GPT-6 Astra vs. Intern-S2: Was jedes von beiden tatsächlich akzeptiert

Die beiden Modelle in diesem Vergleich werden beide als multimodal beschrieben, und das Wort leistet in beiden Fällen so gut wie keine Arbeit. GPT-6 Astra, das OpenAI am 3. September 2026 veröffentlicht hat, nimmt Text und Bilder entgegen – und Dateieingaben, laut Router-Listings, die die Dokumentation von OpenAI selbst nicht bestätigt. Intern-S2-397B, das wissenschaftliche Modell mit 403 Milliarden Parametern, das das InternLM-Team des Shanghai AI Laboratory am 13. September 2026 unter Apache-2.0 veröffentlicht hat, nimmt Text, Bilder und Zeitreihensignale entgegen, wobei der Prognosepfad über LMDeploy statt über das eigene Standard-Serving-Rezept des Modells verdrahtet ist. Keines akzeptiert Audio. Keines akzeptiert Video. Die interessante Frage ist nicht, welches multimodaler ist; sie lautet, welche dieser beiden Eingabeoberflächen Ihre Arbeit tatsächlich erzeugt, denn sie überschneiden sich kaum, und keines ersetzt das andere.

Zwei Eingabeoberflächen, die nur ähnlich aussehen

Richte die Spezifikationen an den Dimensionen aus, an denen eine echte Arbeitslast Kontakt macht:

• Text — beide: GPT-6 Astra bis zu 922.000 Eingabe-Token in einer einzigen Anfrage; Intern-S2-397B mit einer maximalen Inferenzlänge von 256.000 Token für Textschlussfolgerungen bewertet

• Bild — beides, aber unterschiedlich: Astra nimmt in derselben Anfrage ein Bild zusammen mit einem langen Dokument entgegen; Intern-S2-397B wurde darauf vortrainiert, rohe Seiten wissenschaftlicher Literatur zu lesen, wobei symbolische und visuelle Inhalte gemeinsam modelliert werden, was eine Aussage darüber ist, wie es trainiert wurde, und nicht darüber, was es akzeptiert

• Zeitreihen — nur Intern-S2-397B, über seinen Forecast-Head, derzeit über LMDeploy

• Dateieingabe — GPT-6 Astra laut Router-Listings; OpenAIs eigene Seite führt nur Text und Bild auf, daher als unbestätigt behandeln

• Audio und Video — keines von beiden

• Ausgabe — Text auf beiden, und nur Text

• Reasoning-Steuerung — GPT-6 Astra stellt reasoning.effort mit low, medium, high, xhigh und max bereit; Intern-S2-397B läuft standardmäßig mit aktiviertem Thinking und schaltet es pro Anfrage mit enable_thinking=False aus

• Gewichte — Intern-S2-397B Apache-2.0, in FP8 und BF16 herunterladbar; GPT-6 Astra geschlossen, nur über API

Die Zeitreihen-Zeile ist diejenige, die diesen Vergleich für eine Teilmenge von Käufern entscheidet und ihn für alle anderen ausschließt. Zeitreihenprognose ist keine Fähigkeit, die man mit einem langen Text-Prompt approximieren kann – die Eingabe ist numerisch und besitzt ihre eigene Struktur, und ein Modell, das nicht darauf trainiert wurde, wird sie nicht erwerben, nur weil man die Zahlen in einen Prompt serialisiert. Wenn das Ihr Workload ist, ist der Vergleich beendet und es ist keine Benchmark-Tabelle nötig. Wenn nicht, ist die Zeile irrelevant, und der Rest dieser Seite ist das, wofür Sie lesen.

Die Kontextnummer, auf die es ankommt, ist die ausgewertete.

Marketingseiten nennen das Kontextfenster; Benchmark-Tabellen nennen die Länge, mit der das Modell tatsächlich ausgeführt wurde, und die zweite Zahl ist diejenige, die das Verhalten vorhersagt. Die Diskrepanz hier ist aufschlussreich.

GPT-6 Astra hat ein Kontextfenster von 1.050.000 Tokens, mit maximal 922.000 Eingabe- und 128.000 Ausgabe-Tokens, und die dokumentierten Servicestufen geben ehrlich Auskunft über die Kosten der Nutzung: Anfragen mit mehr als 272.000 Eingabe-Tokens werden mit 20,00 $ für Eingabe und 75,00 $ für Ausgabe pro Million neu bepreist, wobei Cache-Lesevorgänge mit 2,00 $ und Cache-Schreibvorgänge mit 25,00 $ berechnet werden; die Preise gelten für die gesamte Anfrage statt nur für den Überschuss. Unterhalb dieser Grenze zeigen die Zähler 10,00 $, 1,00 $ und 12,50 $ an, die Ausgabe bei 50,00 $.

Die Karte von Intern-S2-397B gibt ihr eigenes Limit in der Methodik-Anmerkung an statt in einer Schlagzeile: Text-Reasoning-Benchmarks wurden mit einer maximalen Inferenzlänge von 256.000 Tokens ausgeführt, multimodale Benchmarks mit 64.000. Das ist nicht die Obergrenze des Modells – die Modellkarte veröffentlicht keine in einer Form, die ein Käufer wiedererkennen würde –, aber es ist die Länge, bei der jede Zahl auf der Karte erzeugt wurde. Eine Fähigkeit, die nur innerhalb von 64.000 Tokens Bildkontext nachgewiesen wurde, ist eine Fähigkeit, die nur innerhalb von 64.000 Tokens Bildkontext nachgewiesen wurde, und eine Seite, die dieselbe Punktzahl ohne die Länge abdruckt, druckt die Hälfte einer Tatsache ab.

Das ist die Disziplin, die beide dieser Modelle verdienen und die das Material keines Anbieters einfach macht. Astras Anbieterzahlen kommen mit einem angehängten Harness, der sie bei einem Benchmark um 37 Punkte verändert; die von Intern-S2 kommen mit einer angehängten maximalen Inferenzlänge, die bestimmt, ob eine von ihnen auf Ihre Workload übertragbar ist. Lesen Sie beide Fußnoten, bevor Sie eine der Tabellen lesen.

Was die Zahlen von Intern-S2-397B sind und wer sie erstellt hat

Alle unten stehenden Werte stammen von InternLM selbst, wurden vom Team, das das Modell trainiert hat, durch OpenCompass, VLMEvalKit und AgentCompass laufen gelassen und zusammen mit den Gewichten veröffentlicht. Nichts davon wurde unabhängig reproduziert. Für Intern-S2-397B gibt es keine Seite auf Artificial Analysis, und dieses Fehlen ist wichtiger als üblich, denn es bedeutet, dass es keine dritte Partei gibt, mit der man die Zeilen zur allgemeinen Leistungsfähigkeit abgleichen könnte.

Die wissenschaftlichen Zeilen sind die, in denen das Modell am stärksten ist und in denen die Argumente dafür am klarsten sind: 55,71 bei Biology-Instructions, 63,28 bei SciReasoner 1.5, 62,35 bei MolecularIQ, 53,95 bei Mol-Instructions. Daneben respektable allgemeine Zeilen: 89,77 bei MMLU Pro, 81,68 bei MMMU Pro, 93,56 bei HMMT-2026, 68,54 bei SWE-bench-Pro. Und eine Zeile, die verrät, um was für ein Modell es sich hier handelt — TerminalBench 2.1 mit 64,04, das nach der eigenen Tabelle des Labors gegen eine ältere geschlossene Generation verliert. Intern-S2-397B ist ein wissenschaftliches Instrument, das im Allgemeinen kompetent ist, kein Generalist, dem eine wissenschaftliche Spezialität nachträglich angeflanscht wurde.

Was die Zahlen von GPT-6 Astra sind und wo sie am schwächsten sind

Astras Leistungsbild zerfällt in zwei Hälften, die unterschiedliche Akzente setzen. Artificial Analysis misst es mit 53 auf seinem aktuellen Intelligence Index über zehn Evaluierungen, bei 3,26 US-Dollar pro abgeschlossener Index-Aufgabe, wobei es in diesem Durchlauf rund 60 Mio. Ausgabe-Tokens erzeugt, gegenüber einem Board-Median von etwa 85 Mio., bei 44,6 Ausgabe-Tokens pro Sekunde. Das ist eine unabhängige Evaluierung mit veröffentlichter Methodik, und sie platziert das Modell auf Platz sieben von 216 bei der Intelligenz und auf Platz 168 von 185 bei der Geschwindigkeit.

Die Anbieterseite ist eine Tabelle für sich: 98 % auf FrontierMath Tier 4, beschrieben als das Tier sättigend; 99,9 % auf ARC-AGI-3; 100 % auf ExploitBench, wobei Astra das erste OpenAI-Modell ist, das die kritische Schwelle für Cybersicherheitsfähigkeiten des Unternehmens überschreitet; 57,9 % auf Terminal-Bench 4.0 gegenüber 37,3 % für GPT-5.6 Sol. Jede Zahl ist OpenAI zuzuschreiben und keine wurde reproduziert. Die ARC-AGI-3-Zahl ist diejenige, die am weitesten gereist ist und die größte Skepsis verdient: ARC Prize führte das Modell unter zwei Harnessen aus und veröffentlichte beide, wobei 62,7 % unter seinem Standard-Harness und 99,9 % unter einem Anbieter-Adapter, der den Reasoning-Zustand zwischen Anfragen bewahrt, verzeichnet wurden. Die 37-Punkte-Spanne ist eine Messung des Harness, kein Skandal — OpenAI dokumentierte beide Einstellungen —, aber jeder Vergleich, der die 99,9 % gegen die Standard-Harness-Zahl eines anderen Modells stellt, vergleicht zwei Experimente und nennt es einen Benchmark.

Eine weitere Asymmetrie gehört hierher, denn sie ist der Grund, warum die unabhängige Zahl diejenige ist, gegen die man planen sollte. Die Karte von Intern-S2-397B hat überhaupt keine unabhängige Spalte, also sind ihre Zahlen die einzigen Zahlen, und sie tragen die Autorität des Anbieters und sonst nichts. Astra hat beides, und sie widersprechen sich darin, wie gut es beim allgemeinen Schlussfolgern ist, und zwar so, dass eine von ihnen nicht falsch liegen kann – die Anbietertabelle sagt gesättigt, der Index sagt siebter.

„Freie Gewichte“ sind eine Kapitalentscheidung

Intern-S2-397B steht unter Apache-2.0, und die praktische Konsequenz ist Arithmetik statt Lizenzierung. Der veröffentlichte Checkpoint umfasst 403 Milliarden Parameter, und das BF16-Repository belegt rund 807 GB — bevor man einen Serving-Stack, einen KV-Cache oder die zweite Kopie für ein Rollback mitzählt. Es gibt einen FP8-Build, der den Platzbedarf etwa halbiert. Das Lab dokumentiert LMDeploy, vLLM und SGLang als unterstützte Server, und sein eigenes Tool-Calling-Beispiel ist ein OpenAI-kompatibler Endpunkt auf einem LMDeploy-Server, der Integrationspfad ist also nicht exotisch. Die Hardware ist es.

Das erzeugt zwei sehr unterschiedliche Ökonomien aus derselben Lizenz. Wenn Sie bereits einen Multi-GPU-Node mit Reservekapazität besitzen, nähern sich die Grenzkosten der nächsten wissenschaftlichen Abfrage den Stromkosten, und kein Wettbewerber mit Pro-Token-Abrechnung kann das unterbieten – was der ganze Grund dafür ist, dass offene Gewichte existieren. Wenn Sie ihn nicht besitzen, bedeutet „kostenlos“, Kapazität zu kaufen oder zu mieten, und bei gemieteter Kapazität ist der Vergleich mit einer nach Verbrauch abgerechneten API eine einfache Rechenfrage zur Auslastung, die eine Modellkarte nicht für Sie beantworten kann. Astras Seite derselben Frage ist einfacher: eine Preisliste, kein Betriebsteam und eine Long-Context-Tarifstufe zu $20.00 / $75.00, die genau die Anfragegröße bestraft, zu der ein 1.050.000-Token-Fenster einlädt.

Ein Detail, das den self-hosted Weg begünstigt und leicht übersehen wird: Die Apache-2.0-Lizenz ist überhaupt erst der Grund, warum das Modell in einer regulierten Umgebung nutzbar ist. Feintuning auf proprietären Daten, der Betrieb in einer Air-Gap-Umgebung und das Belassen der Inferenz innerhalb eines Datenperimeters sind drei Dinge, die Astras API zu keinem Preis bieten kann, und keine Benchmark-Zeile spiegelt sie wider.

Wo ein Router in einer Paarung wie dieser sitzt

Intern-S2-397B ist nicht auf OrcaRouter und diese Seite behauptet auch nicht, dass es so sei; es ist ein neuer offener Checkpoint, und Ihr Weg dorthin ist die offizielle Intern-API des Anbieters oder eine eigene Bereitstellung. GPT-6 Astra ist in unserem Katalog als openai/gpt-6-astra, zu OpenAIs Listenpreisen, durchgereicht mit 0 % Aufschlag unsererseits.

Die nützliche Form für ein Team, das beides betreibt, ist eine Aufteilung statt einer Entscheidung, und genau dafür ist die Routing-Schicht da: Schicken Sie den allgemeinen, kontextreichen, dokumentlastigen Verkehr an das nach Verbrauch abgerechnete Modell hinter einem einzigen OpenAI-kompatiblen Endpunkt, und behalten Sie die wissenschaftlichen und Zeitreihen-Batch-Arbeiten auf dem Checkpoint, den Sie selbst betreiben. Automatisches Failover deckt dann den Fall ab, dass eine der beiden Seiten nicht gesund ist — den selbst gehosteten Zweig, wenn ein Knoten ausfällt, den API-Zweig, wenn ein Anbieterpfad degradiert —, ohne dass eines der Teams eine zweite Integration schreiben muss. Das ist eine Grenze, die durch eine Routing-Regel gezogen wird, nicht durch eine Architektur.

Welche

Wählen Sie Intern-S2-397B, wenn Ihre Eingabe in dem spezifischen Sinn wissenschaftlich ist, für den das Modell trainiert wurde – abbildungsdichte Literaturseiten, Molekül- und Materialstrukturen, Zeitreihensignale – oder wenn Apache-2.0 die entscheidende Eigenschaft ist, weil Ihre Daten Ihre Infrastruktur nicht verlassen dürfen. Planen Sie das Budget für die Hardware ein, bevor Sie irgendetwas anderes budgetieren, und führen Sie Ihre eigene Bewertung durch, anstatt der Karte zu vertrauen, denn es gibt keine unabhängige Zahl, auf die Sie zurückgreifen können.

Wählen Sie GPT-6 Astra, wenn Ihre Arbeit agentisch und langfristig angelegt ist, wenn eine 922.000-Token-Eingabe in einer einzigen Anfrage eine Form ist, die Sie tatsächlich erzeugen, oder wenn Sie eine unabhängige Bewertungsübersicht benötigen, um die Entscheidung gegenüber jemand anderem zu verteidigen. Seine 3,26 $ pro abgeschlossener Indexaufgabe sind der höchste Wert in diesem Vergleich, und dafür bekommen Sie ein Modell, das bei dieser Arbeit ungefähr 60 Mio. Token ausgibt, während das Medianmodell 85 Mio. ausgibt – deshalb ist der Preis pro Token die falsche Kennzahl für die Entscheidung und die Kosten pro abgeschlossener Aufgabe die richtige. Wählen Sie es nicht für kurzen, hochvolumigen Traffic, und überschreiten Sie die 272.000-Token-Grenze nicht, ohne Ihr Kostenmodell erneut durchzurechnen, denn diese Grenze verdoppelt den Eingabetarif für die gesamte Anfrage.

Die beiden sind kein Ersatz füreinander, und der Grund dafür sind nicht Benchmark-Punkte. Das eine nimmt eine eingetippte Tabelle mit Sensorwerten entgegen und das andere eine gescannte Seite eines Papierdokuments, und keines von beiden erledigt beides gut genug, dass das jeweils andere überflüssig würde. Wenn bei Ihrer Arbeit auf irgendeine Weise beides anfällt, wissen Sie bereits, welches Team in Ihrer Organisation welche Hälfte verantwortet.

Eine Veröffentlichung ist zugleich der Moment, zu prüfen, was zuvor schiefgelaufen ist: Die dokumentierten KI-Vorfälle und Agenten-Ausfälle rund um Modelle dieser Klasse sind gesammelt in dem OrcaRouter AI Incident Archive , wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Vertrauensstufe und seine Kennzeichnung als umstritten trägt.