
Sage-S2.1-Flash vs Qwen 3.8 Flash : huit H200 contre quinze centimes
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 90 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 96 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNOUVEAUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 87 tok/s
- OrcaNOUVEAUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 133 tok/s
- OrcaNOUVEAUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 par million de tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 152 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 par million de tokens · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligence
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligence
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 par million de tokens · 219 tok/s
La fiche modèle de Sage-S2.1-Flash fait vingt et un octets. Elle commence par un en-tête de licence, indique license: mit, puis s'arrête. Il n'y a pas d'introduction, pas de tableau de benchmarks, pas de longueur de contexte, pas d'usage prévu, pas d'adresse de contact. Le dépôt lui-même n'est pas vide — 120 fragments de poids bfloat16, soit environ 645 Go, auxquels s'ajoutent un fichier de configuration, un modèle de chat, un guide de déploiement et cinq petits dossiers d'adaptateurs scientifiques — mais tout ce qu'un lecteur utiliserait normalement pour décider s'il doit s'y intéresser a été omis. Les poids ont été mis en ligne le 15 novembre 2026 et révisés jusqu'au 16. InternLM, l'organisation de modèles du Shanghai AI Laboratory, n'a rien annoncé : ni article de blog, ni publication, ni message sur le site de la famille. Au moment de la rédaction, le dépôt affiche zéro téléchargement pour le mois, un seul « j'aime » et aucun fournisseur d'inférence ne le sert.
Qwen 3.8 Flash est le type d’objet opposé. Alibaba le commercialise via QwenCloud depuis le 26 août 2026 à $0.15 par million de tokens d’entrée et $0.47 par million de tokens de sortie, a publié ses limites de débit et sa liste d’outils, livré ses poids ouverts sous le nom Qwen3.8-Flash-Next, et ajouté un tableau de benchmarks de douze lignes sur cette fiche. Il est disponible sur OrcaRouter sous le nom qwen/qwen3.8-flash au prix catalogue du fournisseur. Vous pouvez lui envoyer une requête dans les trente prochaines secondes.
Il ne s’agit donc pas d’une comparaison entre deux modèles que l’on peut acheter. C’est une comparaison entre un modèle hébergé bon marché dont le prix est publié et un mélange d’experts à poids ouverts de 321 milliards de paramètres, sans prix, sans score et sans annonce — et la vraie question n’est pas de savoir lequel est meilleur, car personne ne peut encore y répondre. C’est de savoir si déployer huit H200 pour celui qui n’est pas mesuré est un meilleur usage de l’argent que payer quinze cents par million de tokens pour celui qui l’est, et pour combien d’équipes cette réponse est un jour oui.
Ce que le dépôt Sage-S2.1-Flash prouve réellement
Les faits d’abord, car ils sont plus nombreux que la carte vide ne le suggère. Le nombre de paramètres dans l’index des poids est de 321 323 031 390, et le guide de déploiement l’arrondit à « 320B-A18B » — 320 milliards au total, 18 milliards actifs par token. La configuration texte comporte 45 couches, dont 34 sont des couches d’attention linéaire de type delta-net à portes et 11 sont des couches d’attention éparse de la lignée DeepSeek, avec 288 experts routés, dont huit plus un expert partagé s’activent par token, une dimension cachée de 4 096 et un vocabulaire de 154 880 tokens. Les embeddings de position maximaux sont fixés à 1 048 576.

La licence est MIT, sans clause d’utilisation acceptable dans le dépôt. Cela mérite qu’on s’y arrête : un MoE multimodal de 321B sous une licence permissive, sans restriction au téléchargement, est un objet plus rare que ne le suggère le silence qui l’entoure.
La filiation est vérifiable et légèrement surprenante. La chaîne d’architecture est glm5_next, la classe est Glm5NextForConditionalGeneration, et le guide de déploiement indique sans détour que le modèle utilise l’architecture GLM-5.3-Flash et que les recettes de framework à suivre sont celles officielles de GLM-5.3-Flash, avec le chemin du modèle remplacé. Le plus ancien et plus grand Sage-S2.1 — 753B paramètres, architecture glm_moe_dsa, portant encore une fiche de modèle « Atria Dawn » qui le décrit comme construit sur un socle GLM-5.2 de 744B — relève d’une génération de socle entièrement différente. Flash n’est pas un S2.1 distillé. C’est un nouveau modèle, plus petit, construit sur une architecture plus récente issue d’un autre laboratoire, portant le même nom de famille.
Ce nom de famille est lui-même une cible mouvante. L'ancien dépôt internlm/Atria-Dawn redirige désormais vers internlm/Sage-S2.1, et la fiche de la cible de la redirection indique toujours « Atria Dawn » dans chaque en-tête — le renommage a eu lieu sans que la documentation ne suive. Toute personne qui a lu les articles consacrés à Atria Dawn plus tôt dans l'année et qui cherche maintenant « Sage » doit comprendre qu'il s'agit du même dépôt sous deux noms, et que Flash est son nouveau petit frère plus léger.
Les adaptateurs scientifiques sont la partie du dépôt qu’aucune annonce de fournisseur n’aurait expliquée de toute façon. Sous projectors/sage-s2.1-flash/ se trouvent cinq petits dossiers — cif/jarvis, dna/splice, ecg/phu01, eeg/neu06, protein-seq/mpbind — contenant chacun un fichier de configuration et un projecteur de quatre à vingt-huit mégaoctets qui projette un flux de caractéristiques scientifiques dans l’espace de 4 096 dimensions du modèle de base. Les structures cristallines passent par un encodeur CHGNet 0.3.0, avec un état de 64 dimensions par atome. Les séquences protéiques passent par ESM2-t33-650M, avec un état de dernière couche par résidu. L’adaptateur ADN est une lecture DNABERT2 adaptée à la tâche sur trois caractéristiques ; les adaptateurs ECG et EEG sont tout aussi petits et spécifiques à la tâche. Coût total en poids pour les cinq : moins de 90 Mo, contre 645 Go pour le modèle de langage.
Ces fichiers de configuration divulguent également la provenance que la fiche modèle avait omise. Ils indiquent le répertoire du point de contrôle du backbone, les horodatages des exécutions d’entraînement et une empreinte indiquant sage-s2.1-flash-hf111-bf16-norm-261113 — 13 novembre 2026, deux jours avant l’apparition des poids. Voilà comment la filiation est établie ici : non pas à partir d’un communiqué de presse, mais à partir d’un champ de configuration que l’empaquetage a oublié de supprimer.
Ce que Qwen 3.8 Flash publie, et ce qu’il ne publie pas
Le contraste ne tient pas à ce que Qwen soit honnête et Sage non. Il tient à ce qu’un fournisseur documente son produit, tandis que l’autre ne s’y est pas encore attelé. La fiche d’Alibaba pour Qwen 3.8 Flash précise un contexte de 1 000 000 de tokens avec une entrée maximale de 991 000 tokens, une sortie maximale de 131 072 tokens et un budget de raisonnement de 262 144 tokens ; une entrée multimodale texte, image et vidéo avec sortie texte ; l’appel de fonctions, la sortie JSON structurée, la complétion de préfixe, la mise en cache du contexte, le traitement par lots et le fine-tuning ; ainsi que les protocoles de requête OpenAI et Anthropic, ce qui explique pourquoi il s’intègre sans modification à Claude Code et Codex.
L'artefact à poids ouverts qui le sous-tend est Qwen3.8-Flash-Next, publié le 24 août 2026 : 125 milliards de paramètres dont 6 milliards activés, plus une table d'embeddings n-grammes de 51 milliards et une tête de prédiction multi-token de 4 milliards, 48 couches organisées en douze répétitions de trois blocs gated-delta-net et d'un bloc d'attention parcimonieuse, 512 experts avec dix experts routés plus un expert partagé actifs par token, et 262 144 tokens de contexte natif extensible jusqu'à un million. Alibaba décrit le Qwen 3.8 Flash hébergé comme cette architecture plus des fonctionnalités de production — la fenêtre de 1M par défaut et les outils intégrés en sont les ajouts. Les poids sont placés sous la licence communautaire Qwen, et non sous MIT.
Le tableau de référence sur cette fiche provient du fournisseur et n’a pas été reproduit de manière indépendante. Lisez-le en gardant cette étiquette à l’esprit : DeepSWE 1.1 à 58,7, SWE-bench Pro à 62,5, SWE-bench Multilingual à 81,0, NL2Repo-Bench à 48,1, CoWorkBench à 73,9, JobBench à 55,7, Toolathlon Verified à 73,5, IFBench à 81,3, GPQA Diamond à 91,7, HLE à 35,9, LiveCodeBench v6 à 91,9, et Agents’ Last Exam à 24,3 pass@1 avec un score de 51,2. Ces chiffres, c’est Alibaba qui note son propre travail sur un ensemble de comparaison incluant un prédécesseur de 397B et un modèle Claude. Ils représentent néanmoins bien plus que ce que propose Sage-S2.1-Flash, à savoir rien du tout.

Comparez les deux selon les dimensions qui déterminent réellement une décision d’achat :
• Paramètres totaux — Sage-S2.1-Flash 321B, dont 18B actifs par token, contre Qwen 3.8 Flash 125B plus une table de n-grammes de 51B, dont 6B actifs
• Contexte — 1 048 576 tokens configurés contre 1 000 000 publiés, avec un maximum de 991 000 en entrée et de 131 072 en sortie du côté de Qwen
• Prix d’entrée — Sage-S2.1-Flash n’en a aucun, car rien ne le sert, contre 0,15 $ par million de tokens
• Prix de sortie — aucun contre 0,47 $ par million, avec des lectures en cache à 0,0184 $ par million sur notre fiche
• Licence — MIT, sans restriction, contrairement à la licence communautaire Qwen
• Évaluation publiée — zéro benchmark face à un tableau fournisseur de douze lignes, non reproduite
• Poids de service — 645 GB en bfloat16 répartis sur 120 fragments, ou 328 GB dans la version FP8 équivalente, contre un point de terminaison hébergé
La comparaison des prix qui est en réalité une question de dépenses d’investissement
Il n’existe pas de prix par token pour Sage-S2.1-Flash permettant de le comparer à 0,15 $, car le modèle n’a de point de terminaison hébergé nulle part. Ce qu’il a, c’est une exigence de service : huit H200 pour le checkpoint bfloat16, selon la configuration de référence du guide de déploiement lui-même. La comparaison n’oppose donc pas des centimes à des centimes, mais un coût de location à des tokens, et elle se résout en un seul chiffre que personne n’a publié.
Prenons un tarif représentatif de 3 $ par heure de GPU pour un H200 — une hypothèse, pas un devis, et le chiffre varie selon le cloud et selon l’engagement. Huit de ces GPU représentent 24 $ l’heure, 576 $ par jour, soit environ 17 500 $ par mois avant même d’avoir traité une seule requête. Aux tarifs d’Alibaba, 576 $ permettent d’acheter 3,84 milliards de tokens d’entrée ou 1,23 milliard de tokens de sortie. La question du seuil de rentabilité est donc de savoir si votre trafic dépenserait autrement plus de 576 $ par jour sur Qwen 3.8 Flash — l’équivalent d’environ 3,8 milliards de tokens d’entrée, chaque jour, de façon soutenue.
Cette comparaison n’est valable que si vous savez combien de tokens par seconde Sage-S2.1-Flash produit sur huit H200s. Personne ne l’a mesuré et le dépôt ne l’indique pas. Le nombre de paramètres actifs donne une intuition approximative — 18B actifs contre 6B actifs suggère que le modèle Sage coûte environ trois fois plus de calcul par token généré —, mais une intuition n’est pas un chiffre de débit, et sans ce chiffre, l’arithmétique du seuil de rentabilité ci-dessus comporte une inconnue des deux côtés. La version FP8 réduit le poids résident de 645 Go à 328 Go, ce qui change le matériel nécessaire ; cela ne vous dit pas à quelle vitesse le résultat s’exécute.
Pour la plupart des équipes, cette inconnue est tout l’argument. Un modèle dont on ne peut pas évaluer le débit est un modèle dont on ne peut pas chiffrer le coût, et un modèle dont on ne peut pas chiffrer le coût n’est pas candidat à une mise en production — c’est un objet de recherche. Ce n’est pas une critique de la sortie ; c’est à cela que sert une sortie non annoncée.
L’asymétrie des preuves, énoncée simplement
Deux modèles, deux modes de défaillance de la preuve. Qwen 3.8 Flash dispose de benchmarks rapportés par le fournisseur et de quatre-vingt-deux jours d’utilisation par des tiers, ce qui signifie que ses chiffres ne sont pas audités mais que son comportement est au moins observable : des gens l’exécutent, en rendent compte et atteignent ses limites en public. Sage-S2.1-Flash n’a ni l’un ni l’autre. Ses 645 Go de poids constituent une preuve plus solide d’un modèle réel qu’une fuite ou une capture d’écran — c’est un artefact livré, pas une rumeur — mais des poids prouvent l’existence, pas la qualité.
Les points précis qui restent aujourd’hui inconnaissables : ce que Sage-S2.1-Flash obtient, quel que soit le benchmark ; à quelle vitesse il décode ; si ses embeddings de position à 1M tiennent bon sur les longues séquences ou se dégradent comme la plupart des extensions de contexte long ; si la tour de vision de sa configuration est entraînée aux standards de production ou reprise du backbone ; si les projecteurs scientifiques sont évalués sur autre chose que leurs propres distributions d’entraînement ; et ce qu’InternLM compte facturer, le cas échéant, pour une version hébergée. Le dépôt ne répond à aucune de ces questions. Quiconque vous dit le contraire extrapole à partir de la réputation du backbone, ce qui est un a priori raisonnable et non une mesure.
À quoi sert réellement le modèle
Les projecteurs sont révélateurs. Personne ne greffe cinq adaptateurs de modalité scientifique sur un modèle de chat généraliste comme une réflexion après coup ; l’arborescence, les gabarits d’invite par tâche et les choix d’encodeurs décrivent un modèle conçu pour lire les cristaux, les sites d’épissage, les tracés cardiaques, les tracés cérébraux et les séquences protéiques comme des entrées à part entière, plutôt que comme des descriptions textuelles de ces éléments. Les structures cristallines sont tokenisées sous forme d’états atomiques avec un plafond de 512 atomes ; les séquences protéiques portent des états par résidu avec une tête de lecture scientifique facultative ; l’adaptateur ADN est une lecture de probabilité portant sur un objet unique.
Qwen 3.8 Flash ne fait pas cela. Il lit des images, des vidéos et du texte, et il le fait avec des chiffres publiés sur des benchmarks visuels — CharXiv, MathVision, ERQA, LVBench, OSWorld 2.0 — mais un réseau cristallin rendu sous forme de PNG n’est pas un réseau cristallin. Si votre charge de travail relève de la biologie structurale, du criblage de matériaux ou de l’analyse de signaux physiologiques, la lecture honnête est que ces deux modèles ne concourent pas pour le même poste et que la comparaison avec Qwen est un point d’ancrage tarifaire plutôt qu’un substitut. Si votre charge de travail porte sur du texte et du code, les projecteurs sont sans pertinence et Sage-S2.1-Flash est un modèle de conversation de 321B sans fiche modèle.
Une mise en garde sur la question multimodale, car la configuration invite à la surinterprétation. Le dépôt comporte une tour de vision à 24 couches, de dimension cachée 1 024, avec des entrées de 448 pixels et des patchs de 14 pixels, des jetons de début et de fin pour image et vidéo, ainsi qu’un gabarit de conversation avec des emplacements pour image, vidéo et audio. Mais le gabarit est celui de la famille GLM-5.3, les emplacements audio n’ont pas de configuration audio correspondante, et la seule instruction spécifique aux médias du guide de déploiement concerne les images arrivant dans les résultats d’outils. Considérez la tour comme présente et non documentée : les poids sont conçus pour prendre plus que du texte, et ce que la version entend que vous lui fournissiez n’est pas précisé.
La friction, qui n’est pas nulle
Héberger soi-même Sage-S2.1-Flash ne consiste pas simplement à pointer vLLM vers un dépôt. Trois exigences sont énoncées dans le guide de déploiement, et la deuxième est la plus délicate.
• --trust-remote-code est obligatoire sur chaque moteur — le dépôt fournit son propre tokeniseur et son propre processeur, et sans cette option les moteurs chargent silencieusement un tokeniseur standard qui encode des chaînes comme <tool_call> en tokens de contrôle plutôt qu’en texte, ce qui casse le raisonnement et les appels d’outils sans aucun avertissement
• vLLM 0.33.0 nécessite l'application d'un correctif fourni à vllm/renderers/hf.py, car lorsque des résultats d'outils parallèles reviennent dans un ordre différent de celui des appels, le template les rend dans l'ordre des appels tandis que vLLM collecte leurs images dans l'ordre des messages, ce qui associe silencieusement chaque image au mauvais résultat ; le correctif en amont est encore une pull request à l'état de brouillon
• LMDeploy exige une version de transformers comprise entre 5.17 et 5.19, car la 5.19 renomme le type de couche que le moteur n'accepte pas ; SGLang exige la version 0.5.20 ou ultérieure, ainsi que le gabarit de conversation du dépôt transmis explicitement, faute de quoi SGLang installe sinon son propre gabarit intégré pour l'architecture
Chacun de ces éléments est un contournement documenté pour un modèle qui n’a qu’un jour, et le guide reconnaît franchement que les frameworks évoluent encore. Rien de tout cela n’est déraisonnable ; tout cela représente du temps d’ingénierie que Qwen 3.8 Flash ne réclame pas, car côté hébergé, il s’agit d’une URL de base et d’une clé API.
Une clé, deux niveaux d’engagement très différents.
Qwen 3.8 Flash est disponible sur OrcaRouter sous le nom qwen/qwen3.8-flash au prix catalogue d'Alibaba reproduit sans marge — 0,15 $ par million de tokens en entrée, 0,47 $ par million en sortie, 0,0184 $ par million pour les lectures en cache, une fenêtre de contexte de 1 000 000 de tokens et un plafond de sortie de 131 072 tokens. La page de QwenCloud indique pour sa part 0,016 $ pour la variante de cache implicite ; la règle du passage à prix coûtant signifie que quelles que soient les modifications apportées par Alibaba, vous en bénéficiez le jour même plutôt qu'à la prochaine renégociation de contrat. Sage-S2.1-Flash ne figure pas au catalogue et rien ne le sert, il n'existe donc ici aucune route vers lui et aucune raison de prétendre le contraire.

Ce pour quoi la couche de routage est vraiment utile dans cette situation, c’est de garder l’évaluation peu coûteuse et réversible. Lancez l’expérience Sage sur votre propre matériel si vous en disposez, gardez Qwen 3.8 Flash comme route de production, et laissez une chaîne de basculement se placer derrière le nouveau chemin afin qu’un modèle dont la carte est vide ne devienne jamais un point de défaillance unique le premier jour où il traite du trafic réel. La même idée s’applique à la question plus difficile — la fusion de modèles, où un panel répond à une invite avec plusieurs modèles et où un juge les réconcilie, est le moyen le moins coûteux de savoir si un MoE scientifique de 321B vaut son loyer : vous ne migrez pas, vous interrogez les deux, et vous lisez les réponses.
Qui devrait choisir lequel ?
Si vous livrez du texte ou du code ce trimestre, Qwen 3.8 Flash est la réponse défendable, et Sage-S2.1-Flash n’est pas une réponse du tout. Le modèle Qwen est moins cher par token que presque tout ce qui existe à son niveau de capacité, suffisamment bien documenté pour planifier sur cette base, sous une licence suffisamment claire pour être déployé, et observable publiquement. Ses benchmarks sont ceux d’Alibaba et doivent être traités comme des affirmations, mais une affirmation accompagnée de quatre-vingt-deux jours de l’expérience d’autrui l’emporte sur un silence accompagné de trois jours de l’expérience de personne.
Si vous travaillez en biologie structurale, en conception de protéines, sur des matériaux ou sur des signaux physiologiques, le calcul s'inverse. Les cinq projecteurs du dépôt Sage-S2.1-Flash constituent une capacité que ni Qwen 3.8 Flash ni la plupart des modèles ouverts n'offrent à aucun prix, la licence est MIT, et l'exigence matérielle — huit H200, ou moins avec le checkpoint FP8 — est le type de coût qu'un groupe de recherche supporte déjà. La bonne démarche consiste à le télécharger, à exécuter les vérifications de projecteurs côté CPU fournies avec le dépôt, et à mesurer les deux choses qu'il ne vous dit pas : le débit de décodage sur votre matériel, et la précision sur votre propre ensemble de validation retenu. C'est une semaine de travail, et c'est la seule façon pour que ce modèle devienne une décision plutôt qu'une curiosité.
Le troisième cas est le plus grand. Si vous êtes simplement curieux, la bonne attitude est d’attendre une fiche de modèle. Lorsqu’InternLM en publiera une, les chiffres qui compteront seront ceux que ce dépôt ne peut pas fournir — le débit, la dégradation sur les contextes longs, si la tour de vision est active, et ce que les projecteurs obtiennent comme scores en dehors de leurs distributions d’entraînement. D’ici là, Sage-S2.1-Flash est un véritable artefact doté d’une spécification non lue, et ce qu’il a de plus utile, c’est que les poids existent, sont sans restriction d’accès et sont sous licence MIT — ce qui signifie que lorsque quelqu’un finira par le mesurer, vous n’aurez pas besoin d’autorisation pour vérifier son travail.
Comparés dans cet article2
Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement
