Intern-S2-397B vs Intern-S2 Mobius : le modèle phare 397B et le raisonneur 35B

Intern-S2-397B et Intern-S2 Mobius sont tous deux des modèles InternLM, tous deux sous Apache-2.0, tous deux appelés Intern-S2, et pourtant, sous ce nom, ils ne pourraient pas être plus différents. Intern-S2-397B est le porte-étendard : un modèle à mélange d’experts de 403 milliards de paramètres pour l’intelligence scientifique et les agents à long horizon, qu’InternLM a publié le 13 septembre 2026. Intern-S2 Mobius est une expérience de raisonnement de 35 milliards de paramètres arrivée le 29 juillet 2026, bâtie sur l’architecture Mobius-v0 avec une mémoire partagée globalement et des raisonneurs itératifs, pré-entraînée en continu à partir de Qwen3.5-35B. La collision de noms est la raison même pour laquelle cette comparaison doit exister, car une recherche sur « Intern-S2 review » fera apparaître les deux modèles, et les deux ne sont pas des substituts l’un de l’autre, dans un sens comme dans l’autre.

Deux architectures, deux missions

Intern-S2-397B est un transformer MoE classique, large là où cela compte : 60 couches, 512 experts avec 10 actifs par token, un contexte de raisonnement textuel de 256K et un contexte multimodal de 64K, et une surface d’entrée qui accepte texte, image et séries temporelles. Son paradigme de pré-entraînement lit des pages brutes de littérature scientifique — figures, mise en page, notation symbolique et prose ensemble — et son apprentissage par renforcement couvre plus de vingt domaines scientifiques, ainsi qu’un entraînement d’agents à long horizon dans des environnements sandbox. C’est un spécialiste qui est aussi un modèle généraliste : MMLU Pro 89,77, MMMU Pro 81,68, SWE-bench-Pro 68,54 sur sa propre fiche, tous rapportés par InternLM et non reproduits.

Intern-S2 Mobius est un pari différent sur une question différente. Au lieu de lier le stockage des connaissances et le calcul du raisonnement couche par couche, l’architecture Mobius-v0 conserve une Memory globale partagée de vecteurs de connaissances et permet à plusieurs Reasoners d’itérer dessus, en affinant les états cachés sur des représentations continues à haute densité. L’argument est l’efficacité d’inférence : une accélération de bout en bout de près de 4x par rapport à la référence Qwen3.5-35B dont il descend, avec des scores de raisonnement comparables ou meilleurs. Il s’agit d’une affirmation de débit concernant une référence spécifique — et d’une affirmation de fournisseur, sans reproduction indépendante — mais c’est la raison d’être du modèle.

• Architecture — Intern-S2-397B : transformer MoE standard, 60 couches, 512 experts / 10 actifs vs Intern-S2 Mobius : Mobius-v0, mémoire partagée + raisonneurs itératifs.

• Échelle — Intern-S2-397B : 403 B au total, ~807 Go de poids en BF16 contre Intern-S2 Mobius : 35 B au total.

• Lignée — Intern-S2-397B : paradigme original de pré-entraînement scientifique vs Intern-S2 Mobius : pré-entraîné en continu à partir de Qwen3.5-35B.

• Entrées — Intern-S2-397B : texte, image, séries temporelles vs Intern-S2 Mobius : texte, image.

• Contexte — Intern-S2-397B : 256K de texte / 64K multimodal vs Intern-S2 Mobius : aucun chiffre de contexte indiqué indépendamment pour l’instant.

• Revendication de vitesse — Intern-S2-397B : aucune annoncée vs Intern-S2 Mobius : accélération du raisonnement de bout en bout de près de 4x par rapport à la référence Qwen3.5-35B, selon le fournisseur.

• Preuves indépendantes — aucun des deux modèles ne dispose d’une évaluation tierce.

Quel numéro correspond à quel modèle ?

La collision de noms devient un danger bien réel dès que vous lisez une critique. Une affirmation de benchmark à propos d'« Intern-S2 » — MMLU Pro 89,77, HMMT-2026 93,56, Biology-Instructions 55,71 — concerne le modèle phare de 397B, car c'est à lui que se rapporte le tableau de lancement. Une affirmation de débit à propos d'« Intern-S2 » — l'accélération de près de 4x — concerne Mobius, car c'est le modèle dont l'architecture vise l'efficacité d'inférence. Vérifiez le nombre de paramètres avant de citer l'un ou l'autre de ces chiffres. Une critique qui déclare « Intern-S2 est 4x plus rapide » et une autre qui déclare « Intern-S2 surpasse Grok 4.6 sur TerminalBench » parlent de modèles différents, et la seconde affirmation ne résiste même pas au tableau de son propre fournisseur.

Du côté des preuves, aucun des deux modèles n'a été testé par quelqu'un d'extérieur à InternLM. La fiche du modèle phare est un tableau de benchmarks de fournisseur exécuté via OpenCompass, VLMEvalKit et AgentCompass ; celle de Mobius est une description accompagnée d'une revendication d'accélération par rapport à une baseline à partir de laquelle le modèle a été affiné. L'absence de vérification indépendante compte davantage ici que dans la plupart des comparaisons, car les revendications les plus fortes des deux modèles se situent sur des axes totalement différents — la capacité pour l'un, le débit pour l'autre — et aucun de ces axes n'a encore fait l'objet d'une mesure externe.

Lequel exécuter

Lancez Intern-S2-397B lorsque la tâche relève de la compréhension scientifique : lire un article riche en figures, analyser un diagramme moléculaire, faire des prévisions à partir d’un signal de série temporelle, ou exécuter un long agent qui doit continuer à travailler sur une tâche de recherche. C’est le modèle dont traite la couverture de cette semaine, et ses lignes générales sont suffisamment respectables pour que vous n’achetiez pas un modèle qui ne sait faire qu’une seule chose. Le prix à payer, c’est le matériel : un checkpoint de 403B nécessite un nœud multi-GPU sérieux, et si vous n’en possédez pas, l’API Intern officielle est l’alternative.

Considérez Intern-S2 Mobius lorsque la tâche consiste en du raisonnement à haut volume sur du matériel que vous possédez déjà et que le coût par token vous importe plus qu'un ou deux points de score de benchmark. Un modèle 35B avec un avantage de débit plausible de 4x par rapport à sa baseline est une proposition de service réellement intéressante — mais validez l'accélération sur vos propres traces avant de construire autour, car personne en dehors d'InternLM ne l'a encore reproduite. Dans tous les cas, étiquetez explicitement le modèle dans chaque compte rendu, car le nom seul ne dit plus duquel vous parlez.