Muse Wonder vs. Intern S2: 1.048.576 Tokens gegenüber 256K, und kein gemeinsamer Maßstab

Intern-S2-397B und Muse Wonder wurden noch nie von irgendjemandem gegeneinander gemessen. Das ist keine Lücke in der Forschung – es ist eine strukturelle Tatsache darüber, wie jedes der Modelle entstanden ist. InternLM veröffentlichte Intern-S2-397B am 13. September 2026 als Apache-2.0-Open-Weights-Checkpoint für wissenschaftliche Intelligenz und Long-Horizon-Agenten, ausschließlich von seinen eigenen Entwicklern gebenchmarkt, ohne jeglichen Drittanbieter-Score. Meta Superintelligence Labs begann am 12. Oktober 2026 mit dem Verkauf von Muse Wonder über die Meta Model API und Muse Code, und es hat genau eine Zeile eines unabhängigen Evaluators. Alles Folgende erfordert eine Kennzeichnung, auf welcher Seite des Zauns welche Zahl steht, und die beiden Modelle sind sich über etwas Grundlegenderes uneinig als über Benchmark-Scores: wofür ein Kontextfenster da ist. Die 1.048.576 Token von Muse Wonder sind ein pauschales, bepreistes Budget für eine einzelne Antwort. Die von Intern-S2-397B sind aufgeteilt – 256K für Text-Reasoning und 64K für multimodalen Input – bei einem Checkpoint, den man herunterlädt, statt ihn aufzurufen.

Die nützliche Fassung dieses Vergleichs ist nicht die Frage, welches Modell gewinnt. Sie besteht darin, dass eines von ihnen ein Instrument für wissenschaftliche Dokumentarbeit ist, das man innerhalb des eigenen Perimeters betreiben kann, und das andere ein gemieteter Generalist mit einem sehr großen Flatrate-Fenster. Das sind unterschiedliche Anschaffungen.

Was jedes Modell tatsächlich ist

Intern-S2-397B ist Shanghai AI Laboratorys I​nternLM-Flaggschiff, veröffentlicht am 13. September 2026 unter Apache-2.0. Der Name trägt 397B; die Modellkarte gibt 403 Milliarden Gesamtparameter an, und diese Differenz ist die Art von Inkonsistenz, die ein öffentlich entwickelter Checkpoint ansammelt. Architektonisch ist es ein Standard-Mixture-of-Experts-Transformer – 60 Schichten, 512 Experten mit 10 aktiven pro Token – und sein Hauptverkaufsargument ist ein Pretraining-Paradigma, das rohe Seiten wissenschaftlicher Literatur, Abbildungen, Layout, symbolische Notation und Prosa zusammen liest, anstatt den Text zuerst herauszuparsen. Darüber hinaus skaliert es Reinforcement Learning über mehr als zwanzig wissenschaftliche Domänen und ergänzt Langhorizont-Agententraining in Sandbox-Umgebungen. Es nimmt Text-, Bild- und Zeitreihen-Eingaben entgegen, erzeugt Prognosen aus dem Zeitreihen-Pfad, läuft auf LMDeploy, vLLM und SGLang, unterstützt Tool-Calling und denkt standardmäßig, es sei denn, man übergibt enable_thinking=False pro Anfrage. In BF16 ist der Checkpoint ungefähr 807 GB groß, sodass Self-Hosting einen ernsthaften Multi-GPU-Knoten bedeutet.

Muse Wonder ist der Frontier-Release von Meta Superintelligence Labs vom 12. Oktober 2026, angekündigt als Serie aus zwei Checkpoints. Nur muse-wonder-1.0 verfügt über einen Per-Token-Endpunkt, auf der Meta Model API und innerhalb von Muse Code; Muse Wonder Full, die höher bewertete Konfiguration, wird nur über ein Muse Code-Abonnement verkauft und hat keine öffentliche Preisliste. Der aufrufbare Checkpoint akzeptiert Text-, Bild-, Sprach- und Videoeingabe, gibt Text zurück, verfügt über ein Kontextfenster von 1.048.576 Token, begrenzt eine einzelne Antwort auf 943.718 Token, kostet 4,00 $ pro Million Eingabe-Token, 0,20 $ für gecachte und 20,00 $ für Ausgabe-Token und führt Reasoning zwingend auf einer Aufwandsskala von minimal bis max aus, die standardmäßig auf medium eingestellt ist. Es gibt keine Gewichte, keine Lizenz und keine Version, die Sie weiter betreiben können, wenn sich der Endpunkt ändert.

Das ist der erste echte Unterschied zwischen ihnen, und es ist keine Benchmark-Zeile. Das eine ist eine Datei. Das andere ist ein Vertrag.

Kontextfenster, worunter die beiden Modelle Unterschiedliches verstehen

Hier führt ein Vergleich der Datenblätter am meisten in die Irre, denn beide Modelle werden üblicherweise als Long-Context-Modelle beschrieben.

• Textkontext — Muse Wonder 1.048.576 Tokens in einem Fenster; Intern-S2-397B 256K für Textschlussfolgerungen

• Multimodaler Kontext — das volle Fenster von Muse Wonder umfasst seine Bild-, Sprach- und Videoeingabe; Intern-S2-397B verfügt über einen separaten multimodalen 64K-Kontext

• Maximale Ausgabe in einer Antwort — Muse Wonder 943.718 Tokens; für Intern-S2-397B wurde kein vergleichbarer Wert veröffentlicht

• Eingabeoberfläche — Muse Wonder Text, Bild, Sprache, Video; Intern-S2-397B Text, Bild, Zeitreihen

• Zeitreihenprognose — Muse Wonder: keine; Intern-S2-397B unterstützt, derzeit nur über LMDeploy angebunden

• Preis — Muse Wonder 4,00 $ Eingabe, 0,20 $ gecacht, 20,00 $ Ausgabe pro Million Token; Intern-S2-397B kein veröffentlichter Preis pro Token, weil das Vertriebsmodell ein Download ist

Die Prognose-Zeile ist diejenige, die auf der anderen Seite kein Gegenstück hat, und sie ist kein Marketing-Feature – sie ist der Grund dafür, dass das Modell in genau dieser Form existiert. Ein Modell, das ein Zeitreihensignal aufnimmt und eine Prognose erzeugt, leistet etwas, worum man ein Textmodell nicht bitten kann, ganz gleich, wie groß seine Fenstergröße ist. Wenn das Ihr Workload ist, ist der Vergleich bereits entschieden.

Für alle anderen ist die relevante Frage, was tatsächlich passt. Ein 1.048.576-Token-Fenster zu einem Pauschalpreis ist ein anderes Produkt als ein 256K-Textfenster auf eigener Hardware, und der Unterschied zeigt sich genau in den Workloads, die langen Kontext interessant gemacht haben – eine Codebasis im Prompt, ein Korpus von Papers, eine lange agentische Sitzung, die ihren Verlauf behält.

Die Beweisgrundlagen, die sich nicht berühren

Die veröffentlichten Zahlen der beiden Modelle lassen sich nicht auf dieselbe Achse setzen, und es lohnt sich, unverblümt zu sagen, warum.

Die Benchmark-Karte von Intern-S2-397B stammt von InternLM selbst, wurde vom Team, das das Modell entwickelt hat, über OpenCompass, VLMEvalKit und AgentCompass ausgeführt, ohne unabhängige Reproduktion. Ihre Spalten sind Qwen3.5-397B-A17B, DeepSeek V4 Pro, Kimi K2.7-Code, GLM-5.2, GPT-5.5, Gemini 3.1 Pro und Claude Opus 4.8 — kein Modell von Meta und kein Muse Wonder, sodass die Tabelle des Anbieters keinen einzigen Muse-Vergleich enthält. Und jede irgendwo kursierende Angabe zu „Intern-S2 versus Muse Wonder“ ist eine Extrapolation über zwei nicht miteinander zusammenhängende Tabellen hinweg.

Was diese Karte veröffentlicht, ist alles von InternLM gemeldet: 89,77 bei MMLU Pro, 93,56 bei HMMT-2026, 81,68 bei MMMU Pro, 68,54 bei SWE-bench-Pro, 64,04 bei TerminalBench 2.1, und bei den wissenschaftlichen Sets 55,71 bei Biology-Instructions, 63,28 bei SciReasoner 1.5 und 53,95 bei Mol-Instructions. Lies das als Porträt: stark bei Wissen, Mathematik und multimodaler Argumentation, führend bei Software-Engineering und zwanzig Punkte hinter Claude Opus 4.8 bei Terminal-Arbeit — genau die Achse, auf der ein Produktionsagent seinen Tag verbringt.

Die Beleglage von Muse Wonder hat die umgekehrte Form. Metas Starttabelle deckt beide Checkpoints bei maximalem Reasoning ab und stützt sich größtenteils auf Langzeit-Agenten-Benchmarks – DeepSWE 1.1, SWE-Marathon, Terminal-Bench 4.0-AA, OSWorld V2.1 –, all das vom Anbieter berichtet, in Metas Harness, nicht reproduziert. Unabhängige Kommentare haben die stärksten Zeilen ohne diesen Vorbehalt wiederholt, und so wird ein Anbieter-Harness in der Öffentlichkeit zum Fakt. Der einzige wirklich unabhängige Wert ist der Intelligence Index von Artificial Analysis mit 52 bei maximalem Aufwand, auf Platz neun von mehr als 200 Modellen, mit etwa 4,52 US-Dollar gemessener Kosten pro abgeschlossener Index-Aufgabe und rund 130 Millionen verbrauchter Output-Tokens gegenüber einem Board-Median von nahezu 85 Millionen.

Also: Die Stärke des einen Modells wird von seinem Hersteller anhand wissenschaftlicher Benchmarks behauptet, die kein Dritter erneut durchgeführt hat. Die des anderen auf agentischen Benchmarks: dasselbe. Keines wurde von irgendjemandem mit dem anderen verglichen. Das Einzige, was eine ehrliche Seite damit tun kann, ist, es laut auszusprechen.

Wo der Vergleich durch den Preis entschieden wird und wo nicht

Intern-S2-397B hat keine Preisliste. Das ist der gesamte Preisabschnitt, und es ist ein echter Befund statt eines fehlenden Werts: Entweder hosten Sie etwa 807 GB BF16-Gewichte selbst auf Hardware, die Sie besitzen, oder Sie registrieren sich für einen Token bei InternLMs eigener API und bewegen sich innerhalb des Kontingents, das Ihnen gewährt wird. Es gibt keine Pro-Token-Zahl, die man neben Muse Wonders 4,00 $ und 20,00 $ setzen könnte, und keine Rechnung, die man mit einer Pay-per-Token-Rechnung vergleichen könnte.

Was das für die Entscheidung bedeutet, ist subtiler als „kostenlos versus kostenpflichtig“. Ein heruntergeladener Checkpoint verwandelt variable Kosten in Kapitalkosten und eine Anbieterbeziehung in ein Artefakt, das Ihnen gehört. Das ist sehr viel wert, wenn Ihre Daten Ihren Perimeter nicht verlassen dürfen, wenn Ihre Arbeitslast stabil genug ist, um die GPUs zu rechtfertigen, oder wenn Reproduzierbarkeit wichtiger ist als ein Benchmark-Punkt. Es ist sehr wenig wert, wenn Ihr Traffic stark schwankt, wenn Ihr Team keinen Serving-Stack hat oder wenn Sie möchten, dass sich das Modell verbessert, ohne dass Sie etwas tun müssen.

Keines der beiden Modelle wird von uns bereitgestellt, und es ist besser, das klar zu sagen, statt etwas anderes anzudeuten: Intern-S2-397B ist ein brandneuer Apache-2.0-Checkpoint ohne Routing-Abdeckung, und Muse Wonder ist in Metas API und in Muse Code, ohne dass wir eine Bereitstellung durch Dritte verifizieren können. Womit ein Router hilft, ist die Hälfte davon, die aufrufbar ist. OrcaRouter führt mehr als 200 Modelle hinter einem Schlüssel zum Listenpreis des Anbieters mit 0 % Aufschlag — kein Zwischenhändler-Aufschlag, sodass eine Preissenkung eines Anbieters noch am selben Tag live ist — einschließlich Metas eigener Muse Spark 1.2 und Muse Spark 1.1, sodass die Meta-Modelle, die Sie heute erreichen können, neben allem anderen unter denselben Zugangsdaten stehen. Wenn Ihr Produktionsverkehr auf einem gerouteten Modell landet und Ihre wissenschaftliche Batch-Arbeit auf Intern-S2-397B irgendwo läuft, wo Sie die Kontrolle haben, dann ist diese Nahtstelle eine Routing-Entscheidung statt einer zweiten Integration.

Wer sollte welche auswählen?

Nimm Intern-S2-397B, wenn die Arbeit im Lesen von Wissenschaft besteht: ein Paper mit vielen Abbildungen, ein Moleküldiagramm, eine eingescannte Tabelle, eine Prognose aus einem Zeitreihensignal oder ein Agent, der eine Forschungsaufgabe kontinuierlich durcharbeiten muss. Die Apache-2.0-Lizenz bedeutet, dass du es auf proprietären Daten feinabstimmen und das Ergebnis innerhalb deines eigenen Perimeters behalten kannst – genau der Teil dieses Vergleichs, den keine Preisliste erfasst. Plane die Hardware ein und rechne damit, dass es einige Monate lang keine unabhängige Bestenliste geben wird – das Repository ist Wochen alt und enthält keine Messungen von Drittanbietern.

Nehmen Sie Muse Wonder, wenn die Arbeit allgemein, lang und agentisch ist und wenn Sie lieber mieten als besitzen: ein Fenster von 1.048.576 Token zu einem Pauschalpreis ohne Stufen, eine Antwort-Obergrenze von 943.718 Token, auf die nichts im veröffentlichten Material von Intern-S2 eine Antwort gibt, obligatorisches Reasoning für schwierige mehrstufige Aufgaben und eine Pay-per-Token-Rechnung, die Sie heute in eine Tabellenkalkulation eintragen können. Der Vorbehalt ist derselbe, der für jede von M​eta veröffentlichte Zeile gilt: Zwei Tage unabhängiger Messung sind zwei Tage, und ein Evaluator ist ein Evaluator.

Das Team, das beides braucht, sollte die Grenze zwischen ihnen als Routing-Frage behandeln und nicht als Migration. Lassen Sie den allgemeinen Traffic über ein Modell laufen, das Sie aufrufen können, behalten Sie die wissenschaftliche Arbeit auf dem Checkpoint, den Sie in der Hand haben, und führen Sie Ihre eigenen Evals auf Intern-S2-397B erneut aus, bevor Sie einer Anbieterangabe über dessen Terminal-Performance glauben — denn die eigene Tabelle des Anbieters ist die am wenigsten schmeichelhafte Zeile darin.