GPT-6.1 Sol مقابل Intern S2: أحدهما له سعر، والآخر له أوزان

أغرب ما في مقارنة GPT-6.1 Sol مع Intern S2 هو أن أحد جانبَي المقارنة ليس له سعر يمكنك البحث عنه. إن Intern-S2-397B من مختبر شنغهاي للذكاء الاصطناعي، المنشور في 2026-09-13، يوفّر أوزان Apache 2.0 على Hugging Face، وتقريرًا فنيًا، ونقطة نهاية API مستضافة لدى مورّد — ولا يوجد أي سعر منشور لكل رمز في أي مكان. أما GPT-6.1 Sol من OpenAI، الصادر في 2026-09-29، فيكلّف 2.00 دولار لكل مليون رمز إدخال و10.00 دولارات لكل مليون رمز إخراج، مع فئة موثّقة لما يزيد على 272,000 رمز مطالبة، وكل واحد من هذه الأرقام يظهر على صفحة تسعير عامة. لذا فإن الطريقة الصادقة لطرح هذه المقارنة الثنائية ليست "أيهما أفضل" بل "أيّهما يمكنك فعلاً توقّع فاتورة له" — والجواب يختلف لأسباب لا علاقة لها بالقدرات.

كل ما يرد أدناه ينقسم بوضوح إلى قاعدتي أدلة، والفصل بينهما هو معظم العمل. أرقام GPT-6.1 Sol مستقلة، مصدرها Artificial Analysis، إلا حيث تنص الجملة على خلاف ذلك. أرقام Intern-S2 هي أرقام InternLM الخاصة، لم يُعِد إنتاجها أي طرف ثالث، والجمل التي تحملها تنص على ذلك.

نظامان تحت اسم واحد

إنترن S2 ليس نموذجًا واحدًا، ويستحق هذا الالتباس التوضيح قبل أي شيء آخر. تضم هذه العائلة إصدارين منشورين على الأقل:

• Intern-S2-Mobius — نموذج مفتوح الأوزان يضم 35 مليار معلمة، بترخيص Apache 2.0، دُرّب مسبقًا على نحو مستمر انطلاقًا من Qwen3.5-35B، باستخدام بنية Mobius-v0 مع ذاكرة مشتركة (Memory) تضم 2,560 خبيرًا، وأربع كتل Reasoner و40 طبقة. تصف إرشادات النشر نحو 3 مليارات معلمة نشطة لكل رمز مع نمط انتباه هجين بنسبة 3:1، وسياق من 256,000 رمز، وبرج رؤية. نُشرت الأوزان في 2026-07-29؛ وتلا ذلك مستودع GitHub والتقرير الفني في 2026-08-05؛ ودُمج دعم vLLM في 2026-08-06.

• Intern-S2-397B — النموذج الرائد، نُشر في 2026-09-13. ما يقرب من 397 مليار معلمة إجمالية في بنية Qwen3.5-MoE، و512 خبيرًا مع 10 نشطين، وأوزان Apache 2.0 على Hugging Face إلى جانب بطاقة نموذج، ومدخل واجهة برمجة تطبيقات Intern الرسمي، ودعم vLLM Day-0 الذي أُعلن في اليوم التالي، مع وصفة منشورة لاستدلال FP8 على ثماني وحدات H100 أو ثماني وحدات H200. حدوده المنشورة هي 256,000 رمز لسياق النص و64,000 للسياق متعدد الوسائط.

GPT-6.1 Sol هو الكائن الأبسط: معرّف لقطة واحد، gpt-6.1-sol، لا يوجد له نوع مؤرخ، 1,050,000 رمز من السياق، و128,000 كحد أقصى للإخراج، وإدخال نص وصورة وملف، وخمسة مستويات لجهد الاستدلال مع كون المتوسط هو الافتراضي، وحد معرفة معلن بتاريخ 30 أبريل 2026.

ما تستند إليه أرقام كل طرف

هذا هو المحور الذي يبلغ فيه الاثنان أقصى تباعد، والفارق ليس ضئيلًا.

سجل GPT-6.1 Sol المستقل، وكل ذلك من Artificial Analysis:

• AA Intelligence Index — 51.8، المرتبة 10 من أصل 147 نموذجًا، في المئين 93.2.

• Humanity's Last Exam — 52.9%.

• استرجاع السياق الطويل — 83%.

• SciCode — 54.2%.

• Terminal-Bench 4.0 — 56.06%.

سجل Intern-S2، كلّه خاصّ بـ InternLM، ولا شيء منه منسوخ عن طرف ثالث:

• MMLU Pro — ‏89.77% للطراز الرائد بسعة 397B.

• HMMT-2026 — 93.56%.

• MMMU — 81.68%.

• SWE-bench-Pro — 68.54%.

• TerminalBench 2.1 — 64.04%.

• صفوف المجال العلمي — Biology-Instructions 55.71%، SciReasoner 1.5 63.28%، Mol-Instructions 53.95%، MolecularIQ 62.35%.

لا يمكن المقارنة بين هاتين القائمتين، ومن المفيد أن نوضح السبب بصراحة. المجموعة الأولى طرف لا مصلحة له في النتيجة، يطرح الأسئلة نفسها على العديد من النماذج وفق بروتوكول واحد. أما المجموعة الثانية فهي المختبر الذي درّب النموذج، وهو يقدّم تقريرًا عن أداء نموذجه الخاص. هذا لا يجعل المجموعة الثانية غير صحيحة — فالمختبرات التي لديها تقرير تقني منشور وأوزان قابلة للتنزيل تكون سمعتها على المحك في هذه الأرقام — لكنه يعني أن الأرقام ادعاء لا قياس، ولا يوجد حاليًا أي مُقيّم مستقل، ولا أي مزوّد استدلال مستقل، ينشر درجات Intern-S2 في أي مكان.

الصفوف التي تحمل معلومات حقيقية

هناك أمران في مواد InternLM الخاصة أكثر إفادة من الدرجات الرئيسية، وذلك تحديدًا لأنهما غير مُجامِلين.

الأول هو جدول معايير Mobius لنموذج 35B، الذي يقارنه بقاعدة Qwen3.5-35B التي تم تدريبه مسبقًا بشكل مستمر انطلاقًا منها. هذه مقارنة مفيدة حقًا — نفس السلالة، نفس الحجم، لذا يعزل الفارق ما الذي حققه تغيير البنية المعمارية. يفوز Mobius في سبعة من أصل تسعة معايير عامة، ويخسر بشدة في Humanity's Last Exam و UGD. عند قراءة ذلك بصدق، تحقق بنية Mobius مكاسب عامة معتدلة وتتنازل عن شيء ما في أصعب مجموعة استدلال. الصفوف الخاصة بالمجال العلمي في الجدول نفسه أكبر، لكنها سمة التدريب المسبق المستمر في المجال وليس البنية المعمارية — بيانات التدريب هي مصدر أرقام الأحياء والكيمياء، وليس تخطيط الخبراء.

الثاني هو قصة الكفاءة، وهي أكثر ادعاء ملموس في البيان: معدل إنتاجية يبلغ 2.9 ضعف خط الأساس عند حجم الدفعة 16، ويرتفع إلى 4.6 أضعاف عند حجم الدفعة 256. هذه نسب مقارنةً بخط أساس داخلي، قاسها المختبر، على أجهزة اختارها المختبر — وهي أيضًا من نوع الادعاءات التي يسهل التحقق منها بمجرد حصولك على الأوزان، وهو ما لديك، بموجب Apache 2.0.

هذه القابلية للتحقق هي القيمة الفعلية لإصدار مفتوح، وهي تشير إلى ما لا تستطيع النتائج الرئيسية الإشارة إليه: لا يلزمك أن تثق بنسبة الإنتاجية، لأن ثماني بطاقات H100 ووصفة vLLM هما الآن الشيء الوحيد الذي يفصلك عن التحقق منها.

الأوزان المفتوحة مقابل نقطة نهاية مدفوعة

هنا يتوقف النموذجان عن كونهما بديلين ويصبحان قرارين مختلفين.

GPT-6.1 Sol هي خدمة. تدفع مقابل كل توكن، وتحصل على نافذة سعة 1,050,000 توكن، و128,000 توكن إخراج، وخمسة مستويات جهد، وبدون أي سطح تشغيلي على الإطلاق. تتناسب الفاتورة خطيًا مع الاستخدام، والتكلفة الحدية لارتفاع الطلب هي بند في الفاتورة، وليست مشكلة سعة. المقايضة هي أنه لا يمكنك ضبطها ضبطًا دقيقًا — لا تنشر Open​AI أي مسار للضبط الدقيق لهذا النموذج — ولا يمكنك تشغيلها على أجهزتك الخاصة، ويتم تحديد اقتصاديات وحدتك من خلال صفحة تسعير شخص آخر.

‏Intern-S2-397B قابل للتنزيل. تعني رخصة Apache 2.0 أنه يمكنك تشغيله وتعديله وضبطه الدقيق وتقديمه داخل شبكتك الخاصة دون أن تغادرها أي بيانات. تمثل ثماني وحدات H100 تكلفة رأسمالية حقيقية وعبئًا تشغيليًا حقيقيًا، لكن عند تجاوز حجم مستدام معين تصبح تلك التكلفة الرأسمالية أرخص من السعر لكل رمز، وهي الخيار الوحيد إذا كانت البيانات لا تستطيع مغادرة نطاقك على الإطلاق. المقابل في الجانب الآخر هو أن كل ما يتعلق بالجودة أصبح مشكلتك: فلا يوجد معيار قياس مستقل تخطط بناءً عليه، ولا مزود خارجي يمكن التحويل إليه عند الفشل، ولا مورّد يمكن تصعيد أي تراجع إليه.

بين هذين الخيارين، يكون المتغير الحاسم هو الاستفادة في الغالب. الاندفاع الشهري لبضع مئات الملايين من الرموز لا يبرر تكلفة ثماني وحدات GPUs. أما التدفق الشهري المستقر الذي يبلغ عدة مليارات من الرموز داخل نطاق تنظيمي، فغالبًا ما يبرر ذلك.

الرقم المفقود من أحد الأعمدة

لا يملك Intern-S2-397B سعرًا منشورًا لكل رمز. وهذا ليس إغفالًا يمكن التحايل عليه بتقدير؛ بل يعني أن المقارنة المعيارية التي دأبت هذه المدونة على إجرائها — تكلفة كل مليون رمز مقابل تكلفة كل مليون رمز — لا يمكن إجراؤها على الإطلاق مقابل مسار الاستضافة الذاتية.

المقارنة التي يمكن إجراؤها تكون مقابل نقطة النهاية المستضافة لدى المورّد. تشغّل InternLM واجهة Intern API رسمية على chat.intern-ai.org.cn/api/v1 مع معرّف النموذج intern-s2-397b، والسعر الخاص بتلك النقطة الطرفية هو ما ستحتاج إلى مقارنته عرضًا بعرض مقابل سعري GPT-6.1 Sol البالغين $2.00 و$10.00. وإلى أن يُنشر ذلك السعر، فإن البيان الصادق الوحيد هو أن سعر مسار API غير معروف، وأن سعر المسار المستضاف ذاتيًا دالة على عقد GPU الخاص بك وعلى معدل استغلالك وليس على قائمة أسعار.

وهذا يعني أن الحساب الذي يمكن لهذا المقال إجراؤه محدود، لكنه يستحق القيام به على أي حال: اسأل عن تكلفتك الخاصة لكل مليون رمز عند معدل استخدامك، وقارنها بـ 2.00 دولار/10.00 دولار مع تطبيق الشريحة التي تتجاوز 272 ألفًا. بالنسبة لمعظم الفرق، الإجابة على ذلك الحساب هي أن نقطة النهاية المغلقة تتفوق عند أقل من بضعة مليارات من الرموز شهريًا، وتتفوق الأوزان المفتوحة فوق ذلك — والسؤال برمته هو على أي جانب من هذا الخط يقع عبء العمل.

تشغيلهما بشكل مختلف

لا توجد إجابة واحدة هنا، لأن الوصول إلى النموذجين لا يتم بالطريقة نفسها، والتظاهر بغير ذلك سيكون الخطأ نفسه الذي يقع فيه من يقتبس صفوف الفهرس جنبًا إلى جنب.

GPT-6.1 Sol متاح على OrcaRouter باسم openai/gpt-6-sol، بسعر قائمة Open​AI وبهامش ربح صفري — 2.00 دولار للإدخال، و10.00 دولار للإخراج، والإدخال المخزّن مؤقتًا بسعر 0.10 دولار، وتُطبّق فئة ما فوق 272K تمامًا كما تحدّدها Open​AI. ولأننا نمرّر سعر المزوّد كما هو بدلًا من إضافة هامش ربح عليه، فإن أي تغيير في أسعار Open​AI يصبح ساريًا هنا في اليوم نفسه لا في دورة الفوترة التالية، ويقع التحويل التلقائي عند الفشل تحت المسار. هذا الجزء الأخير يهمّ أكثر في نموذج غير مُثبت مما يهمّ في نموذج مُثبت — وهي الحجة نفسها التي تنطبق على جانب Intern-S2، إلا أن جانب Intern-S2 لا يمكنه الاستفادة منها.

Intern S2 ليس على OrcaRouter ونحن لا نستضيفه. يمكن الوصول إليه عبر واجهة InternLM البرمجية الخاصة، ويمكن تنزيله من Hugging Face بموجب Apache 2.0 لأي شخص يمتلك العتاد اللازم. إذا أردت تجربته، فإن الأوزان هي المسار الأقل التزامًا — يمكنك تقييم النموذج الرائد 397B على مطالباتك الخاصة قبل أن تقرر ما إذا كنت ستشتري وحدات GPU من أجله، كما أن Mobius 35B صغير بما يكفي لاختبار سلوك العائلة على عقدة واحدة.

الحكم الذي تستحقه هذه المقارنة الثنائية ليس ترتيبًا، لأن الاثنين لا يُشترَيان من أجل الشيء نفسه. إذا كنت بحاجة إلى نموذج بمستوى قدرات مقيس بشكل مستقل، وسقف مخرجات منشور، وسعر معروف لكل رمز، وبلا سطح تشغيلي، فإن GPT-6.1 Sol هو الجواب، وهو ليس قرارًا متقاربًا — إنه ببساطة الوحيد من بين الاثنين الذي يقدم هذه الأمور الأربعة. إذا كان القيد لديك هو أن البيانات لا يمكن أن تغادر شبكتك، أو أن حجمك مرتفع بما يكفي بحيث تتفوق وحدات معالجة الرسومات على الرموز، فإن Intern-S2-397B هو الجواب الأفضل، وغياب المعيار المرجعي خطر تختار تحمّله بدلًا من أن يكون سببًا للانصراف. ما لا ينبغي لك فعله هو مقارنة الاثنين بأرقامهما المنشورة. إن تقييم InternLM الخاص ولوحة المتصدرين الخاصة بـ Artificial Analysis ليسا الأداة نفسها، وقراءتهما كجدول واحد ستنتج إجابة واثقة عن سؤال لم يطرحه أحد.