Intern-S2-397B vs. Grok 4.6: Wer darf an den Knöpfen drehen?

Intern-S2-397B und Grok 4.6 wurden mit etwa einem Monat Abstand veröffentlicht und beantworten dieselbe zugrunde liegende Frage auf entgegengesetzte Weise: Wer die Kontrolle über das Reasoning erhält. Grok 4.6, das xAI-Flaggschiff, das am 12. August 2026 an den Start ging, verkauft Ihnen einen Regler – eine konfigurierbare Steuerung des Reasoning-Aufwands über eine geschlossene API zum Preis von 2,00 US-Dollar pro Million Eingabe-Tokens und 6,00 US-Dollar pro Million Ausgabe-Tokens, mit einem Fenster von 500.000 Tokens und den serverseitigen Tools von xAI, die zusätzlich berechnet werden. Intern-S2-397B, das wissenschaftliche multimodale Modell mit 403 Milliarden Parametern, das das InternLM-Team des Shanghai AI Laboratory am 13. September unter Apache-2.0 veröffentlichte, übergibt Ihnen die ganze Maschine – Gewichte, Thinking-Toggle, Vision-Pfad, Time-Series-Head – und erwartet, dass Sie sie selbst betreiben. Das eine wird mit Reglern gemietet; das andere gehört Ihnen voll und ganz. Bei dem Vergleich, auf den es hier ankommt, geht es nicht darum, welches in einer Benchmark-Tabelle besser abschneidet, sondern darum, welche Art von Kontrolle Ihre Workload tatsächlich benötigt und was jede Art kostet.

Zwei verschiedene Zifferblätter

Der sauberste Weg, diese beiden auseinanderzuhalten, ist, sich anzusehen, wo die Reasoning-Steuerung liegt. Grok 4.6 stellt über die API von xAI eine Einstellung für den Reasoning-Aufwand bereit, und darum herum liegt eine Suite serverseitiger Tools – Funktionsaufrufe, Websuche, X-Suche, Codeausführung –, die xAI betreibt und separat abrechnet. Du stimmst den Aufwand ab, du verkettest die Tools, die es dir gibt, und du rührst nie ein Gewicht an. Das Verhalten des Modells ist Eigentum von xAI und Problem von xAI; dein Hebel ist ein Parameter in der Anfrage.

Intern-S2-397B bietet Ihnen einen anderen Satz von Hebeln, und diese liegen weiter unten im Stack. Denken ist standardmäßig aktiviert, und Sie schalten es pro Anfrage mit enable_thinking=False aus. Da das Modell unter Apache-2.0 steht, können Sie außerdem die Gewichte übernehmen und das Reasoning-Verhalten selbst auf Ihren eigenen Daten feinabstimmen und das Ergebnis anschließend auf LMDeploy, vLLM oder SGLang bereitstellen. Seine Eingabeoberfläche ist breiter als die einer Text-und-Bild-API: Es akzeptiert Zeitreihensignale und erzeugt Prognosen – eine Fähigkeit, die derzeit nur über LMDeploy angebunden ist – und es wurde für langfristige Agentenarbeit in Sandbox-Umgebungen trainiert. Der Kompromiss ist ebenso klar – dieses Maß an Kontrolle ist nur dann sinnvoll, wenn Sie bereit sind, die Hardware und den Serving-Stack zu betreiben, die damit einhergehen.

• Reasoning-Steuerung — Grok 4.6: Reasoning-Effort-Regler bei einer geschlossenen API vs. Intern-S2-397B: enable_thinking-Umschalter plus vollständige Kontrolle auf Gewichtsebene unter Apache-2.0.

• Werkzeuge — Grok 4.6: serverseitige Websuche, X-Suche und Codeausführung von xAI, separat abgerechnet vs. Intern-S2-397B: Tool-Calling, das Sie selbst verdrahten, plus einen Pfad zur Zeitreihenprognose über LMDeploy.

• Eingaben — Grok 4.6: Text, Bild, Datei vs. Intern-S2-397B: Text, Bild, Zeitreihen.

• Kontext — Grok 4.6: 500.000 Tokens vs. Intern-S2-397B: 256K Text-Reasoning, 64K multimodal, beide Angaben stammen aus der Modellkarte.

• Preis — Grok 4.6: 2,00 $ / 6,00 $ pro 1 Mio., ab 200K Token gestaffelt auf 4,00 $ / 12,00 $ vs. Intern-S2-397B: keine Preisliste; Selbsthosting oder die offizielle Intern-API.

Was die Zahlen tatsächlich abdecken

Jede unten stehende Kennzahl zu Intern-S2-397B stammt von InternLM selbst, ermittelt über OpenCompass, VLMEvalKit und AgentCompass und zusammen mit den Gewichten veröffentlicht, ohne unabhängige Reproduktion. Die Zahlen von Grok 4.6 sind etwas ganz anderes: Sie haben sich nach dem Livegang des Modells über die öffentliche Arena und Artificial Analysis angesammelt, tragen also eine Drittanbieter-Kennzeichnung.

Auf der unabhängig gemessenen Seite liegt Grok 4.6 bei 44 im aktuellen Artificial Analysis Intelligence Index, mit einem GPQA Diamond von 94,9, einem Humanity's Last Exam von 61,0 und einem Coding-Score von 76,8, und Artificial Analysis beziffert seinen TerminalBench-2.1-Wert mit nahezu 80,3. Auf der Anbieterseite meldet die Modellkarte von Intern-S2-397B 89,77 bei MMLU Pro, 93,56 bei HMMT-2026, 81,68 bei MMMU Pro und 68,54 bei SWE-bench-Pro, daneben wissenschaftliche Zeilen, in denen es wie eine andere Spezies wirkt: 55,71 bei Biology-Instructions, 63,28 bei SciReasoner 1.5, 53,95 bei Mol-Instructions, 62,35 bei MolecularIQ. Die eine Zahl in der Anbietertabelle, die einen Agent-Entwickler zusammenzucken lassen sollte, ist TerminalBench 2.1 mit 64,04 – ein Wert, bei dem die Hersteller des Modells selbst berichten, dass es gegen eine ältere geschlossene Generation deutlich verliert, ausgerechnet in der Terminal-Arbeitsdomäne, in der ein gemietetes Frontier-Modell wie Grok 4.6 am stärksten ist.

Lies diese Aufteilung als Porträt, nicht als Ranking. Intern-S2-397B ist ein wissenschaftlicher Spezialist, der zugleich ein kompetentes allgemeines Modell ist; Grok 4.6 ist ein Generalist, der ein beiläufiges Interesse an Wissenschaft hat. Dass die wissenschaftlichen Zeilen so ungleich ausfallen, ist zu erwarten – kein generalistisches Flaggschiff wurde auf rohen Seiten wissenschaftlicher Literatur mit Abbildungen, Layout und symbolischer Notation zusammen vortrainiert, und genau das ist das Paradigma, um das Intern-S2-397B herum gebaut ist. Nichts in einer der beiden Evidenzbasen stützt die Aussage „Intern-S2-397B sei bei beliebigem Reasoning so gut wie Grok 4.6“, und nichts in den Belegen zu Grok 4.6 deutet darauf hin, dass es für Multi-Omics-Sequenzanalyse abgestimmt wurde.

Der Preis der Kontrolle

Grok 4.6 hat einen Preis, den man in eine Tabelle eintragen kann: 2,00 $ pro Million Input-Tokens und 6,00 $ pro Million Output-Tokens, wobei der Satz auf 4,00 $ / 12,00 $ steigt, sobald ein Prompt 200.000 Tokens überschreitet, dazu eine optionale Priority-Stufe für schnellere Antworten. Erhältlich ist es über OrcaRouter zum Listenpreis von x​AI, durchgereicht mit 0 % Aufschlag, sodass eine Preisänderung bei x​AI noch am selben Tag hier ankommt, ohne Zwischenhändler-Delta — der Tarif, den Sie mieten, bleibt so bepreist, wie der Anbieter ihn bepreist.

Intern-S2-397B hat überhaupt keinen veröffentlichten Preis pro Token. Die Modellkarte verweist auf eine offizielle Intern-API, aber die Ökonomie, die man tatsächlich vergleichen möchte, ist die des Selbsthostings: ein Checkpoint mit 403B Parametern, rund 807 GB Gewichte verteilt auf 188 Shards in BF16, also ein ernstzunehmender Multi-GPU-Knoten, wobei der FP8-Build den Speicherbedarf ungefähr halbiert. Wenn Sie diese Kapazität bereits besitzen, nähern sich die Grenzkosten der nächsten wissenschaftlichen Abfrage den Stromkosten, und genau das ist der eigentliche Kern der Apache-2.0-Position. Wenn Sie sie nicht besitzen, ist das „kostenlose“ Modell ein Pilot für Investitionsausgaben, kein Einzelposten.

Was ein Router in dieser speziellen Gegenüberstellung bringt, ist die Nahtstelle und nicht der Preis. Grok 4.6 läuft über den Schlüssel, den Sie bereits für allgemeinen Produktions-Traffic nutzen; Intern-S2-397B wird nicht über OrcaRouter geroutet – es ist ein brandneuer Checkpoint, und Ihr Weg dorthin führt über die eigene API des Anbieters oder ein selbst gehostetes Deployment. Leiten Sie allgemeines, latenzempfindliches Reasoning auf das nutzungsabhängig abgerechnete Modell, behalten Sie die wissenschaftliche Batch-Arbeit auf dem Modell, das Sie betreiben, und lassen Sie sich durch automatisches Failover absichern, wenn der Endpunkt einer der beiden Seiten ungesund ist. Die Grenze zwischen ihnen wird zu einer Routing-Regel statt zu einer zweiten Integration.

Welches soll man wählen?

Nimm Grok 4.6, wenn die Aufgabe allgemein ist, das Reasoning schnell und korrekt zurückkommen muss und du den Stack, der es erzeugt, nicht selbst betreiben willst. Sein 500K-Fenster, sein gemessener GPQA Diamond von 94,9 und seine Tool-Suite sind Produktionsfunktionen, und die $2/$6-Abrechnung ist das, wofür du zahlst, wenn du nichts selbst betreibst.

Wähle Intern-S2-397B, wenn die Eingabe wissenschaftlich ist – ein Paper mit vielen Abbildungen, ein Moleküldiagramm, ein Zeitreihensignal – und wenn das Reasoning auf Daten stattfinden muss, die deine Umgebung nicht verlassen dürfen, oder auf einem Verhalten, das du selbst feintunen möchtest. Apache-2.0 macht das möglich; keine gemietete API schafft das. Rechne mit den Hardwarekosten, erwarte eine Weile lang kein unabhängiges Scoreboard und behandle jede Zahl auf seiner Karte als Behauptung, bis jemand außerhalb von InternLM eine davon reproduziert.