Intern-S2-397B vs Intern-S2 Mobius: El buque insignia de 397B y el razonador de 35B

Intern-S2-397B e Intern-S2 Mobius son ambos modelos de InternLM, ambos Apache-2.0, ambos llamados Intern-S2, y difícilmente podrían ser más diferentes bajo el nombre. Intern-S2-397B es el buque insignia: un modelo de mezcla de expertos de 403 mil millones de parámetros para inteligencia científica y agentes de horizonte largo que InternLM lanzó el 13 de septiembre de 2026. Intern-S2 Mobius es un experimento de razonamiento de 35 mil millones de parámetros que llegó el 29 de julio de 2026, construido sobre la arquitectura Mobius-v0 con una memoria compartida global y razonadores iterativos, preentrenado de forma continua a partir de Qwen3.5-35B. La colisión de nombres es toda la razón por la que esta comparación necesita existir, porque una búsqueda de "Intern-S2 review" mostrará ambos modelos y los dos no son sustitutos entre sí en ninguna de las dos direcciones.

Dos arquitecturas, dos funciones

Intern-S2-397B es un transformer MoE convencional, amplio donde importa: 60 capas, 512 expertos con 10 activos por token, un contexto de razonamiento de texto de 256K y uno multimodal de 64K, y una superficie de entrada que acepta texto, imagen y series temporales. Su paradigma de preentrenamiento lee páginas en bruto de literatura científica —figuras, maquetación, notación simbólica y prosa en conjunto—, y su aprendizaje por refuerzo abarca más de veinte dominios científicos, además de entrenamiento de agentes de horizonte largo en entornos de sandbox. Es un especialista que también es un modelo general: MMLU Pro 89.77, MMMU Pro 81.68, SWE-bench-Pro 68.54 en su propia ficha, todos reportados por InternLM y no reproducidos.

Intern-S2 Mobius es una apuesta distinta sobre una pregunta distinta. En lugar de vincular el almacenamiento de conocimiento y la computación del razonamiento capa por capa, la arquitectura Mobius-v0 mantiene una Memoria compartida globalmente de vectores de conocimiento y permite que múltiples Razonadores iteren contra ella, refinando estados ocultos sobre representaciones continuas de alta densidad. La propuesta es la eficiencia de inferencia: una aceleración de extremo a extremo de casi 4x sobre la línea base Qwen3.5-35B de la que desciende, con puntuaciones de razonamiento comparables o superiores. Esa es una afirmación de capacidad de procesamiento sobre una línea base específica —y una afirmación de proveedor, sin reproducción independiente—, pero es la razón por la que existe el modelo.

• Arquitectura — Intern-S2-397B: transformer MoE estándar, 60 capas, 512 expertos / 10 activos vs Intern-S2 Mobius: Mobius-v0, Memoria compartida + Razonadores iterativos.

• Escala — Intern-S2-397B: 403B en total, ~807 GB de pesos en BF16 frente a Intern-S2 Mobius: 35B en total.

• Linaje — Intern-S2-397B: paradigma original de preentrenamiento científico vs. Intern-S2 Mobius: preentrenado de forma continua a partir de Qwen3.5-35B.

• Entradas — Intern-S2-397B: texto, imagen, series temporales frente a Intern-S2 Mobius: texto, imagen.

• Contexto — Intern-S2-397B: 256K de texto / 64K multimodal frente a Intern-S2 Mobius: aún no hay una cifra de contexto declarada de forma independiente.

• Afirmación de velocidad — Intern-S2-397B: ninguna anunciada frente a Intern-S2 Mobius: casi 4 veces más rápido en razonamiento de extremo a extremo que la línea base Qwen3.5-35B, según el proveedor.

• Evidencia independiente — ninguno de los modelos cuenta con una puntuación de terceros.

¿Qué número pertenece a qué modelo?

La colisión de nombres se convierte en un peligro práctico en el momento en que lees una reseña. Una afirmación de benchmark sobre «Intern-S2» —MMLU Pro 89.77, HMMT-2026 93.56, Biology-Instructions 55.71— se refiere al modelo insignia de 397B, porque ese es el modelo al que pertenece la tabla de lanzamiento. Una afirmación sobre el throughput de «Intern-S2» —la aceleración de casi 4x— se refiere a Mobius, porque ese es el modelo cuya arquitectura gira en torno a la eficiencia de inferencia. Comprueba el número de parámetros antes de citar cualquiera de las dos cifras. Una reseña que dice «Intern-S2 es 4x más rápido» y otra que dice «Intern-S2 supera a Grok 4.6 en TerminalBench» hablan de modelos diferentes, y la segunda afirmación ni siquiera sobrevive a la propia tabla de su proveedor.

En cuanto a la evidencia, ninguno de los dos modelos ha sido probado por nadie fuera de InternLM. La ficha del modelo insignia es una tabla de benchmarks del proveedor ejecutada a través de OpenCompass, VLMEvalKit y AgentCompass; la ficha de Mobius es una descripción más una afirmación de aceleración frente a una línea base de la que se hizo el ajuste fino del modelo. La ausencia de verificación independiente importa más aquí que en la mayoría de las comparaciones porque las afirmaciones más sólidas de los dos modelos se sitúan en ejes completamente distintos —capacidad para uno, rendimiento para el otro—, y ninguno de los ejes cuenta todavía con una medición externa.

¿Cuál ejecutar?

Ejecuta Intern-S2-397B cuando se trate de comprensión científica: leer un artículo denso en figuras, analizar un diagrama molecular, hacer pronósticos a partir de una señal de series temporales o ejecutar un agente de larga duración que tenga que seguir trabajando en una tarea de investigación. Es el modelo del que trata la cobertura de esta semana, y sus filas generales son lo bastante respetables como para que no estés comprando un pony de un solo truco. El precio es el hardware: un checkpoint de 403B necesita un nodo multi-GPU serio, y si no tienes uno, la API oficial de Intern es la alternativa.

Considera Intern-S2 Mobius cuando el trabajo sea razonamiento de gran volumen en hardware que ya posees y te importe más el costo por token que uno o dos puntos de puntuación de benchmark. Un modelo de 35B con una ventaja plausible de rendimiento de 4x sobre su línea base es una propuesta de servicio genuinamente interesante — pero valida la aceleración con tus propias trazas antes de construir en torno a él, porque nadie fuera de InternLM la ha reproducido todavía. En cualquier caso, etiqueta el modelo explícitamente en cada informe, porque el nombre por sí solo ya no indica a cuál te refieres.