Una tarjeta de título generada que dice «Sage-S2.1-Flash» sobre el subtítulo «645 GB de pesos, una tarjeta de modelo de 21 bytes, sin anuncio», con tres pequeñas etiquetas debajo que dicen «subida del 15 Nov 2026», «licencia MIT» y «320B-A18B MoE». Fondo blanco, acentos con degradado azul y cian, iconos de línea planos. El logotipo de OrcaRouter está compuesto en la esquina inferior derecha.
Guides & Insights

Sage-S2.1-Flash se lanzó sin hacer ruido: 645 GB de pesos, una tarjeta de modelo de 21 bytes y una tabla de benchmarks que nadie enlazó

Autor

jinhao.song

Fecha de publicación

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

El 15 de noviembre de 2026 a las 02:34 UTC, una cuenta perteneciente al Shanghai AI Laboratory subió a Hugging Face un repositorio llamado internlm/Sage-S2.1-Flash. Contenía 120 fragmentos safetensors que sumaban unos 645 gigabytes, un archivo de configuración, una plantilla de chat y un README de 21 bytes. No había ninguna entrada de blog. La página de inicio del propio laboratorio no mencionaba el nombre cuando la consultamos el 16 de noviembre. No encontramos ningún comunicado de prensa y no había ninguna entrada para Sage-S2.1-Flash en Artificial Analysis.

Lo que sí existía, al final de ese fin de semana, eran tres cosas que un lector puede verificar: los propios pesos, una guía de despliegue escrita para quienes pretenden servirla en ocho H200 y una tabla de benchmarks alojada en un micrositio de GitHub Pages al que el repositorio del modelo nunca enlaza. Este artículo es un inventario de esas tres cosas, con una línea clara entre lo que los archivos demuestran y lo que InternLM aún no ha dicho.

Screenshot of the Hugging Face 'Files and versions' tab for internlm/Sage-S2.1-Flash. The header shows the safetensors and glm5_next tags, the MIT licence, and a repository size of 643 GB. The file list shows .gitattributes, README.md, chat_template.jinja, config.json, deployment_guide.md, generation_config.json, and shards numbered model-00001-of-00120 through model-00013-of-00120 and beyond.

El repositorio, archivo por archivo

La evidencia es inusualmente limpia porque hay muy poca. Un listado de directorio del 16 de noviembre devuelve 155 archivos. Ciento veinte de ellos son fragmentos de pesos de aproximadamente 5,35 GB cada uno. El resto es la maquinaria de un modelo multimodal: tokenizer.json de 20 megabytes, un chat_template.jinja de 10,5 KB, un config.json de 5,9 KB, una configuración de generación con temperatura 1.0 y top_p 0.95, un deployment_guide.md y dos directorios: uno que contiene un parche de vLLM y otro que contiene proyectores para un modelo de percepción complementario.

Vale la pena detenerse en el README. Veintiún bytes, y cada uno de ellos es frontmatter de YAML:

• Una regla horizontal, luego una línea que diga license: mit, luego otra regla horizontal.

Eso es toda la tarjeta del modelo. No hay descripción, ni tabla de benchmarks, ni fragmento de uso, ni bloque de citas, ni enlace a un artículo. Hugging Face lo muestra como una página con un título, una insignia MIT y un cuerpo vacío. El repositorio tiene un me gusta y, en el momento de escribir esto, cero descargas, lo que para un modelo de este tamaño es menos una señal sobre la calidad que sobre cuán pocas personas pueden permitirse el disco.

Merece la pena registrar dos detalles menores del listado de archivos, porque permiten fechar el lanzamiento mejor que cualquier anuncio. El repositorio hermano cuantizado en FP8, internlm/Sage-S2.1-Flash-FP8, se creó el 13 de noviembre a las 15:04 UTC — aproximadamente 35 horas antes del repositorio bfloat16. Y el último commit del repositorio bf16, a las 03:01 UTC del 16 de noviembre, es un simple «Upload folder using huggingface_hub», el mismo mensaje que la carga inicial. Cualquiera que fuera el flujo de trabajo que produjo esto, no fue un lanzamiento cuidado.

El único documento que el laboratorio sí escribió

deployment_guide.md es el único texto en prosa que InternLM incluyó dentro del repositorio, y es el archivo más informativo que hay allí. Su primera frase constituye toda la especificación:

La versión Sage-S2.1-Flash es un modelo MoE multimodal de 320B-A18B almacenado en formato de pesos bfloat16 (aproximadamente 645 GB).

Tres cifras, y los propios metadatos del Hub confirman dos de ellas. El recuento de parámetros en la página del modelo indica 321 mil millones, una diferencia de mil millones que casi con certeza es una convención de redondeo y no una discrepancia. La cifra de almacenamiento coincide con los metadatos del repositorio de internlm: 642,8 GB. "A18B" —18 mil millones de parámetros activos por token— es un término propio de InternLM y no se puede derivar de forma independiente de la configuración, así que trátalo como una cifra del proveedor.

El config.json completa el resto, y es un documento realmente interesante. El modelo tiene 45 capas, y solo 11 de ellas usan atención dispersa convencional. Las otras 34 usan un tipo de capa de atención lineal que la configuración llama kda, definida por una lista por capa en linear_attn_config. El enrutamiento es de 288 expertos con un experto compartido y ocho seleccionados por token, con un factor de escala de enrutamiento de 2,5. El límite posicional es de 1.048.576 tokens. Hay una torre de visión —profundidad 24, imágenes de 448 píxeles, tamaño de parche 14— y el vocabulario de tokens incluye tokens explícitos de imagen, vídeo, inicio de imagen, fin de imagen, inicio de vídeo y fin de vídeo.

Screenshot of deployment_guide.md rendered in the Hugging Face file viewer for internlm/Sage-S2.1-Flash. The opening sentence reads 'The Sage-S2.1-Flash release is a 320B-A18B multimodal MoE model stored in bfloat16 weight format (about 645 GB).' Below it, the guide states the vLLM and SGLang examples use 8x H200 GPUs and that the model uses the GLM-5.3-Flash architecture, followed by the 'Required for Sage-S2.1-Flash' section on --trust-remote-code and the vLLM patch.

La línea de arquitectura que más importa

La guía de despliegue contiene una frase que replantea todo el lanzamiento. Dice que Sage-S2.1-Flash «usa la arquitectura GLM-5.3-Flash», e indica al lector que instale y ajuste vLLM y SGLang siguiendo las recetas oficiales de GLM-5.3-Flash de Z.ai, sustituyendo un nombre de repositorio por el otro.

Eso se confirma en la configuración: la clase de arquitectura es Glm5NextForConditionalGeneration y el tipo de modelo es glm5_next. Así que un modelo de Shanghai AI Laboratory se publica sobre una arquitectura de Z.ai, y el laboratorio lo dice sin rodeos en lugar de ocultarlo. GLM-5.3-Flash es en sí mismo un MoE multimodal de 320.000 millones de parámetros, con 18.000 millones activos, un contexto de 1M de tokens y un límite de salida de 128K; es decir, la forma de los parámetros tampoco es casualidad.

Para cualquiera que esté decidiendo si desplegar esto, esa frase es lo más valioso de la versión. Significa que la historia de servicio no es nueva. Significa que las recetas, el trabajo en el kernel y los modos de fallo conocidos son los que ya se documentaron para un modelo que es público desde agosto. También significa que vale la pena leer con atención los parches que añadió InternLM, porque describen exactamente en qué se diferencia su modelo del base.

Tres formas en que esta versión falla si la sirves de manera ingenua

La guía de despliegue es, si se lee con atención, una lista de trampas. Cada una es un fallo silencioso en lugar de un error, que es el tipo peligroso.

• Omitir --trust-remote-code rompe las llamadas a herramientas sin advertencia. Las trazas agénticas contienen cadenas como <|user|> y <tool_call> como texto normal. El repositorio incluye su propio código de tokenización que las trata como texto; sin el flag, el motor carga el tokenizador estándar, las codifica como tokens de control y el modelo puede detenerse antes de tiempo o corromper una llamada a herramienta. No se registra nada en los logs.

• vLLM necesita un parche de un solo archivo; de lo contrario, las imágenes se adjuntan al resultado de herramienta equivocado. Cuando las llamadas a herramientas en paralelo regresan en un orden distinto al que se emitieron, la plantilla de chat representa los resultados en el orden de las llamadas, mientras que vLLM recopila las imágenes en el orden de los mensajes. Cada imagen acaba silenciosamente en el resultado equivocado y el modelo responde sobre la imagen equivocada. La corrección sustituye vllm/renderers/hf.py; la corrección upstream está en curso como vllm-project/vllm#67108.

• SGLang no usará la plantilla de chat del repositorio a menos que le entregues el archivo. SGLang instala su propia plantilla integrada para esta arquitectura de forma predeterminada, lo que omite por completo el tokenizador del repositorio; tienes que descargar chat_template.jinja y pasarla con --chat-template.

Hay dos restricciones más en el mismo documento. La caché KV FP8 no es compatible con las GPU Hopper, así que en las H100 y H200 se mantiene la caché BF16. Y LMDeploy necesita transformers entre 5.17 y 5.19, porque 5.19 cambia el nombre del tipo de capa deepseek_sparse_attention a indexed_attention y LMDeploy rechaza el nuevo nombre. La guía también señala un problema abierto de vLLM —vllm-project/vllm#64326— en el que un </think> literal en respuestas sin streaming puede truncar el razonamiento o hacer que se pierda una llamada a herramienta; el streaming no se ve afectado.

Nada de esto dice que el modelo sea malo. Dice que el lanzamiento está en la etapa en la que las personas que lo escribieron siguen siendo las únicas que lo han ejecutado, y te lo están diciendo.

La tabla de referencia que no está en el repositorio

InternLM sí publicó cifras de evaluación: 35 de ellas, en Terminal-Bench 2.1, DeepSWE, SWE-bench Pro, APEX-Agents, GDPval, OfficeQA Pro V2, Harvey LAB, OSWorld-Verified, BrowseComp, BabyVision y dos docenas más. No están en la tarjeta del modelo, porque la tarjeta del modelo está vacía. Están en un repositorio de GitHub aparte, InternLM/Sage-S2.1-Flash, creado el 16 de noviembre a las 03:34 UTC, descrito como "sitio web bilingüe y demostraciones de aplicaciones de Sage 2.1 Flash", que genera un sitio estático en internlm.github.io/Sage-S2.1-Flash. Los datos del benchmark están guardados allí en un commit como un archivo separado por tabulaciones y un archivo JSON, junto con videos de demostración del modelo controlando 3D Slicer, Blender y Fiji.

El texto en inglés de ese sitio comienza así: «Hoy presentamos Sage 2.1 Flash, un modelo agente multimodal científico de frontera». Así que el anuncio sí existe: está simplemente en un alojamiento de GitHub Pages al que no apunta nada del repositorio de Hugging Face, y se creó después de que los pesos ya se pudieran descargar. Si quieres la forma en que el propio proveedor lo presenta, ese párrafo es justamente eso: más de diez tipos de entradas científicas en un solo modelo, incluidos gráficos moleculares, estructuras cristalinas, secuencias y estructuras 3D de proteínas, ADN y ARN, espectros, espectros de masas, difracción de rayos X, electrocardiogramas, electroencefalogramas y curvas de luz.

La tabla de evaluación compara Sage 2.1 Flash con ocho modelos: GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017, Qwen3.8-Max, GPT-5.6 Sol, Claude Opus 5, GPT-6 Astra, GPT-6.1 Sol y Claude Opus 5.5. Todas las cifras que contiene son reportadas por el proveedor. No hay un arnés publicado, ni un registro de ejecución, ni un desglose por tarea, y ningún tercero ha reproducido nada de ello. Lea la tabla como una declaración de intenciones del laboratorio, no como una medición.

Donde la tabla de proveedores es inusualmente fuerte, e inusualmente débil

Destacan dos patrones, y ambos son más informativos que las puntuaciones principales.

Lo primero es que las filas de ciencia y visión son donde los márgenes resultan absurdos. BabyVision marca 75,8 para Sage frente a 51,3 para GLM-5.3-Flash, 58,0 para DeepSeek-V4.1-Flash-1017 y 63,1 para Claude Opus 5. OSWorld-G marca 84,8 frente a 61,4 para DeepSeek. OfficeQA Pro V2 marca 72,2, el valor más alto de su propia tabla, por delante de Claude Opus 5 con 67,2. Cuando un modelo gana una fila por veinticuatro puntos, o la capacidad es real o el benchmark se está leyendo de forma distinta para este modelo que para los demás; y, sin un arnés publicado, no se puede saber cuál de las dos cosas es.

Lo segundo es que las filas de programación son el documento menos halagador del lanzamiento. Terminal-Bench 2.1, con 87,9, es fuerte pero no lidera; Qwen3.8-Max está en 89,6 y Claude Opus 5 en 90,2. SWE-bench Pro, con 60,6, queda por detrás de DeepSeek-V4.1-Flash-1017, con 64,7, y de Qwen3.8-Max, con 65,3. DeepSWE, con 67,0, queda casi siete puntos por detrás de DeepSeek, con 73,9. Para un modelo cuyo marketing es agéntico, esa es una tabla que sus propios autores eligieron publicar, lo cual tiene su valor.

Lo que la tabla no contiene resulta igual de llamativo: Claude Haiku 5.5 y Gemini 3.8 Flash están ambos ausentes, por lo que las dos comparaciones que la mayoría de la gente querría no pueden hacerse a partir de los datos de los proveedores en absoluto, en ninguno de los dos sentidos.

A generated infographic titled 'Sage-S2.1-Flash - what the weekend actually established', listing four tiers as cards. 'Confirmed by the files': 120 shards, 645 GB, bfloat16, MIT licence, 45 layers, 1,048,576-token ceiling. 'Confirmed by the vendor guide': 320B total, 18B active, GLM-5.3-Flash architecture, 8xH200 reference. 'Vendor-reported, unreproduced': 35 benchmark rows, harness undocumented. 'Not confirmed': no price, no hosted endpoint, no independent score. Footer: 'Sage-S2.1-Flash figures unaudited; file and licence facts from the Hugging Face repository.' The OrcaRouter logo is composited in the bottom-right corner.

Qué está confirmado, y qué no

Clasificar en dos montones las pruebas del fin de semana es lo más útil que un lector puede hacer con ellas.

• Confirmado por los archivos: los pesos existen y se pueden descargar bajo MIT; 120 fragmentos, unos 645 GB, bfloat16; 45 capas con una división de atención lineal a dispersa de 34/11; 288 expertos enrutados, top-8; un techo posicional de 1.048.576 tokens; una torre de visión y tokens de imagen/vídeo; un hermano FP8 publicado dos días antes.

• Confirmado por la propia guía del proveedor: 320B en total, 18B activos; la arquitectura GLM-5.3-Flash; 8×H200 como despliegue de referencia; cinco trampas de servicio documentadas.

• Reportado por el proveedor, no reproducido: todas las puntuaciones de benchmark, incluida la ventaja de 24 puntos en BabyVision y el 72.2 en OfficeQA Pro V2.

• Sin confirmar — cuánto cuesta. No hay ningún precio en ningún sitio: ni en el Hub, ni en la guía, ni en el micrositio. El botón «Try the API» apunta a discovery.intern-ai.org.cn, que devolvió una página casi vacía a una solicitud fetch sin JavaScript; no pudimos determinar desde fuera si el modelo se puede invocar allí, bajo qué identificador o a qué tarifa.

• También sin confirmar — si esto es siquiera un lanzamiento, en el sentido que la palabra suele tener. Ningún anuncio, ningún artículo con este nombre, ningún acceso para socios y una ficha de modelo que un script podría haber generado.

How to look at it without betting a production path on it — Cómo verlo sin jugarse una ruta de producción en ello

La pregunta práctica para la mayoría de los equipos no es «¿esto es mejor que lo que ejecuto?» sino «¿vale la pena una hora?». Con 645 GB en bfloat16, no es una descarga para portátil; el punto de entrada honesto es un nodo 8×H200 alquilado, una tarde con la guía de despliegue y asumir que estás ejecutando un modelo para el que nadie ha publicado un arnés.

El experimento más barato, antes de todo eso, es leer la línea de arquitectura como un atajo. InternLM dice en su propia guía que el modelo se basa en la arquitectura GLM-5.3-Flash y que deberías seguir las recetas de servicio de Z.ai para él, sustituyendo un nombre de repositorio por el otro. Eso significa que la arquitectura base —la misma configuración 320B/18B, la misma atención híbrida dispersa y lineal, el mismo límite de un millón de tokens— está disponible para probarla hoy mediante una API alojada en lugar de mediante ocho GPU que tienes que encontrar primero. Si el modelo base ya se comporta bien con tus documentos científicos, el derivado es un refinamiento que vale la pena descargar. Si no lo hace, te has ahorrado el fin de semana.

Donde OrcaRouter sí se gana su lugar aquí es en la brecha entre «queremos probarlo» y «podemos servirlo». La conmutación por error automática te permite poner un endpoint experimental detrás de una política sin convertirlo en la única ruta: si el nuevo modelo devuelve una llamada a herramienta malformada —y la guía de despliegue te dice exactamente cómo lo hará si omites el flag o el parche—, la solicitud recae en un modelo en el que ya confías y conservas la traza. Esa es una mejor forma de recopilar evidencia que un script de evaluación puntual, porque recopila evidencia sobre tráfico real.

¿Qué lo zanjaría?

Tres eventos, en orden creciente de utilidad. Una ficha de modelo nos diría para qué cree el laboratorio que sirve el modelo, y probablemente incluiría la misma tabla que actualmente está varada en un host de GitHub Pages. Una entrada en una tabla de clasificación independiente permitiría a alguien restar los márgenes del proveedor de un arnés común. Y un precio —cualquier precio, en cualquier lugar— convertiría a Sage-S2.1-Flash de una descarga en una decisión.

Hasta que uno de esos se materialice, la descripción precisa es la que respaldan los archivos: un MoE multimodal grande, con licencia MIT y ajustado científicamente, construido sobre una arquitectura pública, publicado sin una palabra de explicación, y cuyos propios autores siguen parcheando la pila de servicio. Eso no es poca cosa. Tampoco es todavía un producto, y la diferencia les importa sobre todo a quienes tendrían que ejecutarlo.