Une carte de titre générée portant « Sage-S2.1-Flash » au-dessus du sous-titre « 645 Go de poids, une fiche de modèle de 21 octets, aucune annonce », avec trois petites pastilles en dessous indiquant « téléversement du 15 nov. 2026 », « licence MIT » et « 320B-A18B MoE ». Fond blanc, accents dégradés bleu et cyan, icônes linéaires plates. Le logo OrcaRouter est incrusté dans le coin inférieur droit.
Guides & Insights

Sage-S2.1-Flash est sorti discrètement : 645 Go de poids, une fiche de modèle de 21 octets et un tableau de benchmarks que personne n’a lié

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Le 15 novembre 2026 à 02:34 UTC, un compte appartenant au Shanghai AI Laboratory a téléversé un dépôt nommé internlm/Sage-S2.1-Flash sur Hugging Face. Il contenait 120 fragments safetensors totalisant environ 645 gigaoctets, un fichier de configuration, un gabarit de conversation et un README de 21 octets. Il n’y a pas eu d’article de blog. La page d’accueil du laboratoire lui-même ne comportait aucune mention de ce nom lorsque nous l’avons récupérée le 16 novembre. Nous n’avons trouvé aucun communiqué de presse, et aucune entrée pour Sage-S2.1-Flash sur Artificial Analysis.

Ce qui existait bel et bien à la fin de ce week-end-là, c’étaient trois choses qu’un lecteur peut vérifier : les poids eux-mêmes, un guide de déploiement rédigé pour ceux qui comptent faire tourner le modèle sur huit H200, et un tableau de benchmarks hébergé sur un microsite GitHub Pages vers lequel le dépôt du modèle ne renvoie jamais. Cet article est un inventaire de ces trois éléments, avec une frontière claire entre ce que les fichiers prouvent et ce qu’InternLM n’a pas encore dit.

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.

Le dépôt, fichier par fichier

Les preuves sont étonnamment limpides, précisément parce qu’elles sont peu nombreuses. Une liste de répertoire datée du 16 novembre renvoie 155 fichiers. Cent vingt d’entre eux sont des fragments de poids d’environ 5,35 Go chacun. Le reste constitue la mécanique d’un modèle multimodal : tokenizer.json à 20 mégaoctets, un chat_template.jinja de 10,5 Ko, un config.json de 5,9 Ko, une configuration de génération avec temperature 1.0 et top_p 0.95, un deployment_guide.md, et deux répertoires — l’un contenant un patch vLLM, l’autre des projecteurs pour un modèle de perception associé.

Le README mérite qu'on s'y attarde. Vingt et un octets, et chacun d'entre eux est du frontmatter YAML :

• Une règle horizontale, puis une ligne indiquant license: mit, puis une autre règle horizontale.

C’est toute la fiche du modèle. Il n’y a ni description, ni tableau de benchmarks, ni extrait d’utilisation, ni bloc de citation, ni lien vers un article. Hugging Face l’affiche comme une page avec un titre, un badge MIT et un corps vide. Le dépôt a un like et, au moment de la rédaction, zéro téléchargement — ce qui, pour un modèle de cette taille, est moins un signal sur la qualité que sur le peu de personnes qui peuvent se permettre le disque.

Deux petits détails de la liste des fichiers méritent d’être consignés, car ils datent la publication mieux que ne le ferait n’importe quelle annonce. Le homologue quantifié en FP8, internlm/Sage-S2.1-Flash-FP8, a été créé le 13 novembre à 15:04 UTC — soit environ 35 heures avant le dépôt bfloat16. Et le dernier commit du dépôt bf16, à 03:01 UTC le 16 novembre, est un simple « Upload folder using huggingface_hub », le même message que lors de l’envoi initial. Quel que soit le flux de travail qui a produit cela, il ne s’agissait pas d’un lancement préparé.

Le seul document que le laboratoire a bel et bien rédigé

deployment_guide.md est la seule prose qu'InternLM ait fournie dans le dépôt, et c'est le fichier le plus informatif qui s'y trouve. Sa phrase d'ouverture constitue à elle seule toute la spécification :

La version Sage-S2.1-Flash est un modèle MoE multimodal 320B-A18B stocké au format de pondération bfloat16 (environ 645 Go).

Trois chiffres, et les métadonnées du Hub lui-même en confirment deux. Le nombre de paramètres indiqué sur la page du modèle est de 321 milliards, soit une différence d’un milliard qui relève presque certainement d’une convention d’arrondi plutôt que d’un désaccord. Le chiffre de stockage est confirmé par les métadonnées du dépôt d’internlm, à 642,8 Go. « A18B » — 18 milliards de paramètres actifs par token — est un terme propre à InternLM et ne peut pas être déduit indépendamment de la configuration ; considérez donc qu’il s’agit d’un chiffre fourni par le fournisseur.

Le fichier config.json complète le reste, et c’est un document vraiment intéressant. Le modèle compte 45 couches, et seules 11 d’entre elles utilisent une attention parcimonieuse conventionnelle. Les 34 autres utilisent un type de couche d’attention linéaire que la configuration appelle kda, défini par une liste par couche dans linear_attn_config. Le routage compte 288 experts avec un expert partagé et huit sélectionnés par token, avec un facteur d’échelle de routage de 2,5. Le plafond positionnel est de 1 048 576 tokens. Il y a une tour de vision — profondeur 24, images de 448 pixels, taille de patch de 14 — et le vocabulaire de tokens comporte des tokens explicites image, video, image-start, image-end, video-start et video-end.

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 ligne d’architecture qui compte le plus

Le guide de déploiement contient une phrase qui recadre toute la version. Elle indique que Sage-S2.1-Flash « utilise l’architecture GLM-5.3-Flash » et demande au lecteur d’installer et de régler vLLM et SGLang en suivant les recettes officielles GLM-5.3-Flash de Z.ai, en remplaçant un nom de dépôt par l’autre.

Cela est confirmé dans la configuration : la classe d’architecture est Glm5NextForConditionalGeneration et le type de modèle est glm5_next. Ainsi, un modèle de Shanghai AI Laboratory est publié sur une architecture Z.ai, et le laboratoire le dit clairement plutôt que de le cacher. GLM-5.3-Flash est lui-même un MoE multimodal de 320 milliards de paramètres, dont 18 milliards actifs, avec un contexte de 1M de tokens et un plafond de sortie de 128K — autrement dit, la structure des paramètres n’est pas non plus une coïncidence.

Pour quiconque doit décider s’il faut déployer ceci, cette phrase est l’élément le plus précieux de la publication. Cela signifie que l’histoire du serving n’est pas nouvelle. Cela signifie que les recettes, le travail sur le noyau et les modes de défaillance connus sont ceux déjà documentés pour un modèle public depuis août. Cela signifie aussi que les patchs ajoutés par InternLM méritent une lecture attentive, car ils décrivent exactement où leur modèle diverge de la base.

Trois façons dont cette version casse si vous la servez naïvement

Le guide de déploiement est, si on le lit attentivement, une liste de pièges. Chacun d’eux est un échec silencieux plutôt qu’une erreur, ce qui est le genre dangereux.

• L'absence de --trust-remote-code casse les appels d'outils sans avertissement. Les traces agentiques contiennent des chaînes comme <|user|> et <tool_call> en tant que texte ordinaire. Le dépôt fournit son propre code de tokenisation qui les traite comme du texte ; sans le drapeau, le moteur charge le tokenizer standard, les encode comme des tokens de contrôle, et le modèle peut s'arrêter prématurément ou corrompre un appel d'outil. Aucun journal n'est produit.

• vLLM a besoin d’un correctif sur un seul fichier, sinon les images sont associées au mauvais résultat d’outil. Lorsque des appels d’outils parallèles reviennent dans un ordre différent de celui dans lequel ils ont été émis, le modèle de chat affiche les résultats dans l’ordre des appels tandis que vLLM collecte les images dans l’ordre des messages. Chaque image se retrouve silencieusement associée au mauvais résultat et le modèle répond à propos de la mauvaise image. Le correctif remplace vllm/renderers/hf.py ; le correctif amont est en cours sous la référence vllm-project/vllm#67108.

• SGLang n’utilisera pas le modèle de chat du dépôt, sauf si vous lui fournissez le fichier. Par défaut, SGLang installe son propre modèle intégré pour cette architecture, ce qui contourne entièrement le tokenizer du dépôt ; vous devez télécharger chat_template.jinja et le transmettre avec --chat-template.

in non-streaming responses can truncate reasoning or swallow a tool call; streaming is unaffected." Need translate. Note "transformers between 5.17 and 5.19" likely version numbers. Keep. "literal </think>" keep exact. The URL with # perhaps keep. "open vLLM issue" -> "un problème ouvert de vLLM". "flags" signale. "swallow a tool call" peut avaler un appel d'outil. "streaming is unaffected" le streaming n'est pas affecté / la diffusion en continu n'est pas concernée. French. Need output only translated. No markers. Ensure not add. Final in French.Le même document contient deux contraintes supplémentaires. Le cache KV FP8 n’est pas pris en charge sur les GPU Hopper ; sur les H100 et H200, vous conservez donc le cache BF16. Et LMDeploy nécessite une version de transformers comprise entre 5.17 et 5.19, car la 5.19 renomme le type de couche deepseek_sparse_attention en indexed_attention, et LMDeploy rejette le nouveau nom. Le guide signale aussi un problème ouvert de vLLM — vllm-project/vllm#64326 — où un </think> littéral dans les réponses non-streaming peut tronquer le raisonnement ou avaler un appel d’outil ; le streaming n’est pas affecté.

Rien de tout cela ne dit que le modèle est mauvais. Cela signifie que la publication en est au stade où les personnes qui l'ont écrit sont encore les seules à l'avoir exécuté, et elles vous le disent.

Le tableau de benchmarks qui ne se trouve pas dans le dépôt

InternLM a bien publié des chiffres d’évaluation — 35 au total, couvrant Terminal-Bench 2.1, DeepSWE, SWE-bench Pro, APEX-Agents, GDPval, OfficeQA Pro V2, Harvey LAB, OSWorld-Verified, BrowseComp, BabyVision et une vingtaine d’autres. Ils ne figurent pas dans la fiche du modèle, car celle-ci est vide. Ils se trouvent dans un dépôt GitHub distinct, InternLM/Sage-S2.1-Flash, créé le 16 novembre à 03 h 34 UTC, décrit comme « démos du site web et de l’application bilingues de Sage 2.1 Flash », qui génère un site statique à l’adresse internlm.github.io/Sage-S2.1-Flash. Les données de benchmark y sont versionnées sous forme d’un fichier séparé par des tabulations et d’un fichier JSON, aux côtés de vidéos de démonstration du modèle pilotant 3D Slicer, Blender et Fiji.

Le texte anglais de ce site commence par « Aujourd’hui, nous présentons Sage 2.1 Flash, un modèle d’agent multimodal scientifique de pointe ». L’annonce existe donc bien — elle se trouve simplement sur un hébergement GitHub Pages vers lequel rien dans le dépôt Hugging Face ne renvoie, et elle a été créée après que les poids étaient déjà téléchargeables. Si vous voulez la présentation faite par le fournisseur lui-même, c’est ce paragraphe : plus de dix types d’entrées scientifiques dans un seul modèle, notamment des graphes moléculaires, des structures cristallines, des séquences et structures 3D de protéines, de l’ADN et de l’ARN, des spectres, des spectres de masse, de la diffraction des rayons X, des électrocardiogrammes, des électroencéphalogrammes et des courbes de lumière.

Le tableau d’évaluation compare Sage 2.1 Flash à huit modèles : 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 et Claude Opus 5.5. Chaque chiffre qu’il contient est déclaré par le fournisseur. Aucun harnais d’évaluation n’a été publié, aucun journal d’exécution n’est disponible, il n’existe aucune ventilation par tâche et aucun tiers n’a reproduit le moindre résultat. Il faut lire ce tableau comme une déclaration d’intention du laboratoire, et non comme une mesure.

Là où le tableau des fournisseurs est exceptionnellement solide, et exceptionnellement faible

Deux tendances ressortent, et toutes deux sont plus révélatrices que les scores principaux.

Le premier point, c’est que les lignes scientifique et vision sont celles où les écarts sont absurdes. BabyVision affiche 75,8 pour Sage contre 51,3 pour GLM-5.3-Flash, 58,0 pour DeepSeek-V4.1-Flash-1017 et 63,1 pour Claude Opus 5. OSWorld-G affiche 84,8 contre 61,4 pour DeepSeek. OfficeQA Pro V2 affiche 72,2, le score le plus élevé de son propre tableau, devant Claude Opus 5 à 67,2. Quand un modèle remporte une ligne avec vingt-quatre points d’avance, soit la capacité est réelle, soit le benchmark est interprété différemment pour ce modèle que pour les autres — et sans harnais publié, on ne peut pas savoir lequel des deux.

Le deuxième point, c'est que les lignes consacrées au codage sont le document le moins flatteur de la publication. Terminal-Bench 2.1 à 87,9 est solide mais n'est pas en tête ; Qwen3.8-Max est à 89,6 et Claude Opus 5 à 90,2. SWE-bench Pro à 60,6 est derrière DeepSeek-V4.1-Flash-1017 à 64,7 et Qwen3.8-Max à 65,3. DeepSWE à 67,0 est derrière DeepSeek à 73,9 de près de sept points. Pour un modèle dont le marketing repose sur l'agentique, c'est un tableau que ses propres auteurs ont choisi de publier, ce qui compte.

Ce que le tableau ne contient pas est tout aussi notable : Claude Haiku 5.5 et Gemini 3.8 Flash sont tous deux absents, de sorte que les deux comparaisons que la plupart des gens souhaiteraient ne peuvent pas être faites à partir des données des fournisseurs, dans un sens comme dans l’autre.

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.

Ce qui est confirmé, et ce qui ne l'est pas

Trier les éléments de preuve du week-end en deux piles est la chose la plus utile qu’un lecteur puisse en faire.

• Confirmé par les fichiers — les poids existent et sont téléchargeables sous licence MIT ; 120 shards, environ 645 Go, bfloat16 ; 45 couches avec une répartition 34/11 entre attention linéaire et clairsemée ; 288 experts routés, top-8 ; un plafond positionnel de 1 048 576 tokens ; une tour de vision et des tokens image/vidéo ; un équivalent FP8 publié deux jours plus tôt.

• Confirmé par le guide officiel du fournisseur — 320B au total, 18B actifs ; l’architecture GLM-5.3-Flash ; 8×H200 comme déploiement de référence ; cinq pièges de serving documentés.

• Déclaré par le fournisseur, non reproduit — chaque score de benchmark, y compris l’écart de 24 points sur BabyVision et le 72,2 sur OfficeQA Pro V2.

• Non confirmé — ce qu’il coûte. Aucun prix n’est indiqué nulle part : ni sur le Hub, ni dans le guide, ni sur le microsite. Le bouton « Try the API » renvoie à discovery.intern-ai.org.cn, qui a renvoyé une coquille presque vide à une requête sans JavaScript ; nous n’avons pas pu établir de l’extérieur si le modèle y est appelable, sous quel identifiant, ni à quel tarif.

• Également non confirmé — s’il s’agit même d’un lancement, au sens où ce mot est habituellement employé. Aucune annonce, aucun article sous ce nom, aucun accès partenaire, et une fiche de modèle qu’un script aurait pu générer.

Comment l’examiner sans miser une voie de production dessus

Pour la plupart des équipes, la vraie question n’est pas « est-ce meilleur que ce que j’utilise ? » mais « est-ce que ça vaut une heure ? ». À 645 Go en bfloat16, ce n’est pas un téléchargement pour ordinateur portable ; le point d’entrée honnête, c’est un nœud 8×H200 loué, un après-midi passé avec le guide de déploiement, et le fait d’accepter que vous faites tourner un modèle pour lequel personne n’a publié de harnais.

L’expérience la moins coûteuse, avant tout cela, consiste à lire la ligne d’architecture comme un raccourci. InternLM indique dans son propre guide que le modèle repose sur l’architecture GLM-5.3-Flash et qu’il faut suivre les recettes de service de Z.ai pour celui-ci, en remplaçant un nom de dépôt par l’autre. Cela signifie que l’architecture de base — même format 320B/18B, même attention hybride clairsemée et linéaire, même plafond d’un million de tokens — est disponible dès aujourd’hui pour être testée via une API hébergée plutôt que via huit GPU qu’il faut d’abord trouver. Si le modèle de base se comporte déjà correctement sur vos documents scientifiques, le dérivé est un raffinement qui vaut le téléchargement. Si ce n’est pas le cas, vous avez économisé un week-end.

C'est dans l'écart entre « nous voulons l'essayer » et « nous pouvons le servir » qu'OrcaRouter mérite vraiment sa place ici.Le basculement automatique vous permet de placer un point de terminaison expérimental derrière une politique sans en faire le seul chemin : si le nouveau modèle renvoie un appel d'outil mal formé — et le guide de déploiement vous explique précisément comment cela se produira, si vous omettez l'option ou le correctif — la requête bascule vers un modèle auquel vous faites déjà confiance, et vous conservez la trace. C'est une meilleure façon de recueillir des preuves qu'un script d'évaluation ponctuel, car elle recueille des preuves sur du trafic réel.

Qu'est-ce qui réglerait la question ?

Trois événements, par ordre croissant d’utilité. Une fiche modèle nous dirait à quoi le laboratoire pense que le modèle sert, et porterait probablement le même tableau actuellement bloqué sur un hébergement GitHub Pages. Une entrée sur un classement indépendant permettrait à quelqu’un de soustraire les marges du fournisseur d’un banc d’essai commun. Et un prix — n’importe quel prix, n’importe où — transformerait Sage-S2.1-Flash d’un téléchargement en une décision.

D’ici à ce que l’une de ces choses aboutisse, la description exacte est celle que les fichiers étayent : un MoE multimodal de grande taille, sous licence MIT, ajusté selon une approche scientifique, bâti sur une architecture publique, publié sans le moindre mot d’explication, dont les propres auteurs continuent de corriger la pile de service. Ce n’est pas rien. Ce n’est pas non plus encore un produit, et cette différence compte surtout pour ceux qui auraient à l’exploiter.