GPT-6.1 Sol vs Intern S2: Uno tiene precio, el otro tiene pesos

Lo más extraño de comparar GPT-6.1 Sol con Intern S2 es que uno de los dos lados de la comparación no tiene un precio que puedas consultar. El Intern-S2-397B de Shanghai AI Laboratory, publicado el 13-09-2026, llega con los pesos Apache 2.0 en Hugging Face, un informe técnico y un endpoint de API alojado por el proveedor, y sin ninguna tarifa por token publicada en ningún sitio. El GPT-6.1 Sol de Open​AI, lanzado el 29-09-2026, cuesta $2.00 por millón de tokens de entrada y $10.00 por millón de salida, con un nivel documentado a partir de 272.000 tokens de prompt, y cada uno de esos números aparece en una página de precios pública. Así que la forma honesta de plantear este emparejamiento no es «cuál es mejor», sino «para cuál de los dos puedes prever realmente una factura», y la respuesta difiere por razones que no tienen nada que ver con la capacidad.

Todo lo que sigue se divide claramente en dos bases de evidencia, y mantenerlas separadas es la mayor parte del trabajo. Las cifras de GPT-6.1 Sol son independientes, de Artificial Analysis, salvo donde una frase indique lo contrario. Las cifras de Intern-S2 son de InternLM, no reproducidas por ningún tercero, y las frases que las contienen así lo dicen.

Dos sistemas bajo un mismo nombre.

Intern S2 no es un solo modelo, y vale la pena aclarar la confusión antes que nada. La familia contiene al menos dos artefactos publicados:

• Intern-S2-Mobius — un modelo de pesos abiertos de 35.000 millones de parámetros bajo Apache 2.0, preentrenado de forma continua a partir de Qwen3.5-35B, usando una arquitectura Mobius-v0 con una Memoria compartida de 2.560 expertos, cuatro bloques Reasoner y 40 capas. La guía de despliegue describe aproximadamente 3.000 millones de parámetros activos por token con un patrón de atención híbrida 3:1, un contexto de 256.000 tokens y una torre de visión. Los pesos se publicaron el 29 de julio de 2026; el repositorio de GitHub y el informe técnico le siguieron el 5 de agosto de 2026; la compatibilidad con vLLM se integró el 6 de agosto de 2026.

• Intern-S2-397B — el buque insignia, publicado el 13 de septiembre de 2026. Aproximadamente 397 mil millones de parámetros totales en una arquitectura Qwen3.5-MoE, 512 expertos con 10 activos, pesos Apache 2.0 en Hugging Face junto con una tarjeta de modelo, una entrada oficial en la API de Intern, y soporte de vLLM Day-0 anunciado al día siguiente, con una receta publicada para inferencia FP8 en ocho H100 u ocho H200. Sus límites publicados son 256.000 tokens de contexto de texto y 64.000 de contexto multimodal.

GPT-6.1 Sol es el objeto más simple: un identificador de instantánea, gpt-6.1-sol, sin variante con fecha, 1.050.000 tokens de contexto, 128.000 de salida máxima, entrada de texto, imagen y archivo, cinco niveles de esfuerzo de razonamiento con medio como predeterminado, y una fecha de corte de conocimiento declarada del 30 de abril de 2026.

En qué se basan las cifras de cada parte

Este es el eje en el que ambos están más alejados, y no es por poco.

El récord independiente de GPT-6.1 Sol, todo de Artificial Analysis:

• AA Intelligence Index — 51,8, puesto 10 de 147 modelos, percentil 93,2.

• Humanity's Last Exam — 52,9 %.

• Recall de contexto largo — 83%.

• SciCode — 54,2 %.

• Terminal-Bench 4.0 — 56,06 %.

El récord de Intern-S2, todo propio de InternLM, nada reproducido por un tercero:

• MMLU Pro — 89,77 % para el modelo insignia de 397B.

• HMMT-2026 — 93,56 %.

• MMMU Pro — 81,68 %.

• SWE-bench-Pro — 68,54%.

• TerminalBench 2.1 — 64,04 %.

• Filas de dominio científico — Biology-Instructions 55,71%, SciReasoner 1.5 63,28%, Mol-Instructions 53,95%, MolecularIQ 62,35%.

Esas dos listas no son comparables, y merece la pena explicar con claridad por qué. El primer conjunto es una parte sin interés en el resultado que hace las mismas preguntas a muchos modelos bajo un mismo protocolo. El segundo conjunto es el laboratorio que entrenó al modelo informando de cómo le fue a su propio modelo. Eso no hace que el segundo conjunto sea falso —los laboratorios con un informe técnico publicado y pesos descargables se juegan su reputación en las cifras—, pero sí significa que las cifras son una afirmación más que una medición, y actualmente no hay ningún evaluador independiente, ni ningún proveedor de inferencia independiente, que publique puntuaciones de Intern-S2 en ninguna parte.

Las filas que contienen información real

Dos cosas en los propios materiales de InternLM son más informativas que las puntuaciones destacadas, precisamente porque no son halagadoras.

El primero es la tabla de benchmarks de Mobius para el modelo de 35B, que lo compara con la base Qwen3.5-35B a partir de la cual se preentrenó de forma continuada. Esa es una comparación genuinamente útil: mismo linaje, misma escala, así que el delta aísla lo que aportó el cambio de arquitectura. Mobius gana siete de nueve benchmarks generales y pierde por mucho en Humanity's Last Exam y UGD. Leído con honestidad, la arquitectura Mobius aporta mejoras generales moderadas y cede algo en el conjunto de razonamiento más difícil. Las filas del dominio científico en la misma tabla son mayores, pero son el sello del preentrenamiento continuado de dominio, no el de la arquitectura: los datos de entrenamiento son el origen de las cifras de biología y química, no la disposición de expertos.

El segundo es la historia de la eficiencia, que es la afirmación más concreta del anuncio: 2,9 veces el rendimiento de la línea base con un batch de 16, que sube a 4,6 veces con un batch de 256. Esas son proporciones frente a una línea base interna, medidas por el laboratorio, en hardware que el laboratorio eligió —y también son el tipo de afirmación que es fácil de verificar una vez que tienes los pesos, y los tienes, bajo Apache 2.0.

Esa verificabilidad es el valor real de un release abierto, y apunta a algo que las puntuaciones de los titulares no pueden: no tienes que confiar en la relación de throughput, porque ocho H100 y una receta de vLLM son ahora lo único que se interpone entre tú y comprobarlo.

Pesos abiertos frente a un endpoint de pago

Aquí es donde los dos modelos dejan de ser alternativas y empiezan a ser decisiones diferentes.

GPT-6.1 Sol es un servicio. Pagas por token, obtienes una ventana de 1.050.000 tokens, 128.000 tokens de salida, cinco niveles de esfuerzo y ninguna superficie operativa en absoluto. La factura escala linealmente con el uso y el costo marginal de un pico es una partida, no un problema de capacidad. La contrapartida es que no puedes hacerle ajuste fino —Open​AI no publica ninguna vía de ajuste fino para este modelo—, no puedes ejecutarlo en tu propio hardware, y tu economía unitaria la define la página de precios de otra persona.

Intern-S2-397B es una descarga. Apache 2.0 significa que puedes ejecutarlo, modificarlo, ajustarlo con fine-tuning y servirlo dentro de tu propia red sin que ningún dato salga de ella. Ocho H100s es un coste de capital real y una carga operativa real, pero por encima de cierto volumen sostenido ese coste de capital es más barato que una tarifa por token, y es la única opción si los datos no pueden salir de tu perímetro en absoluto. La contrapartida es que todo lo relacionado con la calidad ahora es tu problema: no hay ningún benchmark independiente con el que planificar, ningún proveedor externo al que recurrir en caso de fallo, y ningún proveedor al que escalar una regresión.

Entre esas dos posiciones, la variable decisiva es casi siempre la utilización. Un pico mensual de unos pocos cientos de millones de tokens no amortiza ocho GPUs. Un flujo mensual constante de varios miles de millones de tokens dentro de un perímetro regulado, con frecuencia sí.

El número que falta en una columna

Intern-S2-397B no tiene ninguna tarifa publicada por token. Eso no es una omisión que se pueda sortear con una estimación; significa que la comparación estándar que suele hacer este blog —coste por millón de tokens frente a coste por millón de tokens— no se puede realizar en absoluto contra la ruta autoalojada.

La comparación que se puede hacer es con el endpoint alojado por el proveedor. InternLM opera una API oficial de Intern en chat.intern-ai.org.cn/api/v1 con el identificador de modelo intern-s2-397b, y la tarifa de ese endpoint es la que necesitarías comparar cotización con cotización con los $2.00 y $10.00 de GPT-6.1 Sol. Hasta que se publique esa tarifa, la única afirmación honesta es que el precio de la vía de la API es desconocido, y el precio de la vía autoalojada es una función de tu contrato de GPU y de tu utilización, no de un tarifario.

Lo que significa que la aritmética que este artículo puede hacer es limitada, y aun así vale la pena hacerla: pregunta cuál sería tu propio costo por millón de tokens con tu nivel de utilización, y compáralo con $2.00/$10.00 aplicando el tramo de más de 272K. Para la mayoría de los equipos, la respuesta a esa aritmética es que el endpoint cerrado gana por debajo de unos pocos miles de millones de tokens al mes y los pesos abiertos ganan por encima — y toda la cuestión es de qué lado de esa línea se encuentra la carga de trabajo.

Ejecutándolos a los dos de manera diferente

Aquí no hay una única respuesta, porque no se llega a los dos modelos de la misma manera, y fingir lo contrario sería el mismo error que citar las filas del índice una al lado de la otra.

GPT-6.1 Sol está en OrcaRouter como openai/gpt-6.1-sol, al precio de lista de Open​AI con 0 % de recargo — $2.00 de entrada, $10.00 de salida, entrada en caché a $0.10, el tramo por encima de 272 K aplicado exactamente como lo establece Open​AI. Como trasladamos el precio del proveedor en lugar de aplicar un recargo, un cambio de tarifas de Open​AI se refleja aquí el mismo día y no en el siguiente ciclo de facturación, y la conmutación automática por error se sitúa por debajo de la ruta. Esa última parte importa más en un modelo no probado que en uno probado, que es el mismo argumento que se aplica al lado de Intern-S2, salvo que el lado de Intern-S2 no puede usarlo.

Intern S2 no está en OrcaRouter y no lo alojamos. Se puede acceder a él a través de la propia API de InternLM, y es descargable desde Hugging Face bajo Apache 2.0 para cualquiera que tenga el hardware. Si quieres probarlo, los pesos son la vía de bajo compromiso: puedes evaluar el buque insignia de 397B con tus propios prompts antes de decidir si comprar GPUs para él, y el Mobius 35B es lo bastante pequeño para probar el comportamiento de la familia en un solo nodo.

El veredicto que se lleva este emparejamiento no es una clasificación, porque los dos no están comprando lo mismo. Si necesita un modelo con un nivel de capacidad medido de forma independiente, un techo de salida publicado, un precio por token conocido y ninguna superficie operativa, GPT-6.1 Sol es la respuesta, y no es una decisión reñida: es simplemente el único de los dos que ofrece esas cuatro cosas. Si su restricción es que los datos no pueden salir de su red, o su volumen es lo bastante alto como para que las GPU superen a los tokens, Intern-S2-397B es la mejor respuesta, y el benchmark ausente es un riesgo que usted elige asumir en lugar de un motivo para dar marcha atrás. Lo que no debería hacer es comparar a los dos por sus cifras publicadas. La propia evaluación de InternLM y la tabla de clasificación de Artificial Analysis no son el mismo instrumento, y leerlas como una sola tabla produciría una respuesta segura a una pregunta que nadie planteó.