Muse Wonder vs Intern S2: 1.048.576 tokens frente a 256K, y sin una regla compartida

Intern-S2-397B and Muse Wonder have never been measured against each other by anyone. That is not a gap in the research — it is a structural fact about how each model came to exist. I​nternLM published Intern-S2-397B on September 13, 2026 as an Apache-2.0 open-weights checkpoint for scientific intelligence and long-horizon agents, benchmarked entirely by its own makers, with no third-party score at all. Meta Superintelligence Labs began selling Muse Wonder on October 12, 2026 through the Meta Model API and Muse Code, and it has exactly one independent evaluator's row. So everything below requires labelling which side of the fence each number sits on, and the two models disagree about something more basic than benchmark scores: what a context window is for. Muse Wonder's 1,048,576 tokens are a flat, priced, single-response budget. Intern-S2-397B's are split — 256K for text reasoning and 64K for multimodal input — on a checkpoint you download rather than call.

La versión útil de esta comparación no es qué modelo gana. Es que uno de ellos es un instrumento para el trabajo con documentos científicos que puedes ejecutar dentro de tu propio perímetro, y el otro es un generalista alquilado con una ventana de tarifa plana muy grande. Son compras diferentes.

Lo que cada modelo realmente es

Intern-S2-397B is Shanghai AI Laboratory's I​nternLM flagship, released September 13, 2026 under Apache-2.0. The name carries 397B; the model card says 403 billion total parameters, and that difference is the kind of inconsistency a checkpoint built in public accumulates. Architecturally it is a standard mixture-of-experts transformer — 60 layers, 512 experts with 10 active per token — and its headline claim is a pre-training paradigm that reads raw pages of scientific literature, figures, layout, symbolic notation and prose together, rather than parsing the text out first. Around that it scales reinforcement learning across more than twenty scientific domains and adds long-horizon agent training in sandboxed environments. It takes text, image and time-series input, produces forecasts from the time-series path, serves on LMDeploy, vLLM and SGLang, supports tool calling, and thinks by default unless you pass enable_thinking=False per request. In BF16 the checkpoint is roughly 807 GB, so self-hosting means a serious multi-GPU node.

Muse Wonder es el lanzamiento de frontera de Meta Superintelligence Labs del 12 de octubre de 2026, anunciado como una serie de dos checkpoints. Solo muse-wonder-1.0 tiene un endpoint por token, en la Meta Model API y dentro de Muse Code; Muse Wonder Full, la configuración con mayor puntuación, se vende únicamente mediante una suscripción a Muse Code y no tiene tarifa pública. El checkpoint invocable acepta entrada de texto, imagen, voz y vídeo, devuelve texto, tiene una ventana de contexto de 1.048.576 tokens, limita una única respuesta a 943.718 tokens, tiene un precio de 4,00 $ por millón de tokens de entrada, 0,20 $ en caché y 20,00 $ de salida, y ejecuta el razonamiento de forma obligatoria en una escala de esfuerzo de mínimo a máximo cuyo valor predeterminado es medio. No hay pesos, ni licencia, ni versión que puedas seguir ejecutando si el endpoint cambia.

Esa es la primera diferencia real entre ellos, y no es una fila de benchmark. Uno es un archivo. El otro es un contrato.

Ventana de contexto, que los dos modelos interpretan de forma diferente

Aquí es donde más engaña una comparación de fichas técnicas, porque a ambos modelos se los describe habitualmente como de contexto largo.

• Contexto de texto — Muse Wonder 1.048.576 tokens en una sola ventana; Intern-S2-397B 256K para razonamiento de texto

• Contexto multimodal — la ventana completa de Muse Wonder cubre su entrada de imagen, voz y vídeo; Intern-S2-397B lleva un contexto multimodal separado de 64K

• Salida máxima en una sola respuesta — Muse Wonder 943.718 tokens; Intern-S2-397B no publicada como una cifra comparable

• Superficie de entrada — Muse Wonder: texto, imagen, voz, vídeo; Intern-S2-397B: texto, imagen, series temporales

• Previsión de series temporales — Muse Wonder: ninguna; Intern-S2-397B: compatible, actualmente conectado únicamente a través de LMDeploy

• Tarifa — Muse Wonder: $4.00 de entrada, $0.20 en caché, $20.00 de salida por millón de tokens; Intern-S2-397B no tiene una tarifa publicada por token, porque el modelo de distribución es una descarga

La fila de pronóstico es la que no tiene contraparte en el otro lado, y no es una característica de marketing: es la razón por la que el modelo existe en la forma en que existe. Un modelo que ingiere una señal de serie temporal y produce un pronóstico está haciendo algo que a un modelo de texto no se le puede pedir, sea cual sea su tamaño de ventana. Si esa es tu carga de trabajo, la comparación ya está decidida.

Para todos los demás, la pregunta relevante es qué encaja de verdad. Una ventana de 1.048.576 tokens a una tarifa plana es un producto distinto de una ventana de texto de 256K en hardware propio, y la diferencia se nota exactamente en las cargas de trabajo que hicieron interesante el contexto largo: una base de código en el prompt, un corpus de artículos, una sesión agéntica larga que conserva su historial.

Las bases de evidencia, que no se tocan

Los números publicados de los dos modelos no se pueden situar en el mismo eje, y vale la pena ser tajante sobre por qué.

Intern-S2-397B's benchmark card is I​nternLM's own, run through OpenCompass, VLMEvalKit and AgentCompass by the team that built the model, with no independent reproduction. Its columns are Qwen3.5-397B-A17B, D​eepSeek V4 Pro, Kimi K2.7-Code, GLM-5.2, GPT-5.5, Gemini 3.1 Pro and Claude Opus 4.8 — no model from M​eta, and no Muse Wonder, so the vendor's own table does not contain a single Muse comparison. and any "Intern-S2 versus Muse Wonder" figure circulating anywhere is an extrapolation across two unrelated tables.

What that card does publish, all of it I​nternLM-reported: 89.77 on MMLU Pro, 93.56 on HMMT-2026, 81.68 on MMMU Pro, 68.54 on SWE-bench-Pro, 64.04 on TerminalBench 2.1, and on the scientific sets 55.71 on Biology-Instructions, 63.28 on SciReasoner 1.5 and 53.95 on Mol-Instructions. Read that as a portrait: strong on knowledge, maths and multimodal reasoning, leading on software engineering, and twenty points behind Claude Opus 4.8 on terminal work — the exact axis a production agent spends its day on.

Muse Wonder's evidence is the inverse shape. M​eta's launch table covers both checkpoints at maximum reasoning and is built largely from sustained-agent benchmarks — DeepSWE 1.1, SWE-Marathon, Terminal-Bench 4.0-AA, OSWorld V2.1 — all of it vendor-reported, in M​eta's harness, unreproduced. Independent commentary has repeated the strongest rows without the caveat, which is how a vendor harness becomes a fact in public. The one genuinely independent row is Artificial Analysis' Intelligence Index at 52 at maximum effort, ninth of more than 200 models, with about $4.52 of measured cost per completed index task and roughly 130 million output tokens consumed against a board median near 85 million.

Así que: la fortaleza de un modelo la afirma su creador sobre benchmarks científicos que ningún tercero ha vuelto a ejecutar. La del otro, sobre benchmarks agénticos, lo mismo. Ninguno de los dos ha sido comparado con el otro por nadie. Lo único que una página honesta puede hacer con eso es decirlo en voz alta.

Donde la comparación se decide por el precio, y donde no

Intern-S2-397B has no rate card. That is the whole pricing section, and it is a real finding rather than a missing value: you either self-host roughly 807 GB of BF16 weights on hardware you own, or you register for a token on I​nternLM's own API and live within whatever quota is granted. There is no per-token number to put beside Muse Wonder's $4.00 and $20.00, and no invoice to compare with a pay-per-token bill.

Lo que eso hace a la decisión es más sutil que «gratis frente a pago». Un checkpoint descargado convierte un costo variable en un costo de capital, y convierte una relación con un proveedor en un artefacto que posees. Eso vale mucho cuando tus datos no pueden salir de tu perímetro, cuando tu carga de trabajo es lo bastante estable como para justificar las GPU, o cuando la reproducibilidad importa más que un punto de benchmark. Vale muy poco si tu tráfico es irregular, si tu equipo no tiene una pila de servicio, o si necesitas que el modelo mejore sin que tú hagas nada.

Neither model is served by us, and it is worth saying so plainly rather than implying otherwise: Intern-S2-397B is a brand-new Apache-2.0 checkpoint with no routing coverage, and Muse Wonder is on M​eta's API and inside Muse Code with no third-party serving we can verify. What a router does help with is the half of this that is callable. OrcaRouter carries more than 200 models behind one key at provider list price with 0% markup — no middleman delta, so a vendor price cut is live the same day — including M​eta's own Muse Spark 1.2 and Muse Spark 1.1, so the M​eta models you can reach today sit next to everything else on the same credential. If your production traffic lands on a routed model and your scientific batch work runs on Intern-S2-397B somewhere you control, that seam is a routing decision rather than a second integration.

¿Quién debería elegir cuál?

Elige Intern-S2-397B cuando el trabajo consista en leer ciencia: un artículo denso en figuras, un diagrama molecular, una tabla escaneada, un pronóstico a partir de una señal de series temporales o un agente que tenga que seguir trabajando en una tarea de investigación. La licencia Apache-2.0 significa que puedes ajustarlo con datos propietarios y mantener el resultado dentro de tu propio perímetro, que es la parte de esta comparación que ningún baremo de precios recoge. Presupuesta el hardware y no esperes una tabla de puntuaciones independiente durante algunos meses — el repositorio tiene apenas unas semanas y no incluye mediciones de terceros.

Take Muse Wonder when the work is general, long and agentic, and when you would rather rent than own: a 1,048,576-token window at a flat rate with no step, a 943,718-token response ceiling that nothing in Intern-S2's published material answers, mandatory reasoning for hard multi-step tasks, and a pay-per-token bill you can put in a spreadsheet today. The caveat is the same one that applies to every row M​eta published: two days of independent measurement is two days, and one evaluator is one evaluator.

El equipo que necesita ambos debería tratar la frontera entre ellos como una cuestión de enrutamiento en lugar de una migración. Ejecute el tráfico general en un modelo al que pueda llamar, mantenga el trabajo científico en el checkpoint que pueda conservar, y vuelva a ejecutar sus propias evaluaciones sobre Intern-S2-397B antes de creer una cifra de un proveedor sobre su rendimiento terminal — porque la propia tabla del proveedor es la fila menos halagadora en ella.