细节。模型定位与核心特性Intern-S2-397B 是面向**科学智能Scientific Intelligence与长程 AgentLong-Horizon Agents**的多模态基础模型其能力构建沿三条关键维度扩展预训练pre-training、强化学习任务覆盖reinforcement-learning task coverage与交互式 Agent 环境interactive agent environments。官方 README 将其核心特性概括为三点新的预训练范式New Pre-training Paradigm通过视觉预训练visual pretraining模型直接从科学文献的原始页面学习在共享表示空间中联合建模符号语义symbolic semantics与视觉关系visual relationships无需中间的解析步骤。该范式保留文本-视觉对应关系强化空间与视觉推理能力并提升数据效率。科学模态推理与生成Scientific Modality Reasoning and Generation通过在超过 20 个科学领域的强化学习任务上联合训练模型在通用推理与专项科学任务如生物分子相互作用设计、材料结构生成上均取得较强表现。通用与科学长程 AgentGeneral Scientific Long-Horizon Agents将多个 Agent 框架接入大规模沙箱环境进行黑盒 Agent 强化学习提升泛化能力并抬升长程任务的能力上限。从仓库的 config.json 可以看出该模型的底层实现骨架架构类型为Qwen3_5MoeForConditionalGeneration文本部分采用 60 层混合注意力结构layer_types中每 4 层出现一个full_attention其余为linear_attention包含 512 个专家num_experts、每 token 激活 10 个专家num_experts_per_tok隐藏维度 4096并配置了mtp_num_hidden_layers: 1的 MTP 投机解码模块视觉编码器为 27 层depthpatch size 16、时间 patch size 2temporal_patch_size输出隐层 4096 与文本侧对齐。权重索引 model.safetensors.index.json 显示模型权重总大小约 807 GBBF16分片为 188 个 safetensors 文件并包含独立的mtp.*权重与 MTP 加速推理相对应。评测方法与基准官方使用 OpenCompass。关于该图的图例说明原文档原意下划线Underline表示开源模型中最佳表现加粗Bold表示所有模型中的最佳表现。评测时的推理长度约束如下复现评测时务必注意文本推理基准最大推理长度 256K tokens多模态基准最大推理长度 64K tokens。需要说明的是基准数字与具体榜单内容以官方发布为准本文不再展开逐项数值上述评测工具与长度配置已在 README.md 中明确说明可作为复现时的基础约束。快速开始采样参数与服务化部署推荐的采样参数官方建议使用以下超参数以获得更好的生成结果top_p 0.95 top_k 50 min_p 0.0 temperature 0.8需要留意的是仓库自带的 generation_config.json 中的默认值temperature: 0.6、top_k: 20、top_p: 0.95、do_sample: true是模型发布时的生成配置而 README 推荐的这组参数更适合作为在线服务请求中的显式采样参数下文所有示例均显式传入temperature0.8、top_p0.95。若追求确定性输出如时序分析示例中采用temperature0则按具体任务覆盖即可。支持的服务框架Intern-S2-397B 可选用以下任一 LLM 推理框架部署LMDeploy推荐功能支持最完整含时间序列推理vLLMSGLang各框架的详细部署示例基础服务、MTP 投机解码、长上下文 YaRN 配置见仓库中的 部署指南本文后面的部署配置速览一节会提炼其要点。部署后的服务同时暴露 OpenAI 兼容接口/v1/chat/completions与 Anthropic 兼容接口/v1/messages前者用于普通客户端与多数 Agent 框架后者用于 Claude Code 等工具。高级用法Tool Calling工具调用Tool Calling 让模型通过调用外部工具与 API 扩展能力。下面给出官方完整示例基于 LMDeploy api server 提供的 OpenAI 兼容 API让模型查询旧金山今明两天的天气。整个流程包含四个阶段定义工具函数 → 声明 tools 描述 → 发起首轮请求 → 执行工具并把结果回填后发起第二轮请求。from openai import OpenAI import json def get_current_temperature(location: str, unit: str celsius): Get current temperature at a location. Args: location: The location to get the temperature for, in the format City, State, Country. unit: The unit to return the temperature in. Defaults to celsius. (choices: [celsius, fahrenheit]) Returns: the temperature, the location, and the unit in a dict return { temperature: 26.1, location: location, unit: unit, } def get_temperature_date(location: str, date: str, unit: str celsius): Get temperature at a location and date. Args: location: The location to get the temperature for, in the format City, State, Country. date: The date to get the temperature for, in the format Year-Month-Day. unit: The unit to return the temperature in. Defaults to celsius. (choices: [celsius, fahrenheit]) Returns: the temperature, the location, the date and the unit in a dict return { temperature: 25.9, location: location, date: date, unit: unit, } def get_function_by_name(name): if name get_current_temperature: return get_current_temperature if name get_temperature_date: return get_temperature_date tools [{ type: function, function: { name: get_current_temperature, description: Get current temperature at a location., parameters: { type: object, properties: { location: { type: string, description: The location to get the temperature for, in the format \City, State, Country\. }, unit: { type: string, enum: [ celsius, fahrenheit ], description: The unit to return the temperature in. Defaults to \celsius\. } }, required: [ location ] } } }, { type: function, function: { name: get_temperature_date, description: Get temperature at a location and date., parameters: { type: object, properties: { location: { type: string, description: The location to get the temperature for, in the format \City, State, Country\. }, date: { type: string, description: The date to get the temperature for, in the format \Year-Month-Day\. }, unit: { type: string, enum: [ celsius, fahrenheit ], description: The unit to return the temperature in. Defaults to \celsius\. } }, required: [ location, date ] } } }] messages [ {role: user, content: Today is 2024-11-14, What\s the temperature in San Francisco now? How about tomorrow?} ] openai_api_key EMPTY openai_api_base http://0.0.0.0:23333/v1 client OpenAI( api_keyopenai_api_key, base_urlopenai_api_base, ) model_name internlm/Intern-S2-397B # Must match the model ID served by your deployment. response client.chat.completions.create( modelmodel_name, messagesmessages, max_tokens32768, temperature0.8, top_p0.95, extra_bodydict(spaces_between_special_tokensFalse), toolstools) print(response.choices[0].message) messages.append(response.choices[0].message) for tool_call in response.choices[0].message.tool_calls: tool_call_args json.loads(tool_call.function.arguments) tool_call_result get_function_by_name(tool_call.function.name)(**tool_call_args) tool_call_result json.dumps(tool_call_result, ensure_asciiFalse) messages.append({ role: tool, name: tool_call.function.name, content: tool_call_result, tool_call_id: tool_call.id }) response client.chat.completions.create( modelmodel_name, messagesmessages, temperature0.8, top_p0.95, extra_bodydict(spaces_between_special_tokensFalse), toolstools) print(response.choices[0].message)使用要点model_name必须与部署时指定的模型 IDinternlm/Intern-S2-397B完全一致extra_bodydict(spaces_between_special_tokensFalse)用于保证特殊 token 两侧不加多余空格确保工具调用格式被正确解析工具结果需以roletool回填并带上tool_call_id与首轮返回的 tool call 对应。从底层对话模板 chat_template.jinja 可以印证工具调用的协议格式当请求携带tools时模板会在 system 消息中注入# Tools与tools.../tools描述块并约束模型仅在需要调用函数时以固定 XML 格式回复不得附带任何后缀格式为嵌套在tool_call内的functionname与parameterkeyvalue/parameter工具执行结果则包装在tool_response.../tool_response中回填给模型从而驱动多轮工具调用。这也解释了为什么必须为服务端配置对应的工具调用解析器LMDeploy 下为--tool-call-parser interns2-preview见部署章节。高级用法思考Thinking与非思考模式切换Intern-S2-397B默认开启思考模式thinking mode即在生成正式回答前先输出think推理过程从而提升回答质量。思考模式可以通过在tokenizer.apply_chat_template中设置enable_thinkingFalse来关闭text tokenizer.apply_chat_template( messages, tokenizeFalse, add_generation_promptTrue, enable_thinkingFalse # think mode indicator )在线服务场景下可以通过请求中的chat_template_kwargs.enable_thinking参数动态控制from openai import OpenAI import json messages [ { role: user, content: who are you }, { role: assistant, content: I am an AI }, { role: user, content: AGI is? }] openai_api_key EMPTY openai_api_base http://0.0.0.0:23333/v1 client OpenAI( api_keyopenai_api_key, base_urlopenai_api_base, ) model_name internlm/Intern-S2-397B # Must match the model ID served by your deployment. response client.chat.completions.create( modelmodel_name, messagesmessages, temperature0.8, top_p0.95, max_tokens2048, extra_body{ chat_template_kwargs: {enable_thinking: False} } ) print(json.dumps(response.model_dump(), indent2, ensure_asciiFalse))官方同时给出明确建议不建议在 Agent 任务中关闭思考模式Note: We do not recommend disabling thinking mode for agentic tasks.因为思考过程有助于 Agent 在长程任务中保持规划与决策质量。结合 chat_template.jinja 的实现可以看到思考模式的机制模板在拼接add_generation_prompt时会写入|im_start|assistant\n并追加think\n引导模型进入思考而当enable_thinking is false或请求中已包含时间序列数据时则改为追加think\n\n/think\n\n的空思考块直接进入正式回复。此外模板会识别 assistant 消息中已有的think.../think内容并将其剥离为reasoning_content便于服务端按reasoning_content与content分离返回推理过程与最终答案。高级用法时间序列推理与预测Time Series Demo时间序列推理目前仅在 LMDeploy 框架中支持。先按照 部署指南 用 LMDeploy 部署 Intern-S2-397B再通过lmdeploy.vl.utils.encode_time_series_base64将时序文件编码为 base64 传入。下方示例从时间序列信号文件中检测地震事件Earthquake event并输出 P 波与 S 波的起始时间点索引。请注意在消息内容中time_series_url与文本提示词text prompt的出现顺序可以任意排列。from openai import OpenAI from lmdeploy.vl.utils import encode_time_series_base64 openai_api_key EMPTY openai_api_base http://0.0.0.0:8000/v1 client OpenAI( api_keyopenai_api_key, base_urlopenai_api_base, ) model_name internlm/Intern-S2-397B # Must match the model ID served by your deployment. def send_base64(file_path: str, sampling_rate: int 100): base64-encoded time-series data. # encode_time_series_base64 accepts local file paths and http urls, # encoding time-series data (.npy, .csv, .wav, .mp3, .flac, etc.) into base64 strings. base64_ts encode_time_series_base64(file_path) messages [ { role: user, content: [ { type: time_series_url, time_series_url: { url: fdata:time_series/npy;base64,{base64_ts}, sampling_rate: sampling_rate }, }, { type: text, text: 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. }, ], } ] return client.chat.completions.create( modelmodel_name, messagesmessages, temperature0, max_tokens200, extra_body{ chat_template_kwargs: {enable_thinking: False} } ) def send_http_url(url: str, sampling_rate: int 100): http(s) url pointing to the time-series data. messages [ { role: user, content: [ { type: time_series_url, time_series_url: { url: url, sampling_rate: sampling_rate }, }, { type: text, text: 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. }, ], } ] return client.chat.completions.create( modelmodel_name, messagesmessages, temperature0, max_tokens200, extra_body{ chat_template_kwargs: {enable_thinking: False} } ) def send_file_url(file_path: str, sampling_rate: int 100): file url pointing to the time-series data. messages [ { role: user, content: [ { type: time_series_url, time_series_url: { url: ffile://{file_path}, sampling_rate: sampling_rate }, }, { type: text, text: 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. }, ], } ] return client.chat.completions.create( modelmodel_name, messagesmessages, temperature0, max_tokens200, extra_body{ chat_template_kwargs: {enable_thinking: False} } ) response send_base64(./0092638_seism.npy) # response send_http_url(https://huggingface.co/internlm/Intern-S1-Pro/raw/main/0092638_seism.npy) # response send_file_url(./0092638_seism.npy) print(response.choices[0].message)三个入口函数分别演示了三种数据来源本地文件 base64 编码send_base64、HTTP(S) 直链send_http_url与file://本地路径send_file_url。其中encode_time_series_base64接受本地文件路径与 http url可编码.npy、.csv、.wav、.mp3、.flac等格式的时序数据。sampling_rate默认 100表示采样率信息。从 chat_template.jinja 可以看出时间序列在模板层的表达内容项中的time_series类型会被渲染为|ts|TS_CONTEXT|/ts|标记对对应 tokenizer_config.json 中 id 248091/248092/248093 的特殊 token同时模板会检测消息中是否含时间序列若包含则生成空思考块直接进入回答这与上述示例中显式传enable_thinking: False的目的是一致的——时序任务直接给出分析结果不进入冗长思考。时间序列预测Forecasting对于时间序列预测任务forecast_horizon是可选参数设置为整数时模型将输出恰好该长度的预测序列设置为None时模型根据文本提示词自行推断预测步长horizon。官方示例为电力负荷预测electric load forecasting输入历史每半小时的负荷数据与温度、湿度、气压等气象信息预测未来 24 小时48 个时间点的负荷def forecast_base64(file_path: str, forecast_horizon: int | None None): base64_ts encode_time_series_base64(file_path) messages [ { role: user, content: [ { type: text, text: ( Please complete a electric load forecasting task. This dataset is based on historical electricity load data every half hour within 24 hours of the region, as well as data on minimum temperature, maximum temperature, humidity, air pressure, etc., to predict future load consumption every half hour within 24 hours. Here is the weather information for city TAS: Historical date weather: minimum temperature of 279.71K, maximum temperature of 285.83K, humidity of 85.0%, air pressure of 1003.0hPa. Forecast date weather: minimum temperature 280.54K, maximum temperature 286.47K, humidity 74.0%, air pressure 1007.0hPa. This data has no relevant effect information. Please predict the next 48 time points given information above. ), }, { type: time_series_url, time_series_url: { url: fdata:time_series/npy;base64,{base64_ts}, }, }, ], } ] return client.chat.completions.create( modelmodel_name, messagesmessages, temperature0, max_tokens16, extra_body{ chat_template_kwargs: {enable_thinking: False}, enable_forecasting: True, forecast_horizon: forecast_horizon, }, ) response forecast_base64(./load_20210803_0.npy, forecast_horizonNone) forecast response.choices[0].message.ts_forecast print(Point forecast:, forecast.point_forecast) print(Quantile forecast:, forecast.quantile_forecast)预测模式下需要额外传入两个请求级参数enable_forecastingTrue开启预测输出与forecast_horizon预测步长。返回结果位于message.ts_forecast包含point_forecast点预测与quantile_forecast分位数预测两部分。注意预测任务中max_tokens只需 16因为模型输出的是紧凑的预测 token 流而非长文本。Agent 集成Agent IntegrationIntern-S2-397B 可以通过两种方式接入 Agent 框架连接自托管部署或调用官方 Intern API。两种方式均同时覆盖主流 Agent 框架OpenClaw、Hermes 等它们都接受 OpenAI 兼容端点与 Claude Code使用 Anthropic 兼容端点。方式一自托管部署以 LMDeploy 为例先用 LMDeploy 按 部署指南 部署模型假设服务运行在http://0.0.0.0:23333。连接 Agent 框架将 Agent 框架的 OpenAI 兼容端点指向 LMDeploy 服务的 base urlhttp://0.0.0.0:23333/v1。可用以下 curl 命令验证连通性curl http://0.0.0.0:23333/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer EMPTY \ -d { model: internlm/Intern-S2-397B, messages: [ {role: user, content: Hello} ], temperature: 0.8, top_p: 0.95 }也可以在 Agent 框架中通过环境变量完成配置export OPENAI_API_KEYEMPTY export OPENAI_BASE_URLhttp://0.0.0.0:23333/v1 export OPENAI_MODELinternlm/Intern-S2-397B关键前提启动 LMDeploy 时必须携带--tool-call-parser interns2-preview参数工具调用才能被正确解析否则 Agent 无法识别模型输出的tool_call结构。连接 Claude CodeLMDeploy 暴露了 Anthropic 兼容的/v1/messages端点Claude Code 可直接对接。将以下配置写入~/.claude/settings.json{ env: { ANTHROPIC_BASE_URL: http://127.0.0.1:23333, ANTHROPIC_AUTH_TOKEN: dummy, ANTHROPIC_MODEL: internlm/Intern-S2-397B, ANTHROPIC_CUSTOM_MODEL_OPTION: internlm/Intern-S2-397B } }方式二官方 Intern API若不想自托管可注册官方 Intern API 并创建 API token形如sk-xxxxxxxx。连接 Agent 框架官方服务是 OpenAI 兼容的任何 Agent 框架均可直接使用。在 CLI 或配置文件中设置 base url 为https://chat.intern-ai.org.cn/api/v1、模型名为intern-s2-397b。连通性验证curl https://chat.intern-ai.org.cn/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer sk-xxxxxxxx \ -d { model: intern-s2-397b, messages: [ {role: user, content: Hello} ], temperature: 0.8, top_p: 0.95 }连接 Claude Code将ANTHROPIC_BASE_URL指向 Intern 的 Anthropic 兼容网关即可{ env: { ANTHROPIC_BASE_URL: https://chat.intern-ai.org.cn, ANTHROPIC_AUTH_TOKEN: your-api-token, ANTHROPIC_MODEL: intern-s2-397b, ANTHROPIC_SMALL_FAST_MODEL: intern-s2-397b } }随后用以下命令启动 Claude Codeclaude --model intern-s2-397b注意两种方式下模型名不同自托管时为部署时指定的internlm/Intern-S2-397B官方 API 时为intern-s2-397b。部署配置速览摘自部署指南部署指南 给出了三种框架的完整启动命令官方建议在H100 x8 或 H200 x8节点上部署。这里提炼核心配置详细参数以原文档为准。LMDeploy≥ 0.14.0基础服务无 MTP启动lmdeploy serve proxy作为代理再启动api_server# proxy server lmdeploy serve proxy --server-name ${proxy_server_ip} --server-port ${proxy_server_port} # api_server lmdeploy serve api_server \ internlm/Intern-S2-FP8 \ --model-name internlm/Intern-S2-397B \ --trust-remote-code \ --backend pytorch \ --dp 4 \ --ep 8 \ --enable-prefix-caching \ --proxy-url http://${proxy_server_ip}:${proxy_server_port} \ --reasoning-parser default \ --tool-call-parser interns2-preview关键参数说明--dp 4数据并行度、--ep 8专家并行度与 MoE 架构 512 专家相适配、--reasoning-parser default解析think推理块、--tool-call-parser interns2-preview解析工具调用Agent 集成必需。MTP 投机解码加速推理在基础命令上追加--speculative-algorithm qwen3_5_mtp --speculative-num-draft-tokens 4 --max-batch-size 256。该能力与 config.json 中mtp_num_hidden_layers: 1及权重文件中的mtp.*权重对应。长上下文推理512k 示例同时配置--session-len 512000与 YaRN RoPE 参数通过--hf-overrides覆盖文本配置lmdeploy serve api_server \ internlm/Intern-S2-FP8 \ --model-name internlm/Intern-S2-397B \ --trust-remote-code \ --backend pytorch \ --dp 4 \ --ep 8 \ --enable-prefix-caching \ --reasoning-parser default \ --tool-call-parser interns2-preview \ --session-len 512000 \ --max-batch-size 64 \ --hf-overrides {text_config: {rope_parameters: {mrope_interleaved: true, mrope_section: [11, 11, 10], rope_type: yarn, rope_theta: 10000000, partial_rotary_factor: 0.25, factor: 4.0, original_max_position_embeddings: 262144}}}这里rope_type: yarn与factor: 4.0将原生 262144256K的最大位置编码扩展为约 512K1M 上下文mrope_section: [11, 11, 10]为多模态旋转位置编码的分段配置与 config.json 中的默认 RoPE 设置一致。vLLM≥ v0.22.1基础服务export VLLM_DEEP_GEMM_WARMUPskip export VLLM_USE_DEEP_GEMM0 export VLLM_FLASHINFER_MOE_BACKENDlatency vllm serve internlm/Intern-S2-FP8 \ --served-model-name internlm/Intern-S2-397B \ --trust-remote-code \ --tensor-parallel-size 8 \ --enable-auto-tool-choice \ --tool-call-parser qwen3_coder \ --reasoning-parser qwen3 \ --mm-encoder-tp-mode dataMTP 版本追加--speculative-config {method:mtp,num_speculative_tokens:3}长上下文版本需设置环境变量VLLM_ALLOW_LONG_MAX_MODEL_LEN1并指定--max-model-len 1010000约 1M同时通过--hf-overrides传入与 LMDeploy 相同的 YaRN RoPE 覆盖。SGLang≥ v0.5.13基础服务python3 -m sglang.launch_server \ --model-path internlm/Intern-S2-FP8 \ --served-model-name internlm/Intern-S2-397B \ --trust-remote-code \ --tp-size 8 \ --mem-fraction-static 0.8 \ --enable-flashinfer-allreduce-fusion \ --reasoning-parser qwen3 \ --tool-call-parser qwen3_coderMTP 版本需设置SGLANG_ENABLE_SPEC_V21并追加--speculative-algo NEXTN --speculative-eagle-topk 1 --speculative-num-steps 3 --speculative-num-draft-tokens 4以及--mamba-scheduler-strategy extra_buffer。三个框架统一以internlm/Intern-S2-FP8作为权重源、--served-model-name internlm/Intern-S2-397B作为对外模型 ID——这与 README 中所有客户端示例的model_name internlm/Intern-S2-397B保持一致。科学模态与分词器实现细节作为科学智能模型Intern-S2-397B 的分词器内建了对三类科学序列的专门处理。在 tokenizer_config.json 中可以看到相应特殊 tokenSMILES//SMILES化学分子式、protein//protein、dna//dna、rna//rna以及三个子词表的偏移量offset_SMILES: 248102、offset_PROT: 249126、offset_XNA: 250150对应仓库内的 tokenizer_SMILES.model、tokenizer_PROT.model、tokenizer_XNA.model 三个 SentencePiece 模型文件。对应的实现位于 tokenization_interns1.pySmilesCheckModule、ProtCheckModule、XnaCheckModule三个自动检测模块会在文本中按正则与合法性规则识别候选序列并自动包裹标记。例如 SMILES 检测在安装了 RDKit 时调用Chem.MolFromSmiles做化学合法性校验check_legitimacy_slow未安装时退化为基于键类型、括号配平、环闭合等硬规则校验check_legitimacy_fast蛋白序列检测要求至少 27 个连续大写字母且排除纯核酸串XNA 检测匹配连续 27 个以上的ATCGU字符。这种自动检测 专用子词表的机制保证了模型在科学文本中对分子结构、蛋白序列等符号能以高保真方式分词与生成是科学模态推理能力的基础设施。结语至此你已经掌握 Intern-S2-397B 从部署到集成的完整使用链路用推荐采样参数启动服务通过 OpenAI 兼容接口完成工具调用与思考模式控制用 LMDeploy 处理时间序列检测与预测再把模型接入自托管 Agent 框架或官方 Intern API含 Claude Code。结合 config.json混合注意力 MoE 架构、chat_template.jinja工具与思考协议、tokenization_interns1.py科学序列分词与 deployment_guide.md三框架部署等仓库文件即可在真实业务中复现并扩展官方示例。赞分享人工智能大模型基础模型多模态预训练强化学习【免费下载链接】Intern-S2-397B项目地址https://ai.gitcode.com/InternLM/Intern-S2-397B点击查看免费下载相关推荐终极解析 Intern-S2-397B会读文献、能预测地震的科学多模态大模型完全指南终极解析 Intern S2 397B会读文献、能预测地震的科学多模态大模型完全指南 一句话看懂 Intern S2 397B 这是上海 AI L人工智能大模型基础模型多模态预训练强化学习CANN/Ascend C SIMD矢量编程概述概述a nameZH CN_TOPIC_0000002500468230 /a 本节将以Add算子为例带您快速构建Ascend C矢量算子程序并学人工智能深度学习算子库CANNAscendpytest框架完整指南Python自动化测试从入门到精通pytest框架完整指南Python自动化测试从入门到精通 想要快速掌握Python测试框架中最流行的pytest吗这篇完整教程将带你从安装配置到高级用法测试开发工具创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考