Una tarjeta de título que dice NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B, con cuatro paneles de estadísticas que indican los 403B de parámetros totales de Intern-S2-397B con 10 activos por token en 60 capas, sus aproximadamente 807 GB de pesos BF16 y F32 repartidos en unos 188 fragmentos, su licencia Apache-2.0 frente a la OpenMDW-1.1 de Super VL, y el contexto de 1M de tokens de Super VL frente a la ventana de texto de 256K de Intern-S2-397B con evaluación multimodal a 64K, con un logotipo de OrcaRouter en una esquina.
Engineering & Research

NVIDIA Nemotron 3.5 Super VL 120B vs. Intern-S2-397B: dos modelos de visión abiertos, uno de los cuales realmente puedes llamar hoy

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Ambos de estos modelos son de pesos abiertos, ambos son multimodales, ambos tienen licencia estilo Apache u OpenMDW para uso comercial, y ambos son el tipo de cosa que se descarga en lugar de suscribirse. La diferencia que decide la mayoría de las evaluaciones no está en ninguna de las dos fichas de especificaciones. Intern-S2-397B, el buque insignia de 403 mil millones de parámetros de InternLM lanzado en Hugging Face el 13 de septiembre de 2026, tiene una API alojada por el proveedor a la que puedes apuntar un cliente compatible con O​penAI el mismo día en que lees sobre él. N​VIDIA N​emotron 3.5 Super VL 120B A12B, subido a Hugging Face el 12 de octubre de 2026 y confirmado en el anuncio de N​VIDIA del día 15, no lo tiene: N​VIDIA no ha publicado ningún endpoint ni ningún precio por token para él en ninguna vía, incluido su propio microservicio NIM. Así que a uno de estos lo puedes evaluar esta tarde con un token, y el otro requiere una H200 o cuatro H100 antes del primer prompt. Esa brecha vale más que cualquier diferencia de siete puntos en una tabla de benchmarks.

La planta de despliegue, lado a lado

Empieza aquí, porque elimina uno de estos modelos para la mayoría de los lectores antes de que siquiera se discuta la calidad.

• Parámetros totales y activos — Intern-S2-397B, 403B en total con 10 activos por token en 60 capas y 512 expertos; Nemotron 3.5 Super VL 120B A12B, 120B en total con 12 activos por token en capas intercaladas de Mamba-2, MoE y atención.

• Tamaño de los pesos en disco — Intern-S2-397B ronda los 807 GB repartidos en aproximadamente 188 fragmentos BF16/F32; la versión BF16 de Super VL es una fracción de eso, con una versión NVFP4 lo bastante pequeña como para ejecutarse en un solo DGX Spark.

• Hardware mínimo viable — Intern-S2-397B necesita una flota real de múltiples GPU; Super VL necesita 4× H100 o 2× GB200 en BF16, o una H200, una GB200, 2× H100 o un DGX Spark en NVFP4.

• Acceso alojado — Intern-S2-397B está en la propia Intern API del proveedor, en chat.intern-ai.org.cn/api/v1 bajo el id de modelo intern-s2-397b, documentado como compatible con OpenAI y compatible con Anthropic; Super VL no tiene ningún endpoint publicado por parte de nadie.

• Licencia — Apache-2.0 para Intern-S2-397B; OpenMDW-1.1 para Super VL. Ambas permiten el uso comercial.

• Contexto — 256K tokens para Intern-S2-397B, con evaluación multimodal a 64K; 1M tokens para Super VL.

• Entrada de vídeo — Super VL acepta MP4 de hasta dos minutos, muestreados como fotogramas; las modalidades documentadas de Intern-S2-397B son texto, imagen y datos de señal sin procesar. El vídeo no figura entre ellas.

Lee esa lista dos veces y la forma queda clara. Intern-S2-397B es el modelo más grande, más antiguo y más científico, con una puerta alojada. Super VL es el modelo más pequeño, más nuevo y más fácil de desplegar, con una ventana más larga y video, y todavía sin ninguna puerta.

Para qué se construyó realmente Intern-S2-397B

InternLM describe el modelo como escalando en tres ejes, y el primero es la afirmación técnica que vale la pena entender: el preentrenamiento de visión-lenguaje realizado directamente sobre páginas sin procesar de literatura científica, modelando conjuntamente la semántica simbólica y las relaciones visuales en un espacio de representación compartido, sin ningún paso intermedio de análisis. Una figura, una tabla, un espectro y la oración que los describe se aprenden juntos, en lugar de extraer el texto y adjuntar las imágenes después.

Ese diseño se manifiesta en los benchmarks que InternLM eligió destacar, y es la razón por la que las cifras de visión de los dos modelos no son intercambiables. La ficha de Intern-S2-397B reporta ChartQAPro 71.12 y MMMU Pro 81.68, y lidera en puntuaciones específicas de ciencia: Biology-Instructions 55.71, Mol-Instructions 53.95, MolecularIQ 62.35, SciReasoner-1.5 63.28, TOMG-Bench 66.76. La ficha de Super VL lidera con OCR-Reasoning 65.08, OCRBench-v2 con 68.12 en inglés y 59.15 en chino, MMLongBench-Doc 62.82, CharXiv-RQ 80.82 y MathVision 78.16. Tareas distintas, distribuciones de entrenamiento distintas, y ninguno de los dos conjuntos ha sido reproducido de forma independiente.

El tercer eje es el que hace que Intern-S2-397B sea inusual para una carga de trabajo agéntica: aprendizaje por refuerzo agéntico de caja negra en entornos de sandbox, con el agente conectado a través de varios frameworks y orientado explícitamente a los límites de tareas de horizonte largo. La afirmación equivalente de N​VIDIA para Super VL es un pipeline de post-entrenamiento que termina en RL con recompensas verificables y destilación on-policy con múltiples profesores, evaluado en SWE-bench y tau2-bench. Ambas son afirmaciones de método en lugar de mediciones de resultado.

La capacidad de entrada de señal que ninguno de los dos competidores tiene

Intern-S2-397B acepta datos de señal sin procesar — .npy, .csv y .wav — como un tipo de entrada de primera clase junto con texto e imágenes, con un ejemplo documentado de evento sísmico que detecta los índices de llegada de las ondas P y S, y una previsión puntual y por cuantiles mediante un forecast_horizon parámetro. Actualmente eso solo está disponible en LMDeploy, y es una característica en tiempo de inferencia más que un resultado de referencia.

Ningún modelo de esta comparación hace algo parecido, y ningún modelo de frontera cerrado tampoco. Si tu trabajo implica trazas de sensores, datos sísmicos o predicción de series temporales que deba razonarse junto con imágenes y texto, Intern-S2-397B no es la mejor opción entre estos dos — es la única opción, y los 807 GB de pesos son el precio de entrada.

Benchmarks, cada uno con su fuente adjunta

Ninguno de los dos modelos cuenta con una evaluación independiente limpia, y las tablas de ambos proveedores no coinciden en una sola fila, por lo que lo que sigue es una lectura de afirmaciones más que una clasificación.

Intern-S2-397B, todos reportados por el fabricante, InternLM, en sus propios harnesses (OpenCompass, VLMEvalKit, AgentCompass), sin reproducir, con GPT-5.5 como referencia cerrada: 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 y FrontierScience-Research 55.00. Artificial Analysis no tenía ninguna entrada de Intern-S2-397B en el lanzamiento y las tablas de clasificación neutrales tampoco incluían ninguna — esa brecha puede haberse cerrado desde entonces, y vale la pena comprobarlo antes de basarse en cualquiera de estos datos.

Nemotron 3.5 Super VL 120B A12B, dividido entre dos fuentes. Reportado por el proveedor, NVIDIA, en NeMo Gym: SWE-bench Verified 71.10, SWE-bench Multilingual 67.72, SWE-bench Pro 51.78, tau2-bench retail 69.24 y airline 76.50, BrowseComp 78.91, GraphWalks 89.71, GPQA-Diamond 89.52, HLE 31.79 sin herramientas, OCRBench-v2 68.12 en inglés, MMLongBench-Doc 62.82, Video-MME-v2 32.85. Medido por el panel de Artificial Analysis, y este es el único número producido de forma independiente en todo este artículo: un índice de inteligencia de 26.49, con 0.0 en Terminal-Bench 4.0 y una tasa de alucinación medida de 0.3585.

Dos cosas merecen señalarse en ese segundo bloque. La cifra de NVIDIA para Terminal-Bench 2.1 aparece como 66.70 en la ficha del modelo y como 60.67 en la tabla resumen del informe técnico, mientras que todas las demás filas de esos documentos coinciden: una de las dos es incorrecta y, hasta que se vuelvan a ejecutar las recetas, ninguna de las dos es segura de citar. Y el 0.0 del panel en Terminal-Bench 4.0 frente al 64.04 reportado por el proveedor en TerminalBench 2.1 para Intern-S2-397B, medido en un conjunto de pruebas distinto por su propio laboratorio, es un recordatorio de que las puntuaciones de los agentes de terminal no son comparables entre distintos harnesses incluso cuando los nombres parecen similares.

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.

Por qué la ventana de 1M de tokens frente a 256K no es una victoria de siete cifras

Las hojas de especificaciones dicen que Super VL admite 1M tokens e Intern-S2-397B admite 256K, con evaluación multimodal a 64K. Eso parece una paliza para el modelo de NVIDIA hasta que se añade la cifra de recuperación en contexto largo del panel: 0,69 en AA-LCR. Un modelo con una ventana de un millón de tokens y una puntuación de contexto largo por debajo de uno es un modelo que puede ingerir un millón de tokens y no necesariamente hacer mucho con ellos en el extremo lejano.

Los 256K de Intern-S2-397B están documentados en 256K para razonamiento de texto y 64K para multimodal, y InternLM no ha publicado ninguna cifra de recall de contexto largo en absoluto. Así que la postura honesta es que un modelo tiene una ventana más larga y un recall medido pobre en ella, y el otro tiene una ventana más corta y ninguna medición. Si el recall de contexto largo es fundamental para tu carga de trabajo, ninguno de estos debería seleccionarse basándose en su longitud de contexto.

Disponibilidad, y cómo encaja OrcaRouter cuando ninguno de los modelos está en nuestro catálogo

Ni Intern-S2-397B ni N​VIDIA N​emotron 3.5 Super VL 120B A12B se sirven en OrcaRouter actualmente, y este artículo no insinuará lo contrario. Se puede acceder a Intern-S2-397B mediante la API propia del proveedor y el autoalojamiento con LMDeploy, vLLM o SGLang, con recetas de despliegue incluidas en la ficha del modelo. Super VL es únicamente autoalojado — el microservicio NIM de N​VIDIA es la vía anunciada, y no se ha publicado ningún endpoint ni precio para él.

Cuánto vale una puerta de enlace cuando los modelos que quieres no están en ella tiene una respuesta concreta: es donde ya vive el resto del pipeline. El triaje de documentos que tiene que permanecer dentro de tu red se ejecuta en tu propia implementación de Intern-S2-397B o Super VL; las llamadas de extracción, clasificación y resumen a su alrededor se ejecutan en un modelo alojado con la misma clave. El DSL de enrutamiento es lo que mantiene legible ese límite —expresado como una condición en el prompt en lugar de como una rama enterrada en el código de la aplicación—, y la conmutación automática por error hace que el fallo de la mitad autoalojada no se lleve consigo la solicitud. El margen cero importa aquí de una manera más anodina: lo que cueste hoy la mitad alojada de tu pipeline, eso cuesta aquí, porque el precio de lista del proveedor se transfiere sin cambios.

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

Elegir entre ellos

Elige Intern-S2-397B si necesitas estar funcionando hoy sin comprar hardware, si tu dominio es la literatura científica y las figuras, si la señal en bruto o la entrada de series temporales forma parte de la carga de trabajo, o si un endpoint alojado mantenido por el proveedor vale más para ti que el control sobre el despliegue. Los 807 GB de pesos son un coste real, pero la API alojada significa que puedes establecer si el modelo es bueno antes de pagarlo.

Elige N​emotron 3.5 Super VL 120B A12B si el video es una entrada, si lo que tienes es una H200 o una DGX Spark en lugar de una flota, si el modelo debe residir dentro de tu red, o si tienes la intención de ajustarlo — N​VIDIA publicó los conjuntos de datos de posentrenamiento y los entornos RL de NeMo Gym junto con los pesos, y esa es la mitad más reutilizable del lanzamiento. Ejecuta tu propio conjunto de documentos a través de la compilación NVFP4 antes de comprometerte, y prueba específicamente el recuerdo de contexto largo en lugar de confiar en la cifra de 1M de tokens.

Elige ninguno, por ahora, si lo que realmente necesitas es un modelo con una evaluación independiente en la que puedas apoyarte. Las cifras de Intern-S2-397B son todas reportadas por el proveedor y la cobertura de su panel no está clara; Super VL tiene exactamente una puntuación de terceros y es una única cifra de índice. Dos modelos de visión abiertos, con aproximadamente seis semanas de diferencia en su lanzamiento, ambos con tablas de benchmark no reproducidas y ninguno en una tabla de clasificación neutral de una manera que puedas comparar — lo responsable es evaluarlos con tus propios documentos, y la API del proveedor es lo que hace que la mitad de eso sea barato.

Qué observar: una entrada de un panel independiente para Intern-S2-397B, que convertiría toda su ficha de afirmaciones en evidencia; un precio y un endpoint para Super VL, que eliminaría la H200 de los requisitos de entrada; y una cifra corregida de Terminal-Bench por parte de N​VIDIA, que resolvería el único punto donde los dos documentos principales de un mismo proveedor se contradicen entre sí.

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.

Nada de esto es una razón para evitar el modelo, solo una razón para conocer el historial: los incidentes de IA documentados y los fallos de agentes que hay detrás de los modelos de esta clase se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, su gravedad, su grado de confianza y su marca de disputa.