GPT-6.1 Sol vs. Intern S2: Der eine hat einen Preis, der andere hat Gewichte

Das Seltsamste beim Vergleich von GPT-6.1 Sol mit Intern S2 ist, dass eine Seite des Vergleichs keinen Preis hat, den man nachschlagen kann. Intern-S2-397B vom Shanghai AI Laboratory, veröffentlicht am 2026-09-13, liefert Apache-2.0-Gewichte auf Hugging Face, einen technischen Bericht und einen vom Anbieter gehosteten API-Endpunkt – und nirgends einen veröffentlichten Preis pro Token. GPT-6.1 Sol von Open​AI, erschienen am 2026-09-29, kostet $2.00 pro Million Input-Token und $10.00 pro Million Output-Token, mit einer dokumentierten Stufe oberhalb von 272.000 Prompt-Token, und jede einzelne dieser Zahlen steht auf einer öffentlichen Preisseite. Die ehrliche Art, dieses Paar zu rahmen, ist also nicht „Welches ist besser“, sondern „Für welches der beiden kann man tatsächlich eine Rechnung prognostizieren“ – und die Antwort fällt anders aus, aus Gründen, die nichts mit Leistungsfähigkeit zu tun haben.

Alles Folgende lässt sich sauber in zwei Evidenzbasen aufteilen, und sie getrennt zu halten, macht den Großteil der Arbeit aus. Die Zahlen von GPT-6.1 Sol sind unabhängig, von Artificial Analysis, außer dort, wo ein Satz etwas anderes sagt. Die Zahlen von Intern-S2 sind InternLMs eigene, von keiner dritten Partei reproduziert, und die Sätze, die sie tragen, sagen das auch.

Zwei Systeme unter einem Namen

Intern S2 ist kein einzelnes Modell, und diese Verwirrung sollte vor allem anderen ausgeräumt werden. Die Familie enthält mindestens zwei veröffentlichte Artefakte:

• Intern-S2-Mobius – ein Open-Weight-Modell mit 35 Milliarden Parametern unter Apache 2.0, kontinuierlich vortrainiert aus Qwen3.5-35B, unter Verwendung einer Mobius-v0-Architektur mit einem gemeinsamen Memory von 2.560 Experten, vier Reasoner-Blöcken und 40 Schichten. Die Deployment-Anleitung beschreibt etwa 3 Milliarden aktive Parameter pro Token mit einem hybriden Attention-Muster im Verhältnis 3:1, einem 256.000-Token-Kontext und einem Vision-Tower. Die Gewichte wurden am 29.07.2026 veröffentlicht; das GitHub-Repository und der technische Bericht folgten am 05.08.2026; die vLLM-Unterstützung wurde am 06.08.2026 integriert.

• Intern-S2-397B — das Flaggschiff, veröffentlicht am 2026-09-13. Rund 397 Milliarden Gesamtparameter in einer Qwen3.5-MoE-Architektur, 512 Experten mit 10 aktiven, Apache-2.0-Gewichte auf Hugging Face zusammen mit einer Modellkarte, einem offiziellen Intern-API-Eintrag und vLLM-Day-0-Support, der am folgenden Tag angekündigt wurde, sowie ein veröffentlichtes Rezept für FP8-Inferenz auf acht H100s oder acht H200s. Die veröffentlichten Grenzen liegen bei 256.000 Token Textkontext und 64.000 Token multimodaler Kontext.

GPT-6.1 Sol ist das einfachere Objekt: eine Snapshot-Kennung, gpt-6.1-sol, keine datierte Variante, 1.050.000 Tokens Kontext, 128.000 maximale Ausgabe, Text-, Bild- und Dateieingabe, fünf Reasoning-Aufwandsstufen mit medium als Standard und ein angegebener Wissensstichtag vom 30. April 2026.

Worauf die Zahlen jeder Seite beruhen

Dies ist die Achse, auf der die beiden am weitesten auseinanderliegen, und das ist nicht knapp.

Der unabhängige Rekord von GPT-6.1 Sol, alle von Artificial Analysis:

• AA Intelligence Index — 51,8, Rang 10 von 147 Modellen, 93,2. Perzentil.

• Humanity's Last Exam — 52,9 %.

• Trefferquote bei langem Kontext — 83 %.

• SciCode — 54,2 %.

• Terminal-Bench 4.0 — 56,06 %.

Intern-S2s Rekord, alles von InternLM selbst, nichts durch Dritte nachgebildet:

• MMLU Pro — 89,77 % für das 397B-Flaggschiff.

• HMMT-2026 — 93,56 %.

• MMMU Pro — 81,68 %.

• SWE-bench-Pro — 68.54 %.

• TerminalBench 2.1 — 64,04 %.

• Zeilen wissenschaftlicher Domänen — Biology-Instructions 55,71 %, SciReasoner 1.5 63,28 %, Mol-Instructions 53,95 %, MolecularIQ 62,35 %.

Diese beiden Listen sind nicht vergleichbar, und es lohnt sich, explizit zu sagen, warum. Das erste Set ist eine Partei ohne Eigeninteresse am Ergebnis, die vielen Modellen unter einem Protokoll dieselben Fragen stellt. Das zweite Set ist das Labor, das das Modell trainiert hat, und das berichtet, wie sein eigenes Modell abgeschnitten hat. Das macht das zweite Set nicht falsch — Labore mit einem veröffentlichten technischen Bericht und herunterladbaren Gewichten haben ein Reputationsinteresse an den Zahlen — aber es bedeutet, dass die Zahlen eine Behauptung und keine Messung sind, und derzeit gibt es weder einen unabhängigen Evaluator noch einen unabhängigen Inferenzanbieter, die irgendwo Intern-S2-Ergebnisse veröffentlichen.

Die Zeilen, die echte Informationen tragen

Zwei Dinge in den eigenen Materialien von InternLM sind aussagekräftiger als die Schlagzeilenwerte, gerade weil sie nicht schmeichelhaft sind.

Das erste ist die Mobius-Benchmark-Tabelle für das 35B-Modell, die es mit der Qwen3.5-35B-Basis vergleicht, von der aus es kontinuierlich vortrainiert wurde. Das ist ein wirklich nützlicher Vergleich – gleiche Abstammung, gleiche Größenordnung, sodass das Delta isoliert, was die Architekturänderung eingebracht hat. Mobius gewinnt sieben von neun allgemeinen Benchmarks und verliert Humanity's Last Exam und UGD deutlich. Ehrlich gelesen bringt die Mobius-Architektur moderate allgemeine Zugewinne und gibt beim schwierigsten Reasoning-Set etwas auf. Die Zeilen zum Wissenschaftsbereich in derselben Tabelle sind größer, aber sie sind die Signatur eines domänenspezifischen kontinuierlichen Pre-Trainings und nicht die der Architektur – die Biologie- und Chemiewerte stammen aus den Trainingsdaten, nicht aus dem Experten-Layout.

Der zweite Punkt ist die Effizienz-Story – die konkreteste Behauptung in der Veröffentlichung: 2,9-mal so viel Durchsatz wie die Baseline bei Batch 16, steigend auf 4,6-mal so viel bei Batch 256. Das sind Verhältnisse gegenüber einer internen Baseline, gemessen vom Labor, auf Hardware, die das Labor ausgewählt hat – und es sind außerdem Behauptungen, die sich leicht überprüfen lassen, sobald man die Gewichte hat, und die haben Sie, unter Apache 2.0.

Diese Überprüfbarkeit ist der eigentliche Wert einer offenen Veröffentlichung, und sie verweist auf etwas, worauf die Schlagzeilenwerte nicht verweisen können: Sie müssen dem Durchsatzverhältnis nicht vertrauen, denn acht H100s und ein vLLM-Rezept sind jetzt das Einzige, was zwischen Ihnen und der Überprüfung steht.

Offene Gewichte gegenüber einem kostenpflichtigen Endpunkt

Hier hören die beiden Modelle auf, Alternativen zu sein, und werden zu unterschiedlichen Entscheidungen.

GPT-6.1 Sol ist ein Dienst. Sie zahlen pro Token, Sie erhalten ein 1.050.000-Token-Fenster, 128.000 Ausgabe-Token, fünf Aufwandsstufen und überhaupt keine operative Oberfläche. Die Rechnung skaliert linear mit der Nutzung, und die Grenzkosten einer Lastspitze sind ein Rechnungsposten, kein Kapazitätsproblem. Der Trade-off ist, dass Sie es nicht feinabstimmen können — Open​AI veröffentlicht keinen Fine-Tuning-Pfad für dieses Modell —, nicht auf Ihrer eigenen Hardware betreiben können und Ihre Unit Economics von der Preisseite von jemand anderem bestimmt werden.

Intern-S2-397B ist ein Download. Apache 2.0 bedeutet, dass Sie es ausführen, ändern, feinabstimmen und in Ihrem eigenen Netzwerk bereitstellen können, ohne dass Daten dieses verlassen. Acht H100 sind echte Kapitalkosten und eine echte betriebliche Belastung, aber ab einem bestimmten anhaltenden Volumen sind diese Kapitalkosten günstiger als ein Preis pro Token, und sie sind die einzige Option, wenn die Daten Ihren Perimeter überhaupt nicht verlassen können. Die Kehrseite ist, dass alles, was die Qualität betrifft, jetzt Ihr Problem ist: Es gibt keinen unabhängigen Benchmark, an dem Sie sich orientieren könnten, keinen externen Anbieter, auf den Sie ausweichen könnten, und keinen Hersteller, an den Sie eine Regression eskalieren könnten.

Zwischen diesen beiden Positionen ist die ausschlaggebende Größe fast immer die Auslastung. Ein monatlicher Burst von ein paar hundert Millionen Tokens amortisiert keine acht GPUs. Ein stetiger monatlicher Fluss von mehreren Milliarden Tokens innerhalb eines regulierten Perimeters tut dies häufig.

Die Zahl, die in einer Spalte fehlt

Intern-S2-397B hat keinen veröffentlichten Preis pro Token. Das ist kein Versehen, das sich mit einer Schätzung umgehen lässt; es bedeutet, dass der Standardvergleich, den dieser Blog üblicherweise anstellt – Kosten pro Million Token gegen Kosten pro Million Token –, gegen den selbst gehosteten Pfad überhaupt nicht durchgeführt werden kann.

Der Vergleich, der durchgeführt werden kann, richtet sich gegen den vom Anbieter gehosteten Endpunkt. InternLM betreibt eine offizielle Intern-API unter chat.intern-ai.org.cn/api/v1 mit der Modellkennung intern-s2-397b, und der Tarif für diesen Endpunkt ist der, den Sie Angebot für Angebot gegen die $2,00 und $10,00 von GPT-6.1 Sol abgleichen müssten. Bis dieser Tarif veröffentlicht ist, ist die einzige ehrliche Aussage, dass der Preis des API-Pfads unbekannt ist und der Preis des selbst gehosteten Pfads eine Funktion Ihres GPU-Vertrags und Ihrer Auslastung und nicht einer Tarifkarte ist.

Was bedeutet, dass die Arithmetik, die dieser Artikel anstellen kann, eng begrenzt ist und sich trotzdem lohnt: Fragen Sie, was Ihre eigenen Kosten pro Million Token bei Ihrer Auslastung wären, und vergleichen Sie sie mit $2,00/$10,00 unter Anwendung der Tarifstufe oberhalb von 272K. Für die meisten Teams lautet die Antwort auf diese Arithmetik, dass der geschlossene Endpunkt unterhalb von einigen Milliarden Token pro Monat gewinnt und die offenen Gewichte oberhalb davon — und die ganze Frage ist, auf welcher Seite dieser Linie die Arbeitslast liegt.

Die beiden unterschiedlich ausführen

Hier gibt es keine einzige Antwort, denn die beiden Modelle werden nicht auf demselben Weg erreicht, und so zu tun, als wäre es anders, wäre derselbe Fehler wie das Nebeneinanderstellen der Indexzeilen.

GPT-6.1 Sol ist auf OrcaRouter als openai/gpt-6.1-sol verfügbar, zum Listenpreis von OpenAI mit 0 % Aufschlag — 2,00 $ Input, 10,00 $ Output, gecachter Input zu 0,10 $, wobei die Stufe oberhalb von 272K genau so angewendet wird, wie OpenAI sie festlegt. Weil wir den Anbieterpreis durchreichen, statt ihn aufzuschlagen, wird eine Preisänderung von OpenAI hier noch am selben Tag wirksam und nicht erst zum nächsten Abrechnungszyklus, und unter der Route liegt ein automatisches Failover. Letzteres zählt bei einem noch nicht bewährten Modell mehr als bei einem bewährten — dasselbe Argument gilt für die Intern-S2-Seite, nur dass die Intern-S2-Seite es nicht nutzen kann.

Intern S2 ist nicht auf OrcaRouter und wir hosten es nicht. Es ist über die eigene API von InternLM erreichbar und unter Apache 2.0 von Hugging Face für alle mit der entsprechenden Hardware herunterladbar. Wenn Sie es ausprobieren möchten, sind die Gewichte der unverbindliche Weg – Sie können das 397B-Flaggschiff mit Ihren eigenen Prompts evaluieren, bevor Sie entscheiden, ob Sie dafür GPUs kaufen, und das Mobius 35B ist klein genug, um das Verhalten der Familie auf einem einzelnen Knoten zu testen.

Das Urteil, das dieses Duo verdient, ist kein Ranking, denn die beiden kaufen nicht dasselbe. Wenn Sie ein Modell mit einem unabhängig gemessenen Fähigkeitsniveau, einer veröffentlichten Ausgabeobergrenze, einem bekannten Preis pro Token und keiner operativen Oberfläche brauchen, ist GPT-6.1 Sol die Antwort, und das ist keine knappe Entscheidung — es ist schlicht das einzige der beiden, das diese vier Dinge bietet. Wenn Ihre Einschränkung ist, dass die Daten Ihr Netzwerk nicht verlassen dürfen, oder Ihr Volumen so hoch ist, dass GPUs Tokens schlagen, ist Intern-S2-397B die bessere Antwort, und der fehlende Benchmark ist ein Risiko, das Sie bewusst tragen, statt ein Grund, sich abzuwenden. Was Sie nicht tun sollten, ist, die beiden anhand ihrer veröffentlichten Zahlen zu vergleichen. InternLMs eigene Eval und das Leaderboard von Artificial Analysis sind nicht dasselbe Instrument, und sie als eine Tabelle zu lesen, würde eine selbstsichere Antwort auf eine Frage liefern, die niemand gestellt hat.