Eine Titelkarte mit der Aufschrift NVIDIA Nemotron 3.5 Super VL 120B vs. Intern-S2-397B, mit vier Statistiktafeln, die Intern-S2-397Bs 403B Gesamtparameter mit 10 aktiven pro Token über 60 Layer hinweg zeigen, seine rund 807 GB an BF16- und F32-Gewichten über etwa 188 Shards, seine Apache-2.0-Lizenz gegenüber Super VLs OpenMDW-1.1 und den 1M-Token-Kontext von Super VL gegenüber Intern-S2-397Bs 256K-Textfenster mit multimodaler Auswertung bei 64K, mit einem OrcaRouter-Logo in der Ecke.
Engineering & Research

NVIDIA Nemotron 3.5 Super VL 120B vs. Intern-S2-397B: zwei offene Vision-Modelle, von denen man eines heute tatsächlich aufrufen kann

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Beide dieser Modelle sind Open-Weight, beide sind multimodal, beide sind Apache-artig oder unter OpenMDW für kommerzielle Nutzung lizenziert, und beide sind die Art von Sache, die man herunterlädt, statt sie zu abonnieren. Der Unterschied, der die meisten Evaluierungen entscheidet, steht auf keinem der beiden Datenblätter. Intern-S2-397B, das 403-Milliarden-Parameter-Flaggschiff von InternLM, das am 13. September 2026 auf Hugging Face veröffentlicht wurde, hat eine vom Anbieter gehostete API, auf die Sie einen O​penAI-kompatiblen Client am selben Tag richten können, an dem Sie davon lesen. N​VIDIA N​emotron 3.5 Super VL 120B A12B, am 12. Oktober 2026 auf Hugging Face hochgeladen und am 15. in N​VIDIAs Ankündigung bestätigt, besitzt keine: N​VIDIA hat dafür über keinen Kanal weder einen Endpunkt noch einen Preis pro Token veröffentlicht, auch nicht über seinen eigenen NIM-Microservice. Man kann also eines davon heute Nachmittag mit einem Token evaluieren, und das andere erfordert vor dem ersten Prompt eine H200 oder vier H100. Diese Lücke ist mehr wert als jede Sieben-Punkte-Spanne in einer Benchmark-Tabelle.

Die Bereitstellungsebene, Seite an Seite

Beginnen Sie hier, denn das schließt für die meisten Leser eines dieser Modelle aus, bevor überhaupt über Qualität diskutiert wird.

• Gesamt- und aktive Parameter — Intern-S2-397B 403B gesamt mit 10 aktiven pro Token über 60 Layer und 512 Experten; Nemotron 3.5 Super VL 120B A12B 120B gesamt mit 12 aktiven pro Token über verschachtelte Mamba-2-, MoE- und Attention-Layer.

• Gewichtsgröße auf der Festplatte — Intern-S2-397B rund 807 GB verteilt auf etwa 188 BF16/F32-Shards; der BF16-Build von Super VL ist ein Bruchteil davon, mit einem NVFP4-Build, der klein genug ist, um auf einem einzigen DGX Spark zu laufen.

• Minimale einsatzfähige Hardware – Intern-S2-397B benötigt eine echte Multi-GPU-Flotte; Super VL benötigt 4× H100 oder 2× GB200 in BF16 oder einen H200, einen GB200, 2× H100 oder einen DGX Spark in NVFP4.

• Gehosteter Zugang — Intern-S2-397B ist über die eigene Intern-API des Anbieters erreichbar unter chat.intern-ai.org.cn/api/v1 mit der Modell-ID intern-s2-397b, dokumentiert als OpenAI-kompatibel und Anthropic-kompatibel; Super VL hat von niemandem einen veröffentlichten Endpunkt.

• Lizenz — Apache-2.0 für Intern-S2-397B; OpenMDW-1.1 für Super VL. Beide erlauben die kommerzielle Nutzung.

• Kontext — 256K Token für Intern-S2-397B, mit multimodaler Evaluierung bei 64K; 1M Token für Super VL.

• Videoeingabe — Super VL akzeptiert MP4 bis zu zwei Minuten, als Einzelbilder abgetastet; die dokumentierten Modalitäten von Intern-S2-397B sind Text, Bild und Rohsignaldaten. Video gehört nicht dazu.

Lies diese Liste zweimal, und das Muster wird klar. Intern-S2-397B ist das größere, ältere, wissenschaftlichere Modell mit einem gehosteten Zugang. Super VL ist das kleinere, neuere, besser einsetzbare Modell mit einem längeren Fenster und Video, aber noch ohne jeglichen Zugang.

Wofür Intern-S2-397B tatsächlich gebaut wurde

InternLM beschreibt das Modell als entlang dreier Achsen skalierend, und die erste davon ist die technische Behauptung, die es zu verstehen lohnt: Vision-Language-Pre-Training, das direkt auf rohen Seiten wissenschaftlicher Literatur durchgeführt wird und symbolische Semantik und visuelle Beziehungen in einem gemeinsamen Repräsentationsraum zusammen modelliert, ohne einen zwischengeschalteten Parsing-Schritt. Eine Abbildung, eine Tabelle, ein Spektrum und der Satz, der sie beschreibt, werden zusammen gelernt, statt dass Text extrahiert und Bilder im Nachhinein angehängt werden.

Dieses Design zeigt sich in den Benchmarks, mit denen InternLM vorangehen wollte, und es ist der Grund, warum die Vision-Zahlen der beiden Modelle nicht austauschbar sind. Die Modellkarte von Intern-S2-397B meldet ChartQAPro 71,12 und MMMU Pro 81,68 und führt bei wissenschaftsspezifischen Werten — Biology-Instructions 55,71, Mol-Instructions 53,95, MolecularIQ 62,35, SciReasoner-1.5 63,28, TOMG-Bench 66,76. Die Karte von Super VL führt mit OCR-Reasoning 65,08, OCRBench-v2 mit 68,12 Englisch und 59,15 Chinesisch, MMLongBench-Doc 62,82, CharXiv-RQ 80,82 und MathVision 78,16. Unterschiedliche Aufgaben, unterschiedliche Trainingsverteilungen, und keine der beiden Ergebnismengen ist unabhängig reproduziert.

Die dritte Achse ist diejenige, die Intern-S2-397B für einen agentischen Workload ungewöhnlich macht: Black-Box-agentisches Reinforcement Learning in Sandbox-Umgebungen, wobei der Agent über mehrere Frameworks angebunden und ausdrücklich auf Obergrenzen bei langfristigen Aufgaben ausgerichtet ist. N​VIDIAs entsprechende Behauptung für Super VL ist eine Post-Training-Pipeline, die in RL mit verifizierbaren Belohnungen und Multi-Teacher-On-Policy-Distillation endet und auf SWE-bench und tau2-bench evaluiert wird. Beides sind Behauptungen über die Methode statt Messungen des Ergebnisses.

Die Signaleingangsfähigkeit, die keiner der beiden Wettbewerber hat

Intern-S2-397B akzeptiert Rohsignaldaten — .npy, .csv und .wav — als erstklassigen Eingabetyp neben Text und Bildern, mit einem dokumentierten Erdbebenereignis-Beispiel, das die Ankunftsindizes von P-Wellen und S-Wellen erkennt, sowie Punkt- und Quantilprognose über einen forecast_horizon-Parameter. Das ist derzeit nur mit LMDeploy möglich und ein Feature zur Inferenzzeit, kein Benchmark-Ergebnis.

Kein Modell in diesem Vergleich leistet etwas Derartiges, und kein geschlossenes Frontier-Modell leistet das ebenfalls. Wenn Ihre Arbeit Sensoraufzeichnungen, seismische Daten oder Zeitreihenprognosen umfasst, die zusammen mit Bildern und Text analysiert werden müssen, ist Intern-S2-397B nicht die bessere Wahl zwischen diesen beiden – es ist die einzige Wahl, und die 807 GB an Gewichten sind der Eintrittspreis.

Benchmarks, jeweils mit der dazugehörigen Quellenangabe

Keines der beiden Modelle verfügt über eine saubere unabhängige Bewertung, und die beiden Anbietertabellen überschneiden sich in keiner einzigen Zeile, daher handelt es sich bei dem Folgenden um eine Deutung von Behauptungen statt um eine Rangfolge.

Intern-S2-397B, alle vom Anbieter InternLM auf dessen eigenen Harnessen (OpenCompass, VLMEvalKit, AgentCompass) gemeldet, nicht reproduziert, mit GPT-5.5 als geschlossener Referenz: MMLU Pro 89,77, HMMT-2026 93,56, AdvancedIF 71,57, MMMU Pro 81,68, ChartQAPro 71,12, TerminalBench 2.1 64,04, SWE-bench-Pro 68,54, SWE-bench-Multilingual 84,00, SciCode 47,63, SGLBench 51,89, FrontierScience-Olympiad 87,00 und FrontierScience-Research 55,00. Artificial Analysis hatte zum Veröffentlichungszeitpunkt keinen Eintrag für Intern-S2-397B, und die neutralen Ranglisten führten ebenfalls keinen auf – diese Lücke könnte sich seitdem geschlossen haben, und es lohnt sich, das zu prüfen, bevor Sie sich auf eines dieser Ergebnisse verlassen.

Nemotron 3.5 Super VL 120B A12B, auf zwei Quellen aufgeteilt. Vom Anbieter gemeldet von NVIDIA auf NeMo Gym: SWE-bench Verified 71,10, SWE-bench Multilingual 67,72, SWE-bench Pro 51,78, tau2-bench Retail 69,24 und Airline 76,50, BrowseComp 78,91, GraphWalks 89,71, GPQA-Diamond 89,52, HLE 31,79 ohne Tools, OCRBench-v2 68,12 Englisch, MMLongBench-Doc 62,82, Video-MME-v2 32,85. Von Artificial Analysis per Panel gemessen, und dies ist die einzige unabhängig ermittelte Zahl in diesem gesamten Artikel: ein Intelligence Index von 26,49, mit 0,0 bei Terminal-Bench 4.0 und einer gemessenen Halluzinationsrate von 0,3585.

Zwei Dinge verdienen im zweiten Block eine Anmerkung. NVIDIAs Terminal-Bench-2.1-Wert erscheint als 66,70 auf der Modellkarte und als 60,67 in der Übersichtstabelle des technischen Berichts, wobei alle anderen Zeilen in diesen Dokumenten übereinstimmen – einer der beiden Werte ist falsch, und solange die Rezepte nicht erneut ausgeführt werden, ist keiner von beiden sicher zitierbar. Und die 0,0 des Panels bei Terminal-Bench 4.0 gegenüber den vom Anbieter gemeldeten 64,04 bei TerminalBench 2.1 für Intern-S2-397B, gemessen in einer anderen Suite von seinem eigenen Labor, ist eine Erinnerung daran, dass Terminal-Agent-Werte selbst dann nicht über verschiedene Harnesse hinweg vergleichbar sind, wenn die Namen ähnlich aussehen.

A two-column comparison scoreboard titled NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B, with rows for Parameters, Context, Weight footprint, Licence, Hosted API, Video input and Independent score, carrying Super VL's 120B total and 12B active, 1M-token context, single-H200 NVFP4 serving, OpenMDW-1.1 licence, no published endpoint, MP4 video up to two minutes and its 26.49 panel index with 0.0 Terminal-Bench 4.0, against Intern-S2-397B's 403B total and 10 active across 512 experts, 256K text and 64K multimodal context, roughly 807 GB across about 188 shards, Apache-2.0 licence, vendor Intern API, no video input, and no panel entry at release.

Warum das 1M-Token-Fenster im Vergleich zu 256K kein siebenstelliger Gewinn ist

In den Datenblättern heißt es, Super VL unterstütze 1M Token und Intern-S2-397B unterstütze 256K, wobei die multimodale Evaluierung bei 64K liegt. Das sieht nach einem klaren Sieg für das NVIDIA-Modell aus, bis man den Langkontext-Recall-Wert des Panels hinzuzieht: 0,69 bei AA-LCR. Ein Modell mit einem Fenster von einer Million Token und einem Langkontext-Score unter eins ist ein Modell, das eine Million Token aufnehmen kann und am Ende nicht unbedingt viel damit anfängt.

Intern-S2-397B's 256K ist mit 256K für Textreasoning und 64K für multimodale Aufgaben dokumentiert, und InternLM hat überhaupt keinen Langkontext-Recall-Wert veröffentlicht. Die ehrliche Position ist also, dass das eine Modell ein längeres Fenster und einen schlechten gemessenen Recall dafür hat und das andere ein kürzeres Fenster und keine Messung. Wenn Langkontext-Recall für Ihre Workload zentral ist, sollte keines von beiden aufgrund seiner Kontextlänge ausgewählt werden.

Verfügbarkeit und wie OrcaRouter hineinpasst, wenn keines der beiden Modelle in unserem Katalog geführt wird

Weder Intern-S2-397B noch N​VIDIA N​emotron 3.5 Super VL 120B A12B wird heute von OrcaRouter angeboten, und dieser Artikel wird nichts Gegenteiliges nahelegen. Intern-S2-397B ist über die eigene API des Anbieters und Self-Hosting mit LMDeploy, vLLM oder SGLang erreichbar, wobei Deployment-Rezepte in der Modellkarte mitgeliefert werden. Super VL ist ausschließlich selbst zu hosten — N​VIDIAs NIM-Microservice ist der angekündigte Weg, und es wurden weder ein Endpunkt noch ein Preis dafür veröffentlicht.

Was ein Gateway wert ist, wenn die gewünschten Modelle nicht darauf laufen, hat eine konkrete Antwort: es ist der Ort, an dem der Rest der Pipeline bereits beheimatet ist. Dokumenten-Triage, die in Ihrem Netzwerk verbleiben muss, läuft auf Ihrer eigenen Intern-S2-397B- oder Super-VL-Bereitstellung; die Extraktions-, Klassifizierungs- und Zusammenfassungsaufrufe darum herum laufen auf einem gehosteten Modell mit demselben Schlüssel. Die Routing-DSL ist es, die diese Grenze lesbar hält – als Bedingung im Prompt ausgedrückt und nicht als ein im Anwendungscode vergrabener Zweig –, und automatisches Failover bedeutet, dass ein Ausfall der selbstgehosteten Hälfte die Anfrage nicht mitreißt. Zero Markup ist hier auf eine nüchternere Weise von Bedeutung: Was die gehostete Hälfte Ihrer Pipeline heute kostet, das kostet sie hier, weil der Listenpreis des Anbieters wird unverändert weitergegeben.

The OrcaRouter models index page, showing the catalogue of more than two hundred models with provider names and per-million-token pricing.

Zwischen ihnen wählen

Wählen Sie Intern-S2-397B, wenn Sie heute ohne den Kauf von Hardware in Betrieb gehen müssen, wenn Ihr Fachgebiet wissenschaftliche Literatur und Abbildungen sind, wenn Rohsignale oder Zeitreihen als Eingabe Teil der Arbeitslast sind oder wenn Ihnen ein vom Anbieter gepflegter gehosteter Endpunkt mehr wert ist als die Kontrolle über das Deployment. Die 807 GB an Gewichten sind echte Kosten, aber die gehostete API bedeutet, dass Sie feststellen können, ob das Modell gut ist, bevor Sie sie bezahlen.

Wählen Sie N​emotron 3.5 Super VL 120B A12B, wenn Video als Eingabe dient, wenn Sie statt einer ganzen Flotte nur eine einzelne H200 oder einen DGX Spark haben, wenn das Modell innerhalb Ihres Netzwerks liegen muss oder wenn Sie ein Fine-Tuning planen — N​VIDIA hat die Post-Training-Datensätze und die NeMo Gym RL-Umgebungen zusammen mit den Gewichten veröffentlicht, und das ist die wiederverwendbarere Hälfte des Releases. Lassen Sie Ihren eigenen Dokumentensatz vor der Entscheidung durch den NVFP4-Build laufen und testen Sie gezielt den Langkontext-Abruf, statt der Angabe von 1 Mio. Tokens zu vertrauen.

Wählen Sie vorerst keines von beiden, wenn Sie tatsächlich ein Modell mit einer unabhängigen Bewertung benötigen, auf die Sie sich stützen können. Die Zahlen von Intern-S2-397B sind alle vom Anbieter gemeldet, und dessen Panel-Abdeckung ist unklar; Super VL hat genau eine Bewertung von Drittanbietern, und diese ist ein einzelner Indexwert. Zwei offene Vision-Modelle, deren Veröffentlichungen etwa sechs Wochen auseinanderliegen, beide mit nicht reproduzierten Benchmark-Tabellen und keines von beiden auf einer neutralen Rangliste, auf der Sie sie vergleichen können — die verantwortungsvolle Vorgehensweise ist, sie anhand Ihrer eigenen Dokumente zu benchmarken, und die Anbieter-API ist es, die die Hälfte davon günstig macht.

Worauf man achten sollte: ein unabhängiger Panel-Eintrag für Intern-S2-397B, der seine gesamte Karte von Behauptungen in Belege verwandeln würde; ein Preis und ein Endpunkt für Super VL, was die H200 aus den Zugangsvoraussetzungen entfernen würde; und eine korrigierte Terminal-Bench-Zahl von NVIDIA, die die eine Stelle auflösen würde, an der sich zwei primäre Dokumente ein und desselben Anbieters widersprechen.

The Hugging Face model card for NVIDIA Nemotron 3.5 Super VL 120B A12B, showing the model summary and the vendor benchmark table with the vision-language evaluation rows.

Nichts davon ist ein Grund, das Modell zu meiden, sondern nur ein Grund, die Geschichte zu kennen: Die dokumentierten KI-Vorfälle und Agentenfehler hinter Modellen dieser Klasse sind gesammelt in dem OrcaRouter AI Incident Archive, wobei jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Konfidenzgrad und seine Kennzeichnung als umstritten enthält.