GPT-6 Astra vs Intern-S2: Qué acepta realmente cada uno

Los dos modelos de esta comparación se describen como multimodales, y la palabra no aporta casi nada en ninguno de los dos casos. GPT-6 Astra, que O​penAI lanzó el 3 de septiembre de 2026, acepta texto e imágenes —y entrada de archivos, según listados de enrutadores que la propia documentación de O​penAI no confirma. Intern-S2-397B, el modelo científico de 403 mil millones de parámetros que el equipo InternLM del Shanghai AI Laboratory publicó bajo Apache-2.0 el 13 de septiembre de 2026, acepta texto, imágenes y señales de series temporales, con la ruta de previsión conectada a través de LMDeploy y no mediante la receta de servicio predeterminada del propio modelo. Ninguno acepta audio. Ninguno acepta video. La pregunta interesante no es cuál es más multimodal, sino cuál de estas dos superficies de entrada produce realmente tu trabajo, porque apenas se solapan y ninguna sustituye a la otra.

Dos superficies de entrada que solo se parecen

Alinea las especificaciones en las dimensiones donde una carga de trabajo real hace contacto:

• Texto — ambos: GPT-6 Astra hasta 922.000 tokens de entrada en una sola solicitud; Intern-S2-397B evaluado con una longitud máxima de inferencia de 256.000 tokens para razonamiento de texto

• Imagen — ambos, pero de manera diferente: Astra toma una imagen junto con un documento largo en la misma solicitud; Intern-S2-397B fue preentrenado para leer páginas sin procesar de literatura científica con contenido simbólico y visual modelados conjuntamente, lo cual es una afirmación sobre cómo fue entrenado en lugar de sobre lo que acepta

• Series temporales — solo Intern-S2-397B, a través de su cabeza de pronóstico, actualmente mediante LMDeploy

• Entrada de archivos — GPT-6 Astra según los listados de routers; la propia página de OpenAI solo incluye texto e imagen, así que considéralo sin confirmar

• Audio y video — ninguno

• Salida — texto en ambos, y solo texto

• Control de razonamiento — GPT-6 Astra expone reasoning.effort con los valores low, medium, high, xhigh y max; Intern-S2-397B se ejecuta con el pensamiento activado por defecto y lo desactiva por solicitud con enable_thinking=False

• Pesos — Intern-S2-397B Apache-2.0, descargable en FP8 y BF16; GPT-6 Astra cerrado, solo API

La fila de series temporales es la que decide esta comparación para un subconjunto de compradores y la elimina para todos los demás. La previsión de series temporales no es una capacidad que puedas aproximar con un prompt de texto largo: la entrada es numérica y tiene su propia estructura, y un modelo que no se entrenó con ella no la adquirirá porque serializas los números en un prompt. Si esa es tu carga de trabajo, la comparación ha terminado y no se necesita ninguna tabla de benchmarks. Si no lo es, la fila es irrelevante y el resto de esta página es lo que estás leyendo.

El número de contexto que importa es el evaluado.

Las páginas de marketing citan la ventana; las tablas de referencia citan la longitud a la que realmente se ejecutó el modelo, y el segundo número es el que predice el comportamiento. La diferencia que hay aquí es reveladora.

La ventana de GPT-6 Astra es de 1.050.000 tokens, con un máximo de 922.000 de entrada y 128.000 de salida, y sus bandas de servicio documentadas son honestas sobre el costo de usarlo: las solicitudes que superen los 272.000 tokens de entrada se vuelven a tarifar a $20,00 de entrada y $75,00 de salida por millón, con lecturas de caché a $2,00 y escrituras de caché a $25,00, aplicados a toda la solicitud en lugar de solo al exceso. Por debajo de ese límite, los medidores marcan $10,00, $1,00 y $12,50, con la salida a $50,00.

La ficha de Intern-S2-397B declara su propio límite en la nota metodológica en lugar de en un titular: los benchmarks de razonamiento textual se ejecutaron con una longitud máxima de inferencia de 256.000 tokens, y los benchmarks multimodales, a 64.000. Eso no es el techo del modelo —la ficha del modelo no publica ninguno en la forma que un comprador reconocería—, pero es la longitud a la que se produjo cada número de la ficha. Una capacidad que solo se ha demostrado dentro de 64.000 tokens de contexto de imagen es una capacidad que se ha demostrado dentro de 64.000 tokens de contexto de imagen, y una página que imprime la misma puntuación sin la longitud está imprimiendo la mitad de un hecho.

Esta es la disciplina que ambos modelos merecen y que el material de ninguno de los dos proveedores hace fácil. Las cifras del proveedor de Astra vienen con un arnés adjunto que las cambia en 37 puntos en un benchmark; las de Intern-S2 vienen con una longitud máxima de inferencia adjunta que determina si alguna de ellas se traslada a tu carga de trabajo. Lee ambas notas al pie antes de leer cualquiera de las dos tablas.

Cuáles son los números de Intern-S2-397B y quién los produjo

Todas las cifras que se muestran a continuación son de InternLM, ejecutadas con OpenCompass, VLMEvalKit y AgentCompass por el equipo que entrenó el modelo, y publicadas junto con los pesos. Nada de ello ha sido reproducido de forma independiente. No hay página para Intern-S2-397B en Artificial Analysis, y esa ausencia importa más de lo habitual, porque significa que no hay un tercero con el que contrastar las filas de capacidad general.

Las filas científicas son donde el modelo es más fuerte y donde el caso a su favor es más claro: 55.71 en Biology-Instructions, 63.28 en SciReasoner 1.5, 62.35 en MolecularIQ, 53.95 en Mol-Instructions. Junto a esas, filas generales respetables: 89.77 en MMLU Pro, 81.68 en MMMU Pro, 93.56 en HMMT-2026, 68.54 en SWE-bench-Pro. Y una fila que te dice qué tipo de modelo es este — TerminalBench 2.1 con 64.04, que según la propia tabla del laboratorio pierde frente a una generación cerrada más antigua. Intern-S2-397B es un instrumento científico que es competente en lo general, no un generalista con una especialidad científica añadida a la fuerza.

Cuáles son las cifras de GPT-6 Astra y en qué aspectos son más débiles

El historial de Astra viene en dos mitades y no coinciden en el énfasis. Artificial Analysis lo mide en 53 en su actual Intelligence Index a lo largo de diez evaluaciones, a 3,26 $ por tarea completada del índice, generando aproximadamente 60 M de tokens de salida durante esa ejecución, frente a una mediana del ranking cercana a 85 M, a 44,6 tokens de salida por segundo. Es una evaluación independiente con una metodología publicada, y sitúa al modelo en el séptimo puesto de 216 en inteligencia y en el 168.º de 185 en velocidad.

La mitad del proveedor es una tabla en sí misma: 98 % en FrontierMath Tier 4, descrito como saturación del nivel; 99,9 % en ARC-AGI-3; 100 % en ExploitBench, con Astra como el primer modelo de OpenAI que cruza el umbral de capacidad crítica de ciberseguridad de la compañía; 57,9 % en Terminal-Bench 4.0 frente al 37,3 % de GPT-5.6 Sol. Cada cifra es atribuible a OpenAI y ninguna ha sido reproducida. La cifra de ARC-AGI-3 es la que ha viajado más lejos y la que más escepticismo merece: ARC Prize ejecutó el modelo bajo dos arneses y publicó ambos, registrando un 62,7 % con su arnés estándar y un 99,9 % con un adaptador del proveedor que conserva el estado de razonamiento entre solicitudes. La diferencia de 37 puntos es una medición del arnés, no un escándalo —OpenAI documentó ambas configuraciones—, pero cualquier comparación que ponga el 99,9 % frente a la cifra de arnés estándar de otro modelo está comparando dos experimentos y llamándolo benchmark.

Una asimetría más va aquí, porque es la razón por la que el número independiente es el que hay que usar como referencia para planificar. La ficha de Intern-S2-397B no tiene ninguna columna independiente en absoluto, así que sus números son los únicos números, y no conllevan nada más que la autoridad del proveedor. Astra tiene ambas, y discrepan sobre lo bueno que es en razonamiento general de tal manera que uno de ellos no puede estar equivocado — la tabla del proveedor dice saturado, el índice dice séptimo.

"Pesas libres" es una decisión capital

Intern-S2-397B es Apache-2.0, y la consecuencia práctica es aritmética más que de licencias. El checkpoint publicado es de 403 mil millones de parámetros, y el repositorio BF16 ocupa aproximadamente 807 GB — antes de contar una pila de servicio, una caché KV o la segunda copia que se guarda para una reversión. Existe una compilación FP8 y reduce aproximadamente a la mitad la huella. El laboratorio documenta LMDeploy, vLLM y SGLang como servidores compatibles, y su propio ejemplo de llamada a herramientas es un endpoint compatible con OpenAI en un servidor LMDeploy, así que la ruta de integración no es exótica. El hardware sí lo es.

Eso produce dos economías muy diferentes a partir de la misma licencia. Si ya tienes un nodo multi-GPU con capacidad libre, el coste marginal de la siguiente consulta científica se acerca al de la electricidad, y ningún competidor que cobre por token puede superar eso —que es toda la razón por la que existen los pesos abiertos. Si no lo tienes, «gratis» significa comprar o alquilar capacidad, y en capacidad alquilada la comparación con una API con tarificación por uso es una sencilla cuestión aritmética sobre la utilización que una ficha del modelo no puede responder por ti. El lado de Astra de la misma pregunta es más sencillo: una lista de tarifas, sin equipo de operaciones, y una banda de contexto largo a $20.00 / $75.00 que castiga exactamente el tamaño de solicitud al que invita una ventana de 1.050.000 tokens.

Un detalle que favorece la opción autoalojada y que es fácil pasar por alto: la licencia Apache-2.0 es lo que hace que el modelo sea utilizable en un entorno regulado. El ajuste fino con datos propietarios, la ejecución en un sistema aislado y el mantenimiento de la inferencia dentro de un perímetro de datos son tres cosas que la API de Astra no puede ofrecer a ningún precio, y ninguna fila de benchmark las refleja.

Dónde se sitúa un router en un emparejamiento como este

Intern-S2-397B no está en OrcaRouter y esta página no afirma que lo esté; es un nuevo checkpoint abierto, y tu vía de acceso a él es la API Intern oficial del proveedor o un despliegue propio. GPT-6 Astra está en nuestro catálogo como openai/gpt-6-astra, a las tarifas de lista de OpenAI, repercutidas con un 0 % de margen por nuestra parte.

La forma que adopta un equipo que ejecuta ambos es una división más que una elección, y es la configuración para la que existe la capa de enrutamiento: enviar el tráfico general, de contexto largo y con gran carga de documentos al modelo de pago por uso detrás de un único endpoint compatible con OpenAI, y mantener el trabajo por lotes científico y de series temporales en el checkpoint que usted opera. La conmutación automática por error cubre entonces el caso en que cualquiera de los dos lados no está en buen estado — el tramo autoalojado cuando cae un nodo, el tramo de la API cuando se degrada una ruta de proveedor — sin que ninguno de los equipos tenga que escribir una segunda integración. Eso es un límite trazado como una regla de enrutamiento, no como una.

¿Cuál?

Elige Intern-S2-397B si tu entrada es científica en el sentido específico para el que se entrenó el modelo —páginas de literatura densas en figuras, estructuras moleculares y de materiales, señales de series temporales— o si Apache-2.0 es la propiedad decisiva porque tus datos no pueden salir de tu infraestructura. Presupuesta el hardware antes de presupuestar cualquier otra cosa, y realiza tu propia evaluación en lugar de confiar en la ficha, porque no hay una cifra independiente a la que recurrir.

Elige GPT-6 Astra si tu trabajo es agéntico y de horizonte largo, si una entrada de 922,000 tokens en una sola solicitud es un formato que realmente produces, o si necesitas un marcador independiente para defender la decisión ante alguien más. Su tarifa de $3.26 por tarea de índice completada es la cifra más alta de esta comparación, y con ella se compra un modelo que emite aproximadamente 60M tokens al hacer ese trabajo, mientras que el modelo mediano emite 85M — por eso el precio por token es el número equivocado para decidir y el costo por tarea finalizada es el correcto. No lo elijas para tráfico breve y de alto volumen, y no cruces la línea de 272,000 tokens sin volver a ejecutar tu modelo de costos, porque esa línea duplica la tarifa de entrada en toda la solicitud.

Los dos no son sustitutos, y la razón no son los puntos de referencia. Uno acepta una tabla escrita de lecturas de sensores y el otro acepta una página escaneada de un artículo, y ninguno hace ambas cosas lo bastante bien como para que el otro resulte innecesario. Si tu trabajo de algún modo produce ambos, ya sabes qué equipo de tu organización se encarga de qué mitad.

Un lanzamiento también es el momento de revisar lo que ha salido mal antes: los incidentes documentados de IA y los fallos de agentes relacionados con modelos de esta clase se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.