
NVIDIA Nemotron 3.5 Super VL 120B מול Intern-S2-397B: שני מודלים חזותיים בקוד פתוח, שאחד מהם אפשר להפעיל כבר היום
- GoogleחדשGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 לכל 1M טוקנים · 89 tok/s
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 97 tok/s
- orcaחדשOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaחדשOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 88 tok/s
- OrcaחדשOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 133 tok/s
- OrcaחדשOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 לכל 1M טוקנים · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 123 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 131 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 189 tok/s
שני המודלים האלה הם בעלי משקולות פתוחות, שניהם מולטימודליים, שניהם ברישיון בסגנון Apache או OpenMDW לשימוש מסחרי, ושניהם מהסוג שמורידים ולא נרשמים אליו כמנוי. ההבדל שמכריע את רוב ההערכות אינו מופיע באף אחד משני דפי המפרט. Intern-S2-397B, דגם הדגל של InternLM עם 403 מיליארד פרמטרים, שיצא ב-Hugging Face ב-13 בספטמבר 2026, כולל API מתארח אצל הספק שאליו אפשר לכוון לקוח תואם OpenAI כבר באותו יום שבו קוראים עליו. NVIDIA Nemotron 3.5 Super VL 120B A12B, שהועלה ל-Hugging Face ב-12 באוקטובר 2026 ואושר בהודעה של NVIDIA ב-15 בחודש, אינו כזה: NVIDIA לא פרסמה עבורו נקודת קצה ולא מחיר לכל טוקן בשום מסלול, כולל מיקרו-שירות ה-NIM שלה עצמה. אז אחד מאלה אפשר להעריך היום אחר הצהריים עם טוקן, והאחר דורש H200 או ארבעה H100 לפני הפרומפט הראשון. הפער הזה שווה יותר מכל פער של שבע נקודות בטבלת בנצ'מרק.
קומת הפריסה, זה לצד זה
התחילו כאן, כי זה מייתר את אחד מהדגמים האלה עבור רוב הקוראים עוד לפני שדנים באיכות בכלל.
• סך הפרמטרים והפרמטרים הפעילים — Intern-S2-397B 403B סה"כ עם 10 פעילים לכל טוקן על פני 60 שכבות ו-512 מומחים; Nemotron 3.5 Super VL 120B A12B 120B סה"כ עם 12 פעילים לכל טוקן על פני שכבות Mamba-2, MoE וקשב משולבות.
• גודל המשקולות על הדיסק — Intern-S2-397B כ-807 GB הפרוסים על פני כ-188 מקטעי BF16/F32; הגרסה של Super VL ב-BF16 היא שבריר מכך, עם גרסת NVFP4 קטנה מספיק כדי לרוץ על DGX Spark אחד.
• חומרה מינימלית ישימה — Intern-S2-397B דורש צי ריבוי-GPU אמיתי; Super VL דורש 4× H100 או 2× GB200 ב-BF16, או H200 אחד, GB200 אחד, 2× H100 או DGX Spark אחד ב-NVFP4.
• גישה מתארחת — Intern-S2-397B נמצא ב-Intern API של הספק עצמו בכתובת chat.intern-ai.org.cn/api/v1 תחת מזהה המודל intern-s2-397b, מתועד כתואם OpenAI ותואם Anthropic; ל-Super VL אין נקודת קצה מפורסמת מאף אחד.
• רישיון — Apache-2.0 עבור Intern-S2-397B; OpenMDW-1.1 עבור Super VL. שניהם מתירים שימוש מסחרי.
• הקשר — 256K טוקנים עבור Intern-S2-397B, עם הערכה מולטימודלית ב-64K; 1M טוקנים עבור Super VL.
• קלט וידאו — Super VL מקבל MP4 באורך של עד שתי דקות, הנדגם כפריימים; המודאליות המתועדות של Intern-S2-397B הן טקסט, תמונה ונתוני אות גולמיים. וידאו אינו נמנה עימן.
קראו את הרשימה הזו פעמיים והתמונה מתבהרת. Intern-S2-397B הוא המודל הגדול יותר, הוותיק יותר והמדעי יותר, עם דלת מתארחת. Super VL הוא המודל הקטן יותר, החדש יותר ויותר בר-פריסה, עם חלון ארוך יותר ווידאו, ובלי דלת בכלל עדיין.
בשביל מה בעצם נבנה Intern-S2-397B
InternLM מתאר את המודל כמתרחב בשלושה צירים, והראשון הוא הטענה הטכנית שכדאי להבין: אימון מקדים חזותי-לשוני המבוצע ישירות על עמודים גולמיים של ספרות מדעית, תוך מידול משותף של סמנטיקה סימבולית ויחסים חזותיים במרחב ייצוג משותף, ללא שלב פרסינג ביניים. איור, טבלה, ספקטרום והמשפט המתאר אותם נלמדים יחד, במקום שטקסט ייחלץ ותמונות יצורפו לאחר מכן.
העיצוב הזה מופיע בבנצ'מרקים ש-InternLM בחרה להוביל איתם, וזו הסיבה שמספרי הראייה של שני המודלים אינם ניתנים להחלפה. הכרטיס של Intern-S2-397B מדווח על ChartQAPro 71.12 ו-MMMU Pro 81.68 ומוביל בציונים הספציפיים למדע — Biology-Instructions 55.71, Mol-Instructions 53.95, MolecularIQ 62.35, SciReasoner-1.5 63.28, TOMG-Bench 66.76. הכרטיס של Super VL מוביל עם OCR-Reasoning 65.08, OCRBench-v2 עם 68.12 באנגלית ו-59.15 בסינית, MMLongBench-Doc 62.82, CharXiv-RQ 80.82 ו-MathVision 78.16. משימות שונות, התפלגויות אימון שונות, ואף אחת מהקבוצות אינה משוחזרת באופן בלתי תלוי.
הציר השלישי הוא זה שהופך את Intern-S2-397B ליוצא דופן לעומס עבודה סוכני: למידת חיזוק סוכנית בקופסה שחורה בסביבות ארגז חול, כשהסוכן מחובר דרך כמה תשתיות ומכוון במפורש לתקרות משימות ארוכות טווח. הטענה המקבילה של NVIDIA עבור Super VL היא צינור אימון-מחדש המסתיים ב-RL עם תגמולים ניתנים לאימות וזיקוק on-policy מרובה-מורים, שנבחן על SWE-bench ו-tau2-bench. שתי אלו הן הצהרות על שיטה ולא מדידות של תוצאה.
יכולת קלט האות שאין לאף אחד מהמתחרים
Intern-S2-397B מקבל נתוני אות גולמיים — .npy, .csv ו-.wav — כסוג קלט ראשון במעלה לצד טקסט ותמונות, עם דוגמה מתועדת לאירוע רעידת אדמה המזהה אינדקסים של הגעת גלי P ו-S, וחיזוי נקודתי וקוונטילי באמצעות forecast_horizon פרמטר. זה כרגע זמין רק ב-LMDeploy, וזהו מאפיין של זמן הסקה ולא תוצאת בנצ'מרק.
אף מודל בהשוואה הזו לא עושה משהו דומה, וגם שום מודל פרונטיר סגור לא עושה זאת. אם העבודה שלך כוללת עקבות חיישנים, נתונים סייסמיים או חיזוי סדרות עתיות שצריך לחשוב עליהם לצד תמונות וטקסט, Intern-S2-397B אינו הבחירה הטובה יותר מבין השניים — הוא הבחירה היחידה, ו-807 GB של משקולות הם דמי הכניסה.
בנצ'מרקים, כשהמקור מצורף לכל אחד מהם.
לאף אחד מהמודלים אין הערכה עצמאית נקייה, ושתי טבלאות הספקים אינן חופפות אף לא בשורה אחת, ולכן מה שלהלן הוא קריאה של טענות ולא דירוג.
Intern-S2-397B, כולם דווחו על ידי הספק InternLM במערכי ההערכה שלו עצמו (OpenCompass, VLMEvalKit, AgentCompass), ללא שחזור, עם GPT-5.5 כייחוס סגור: 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 ו-FrontierScience-Research 55.00. ל-Artificial Analysis לא היה ערך של Intern-S2-397B בעת ההשקה, וגם לוחות הדירוג הנייטרליים לא כללו ערך כזה — ייתכן שהפער הזה נסגר מאז, וכדאי לבדוק לפני שאתם מסתמכים על אף אחד מאלה.
Nemotron 3.5 Super VL 120B A12B, מפוצל בין שני מקורות. דווח על ידי הספק NVIDIA ב-NeMo Gym: SWE-bench Verified 71.10, SWE-bench Multilingual 67.72, SWE-bench Pro 51.78, tau2-bench retail 69.24 ו-airline 76.50, BrowseComp 78.91, GraphWalks 89.71, GPQA-Diamond 89.52, HLE 31.79 ללא כלים, OCRBench-v2 68.12 אנגלית, MMLongBench-Doc 62.82, Video-MME-v2 32.85. נמדד על ידי פאנל של Artificial Analysis, וזהו המספר העצמאי היחיד שהופק בכל המאמר הזה: מדד אינטליגנציה של 26.49, עם 0.0 ב-Terminal-Bench 4.0 ושיעור הזיות נמדד של 0.3585.
שני דברים ראויים לציון בבלוק השני. הנתון של NVIDIA עבור Terminal-Bench 2.1 מופיע כ-66.70 בכרטיס המודל וכ-60.67 בטבלת הסיכום של הדוח הטכני, כשכל שאר השורות במסמכים האלה תואמות — אחד מהשניים שגוי, ועד שהמתכונים ירוצו מחדש אין זה בטוח לצטט אף אחד מהם. והציון 0.0 של הפאנל ב-Terminal-Bench 4.0 לעומת 64.04 כפי שדווח על ידי הספק ב-TerminalBench 2.1 עבור Intern-S2-397B, שנמדד בחבילת בדיקות אחרת על ידי המעבדה שלו עצמו, הוא תזכורת לכך שציוני סוכני טרמינל אינם ברי השוואה בין הרנסים גם כשהשמות נראים דומים.

למה חלון של 1M טוקנים לעומת 256K אינו ניצחון של שבע ספרות
גליונות המפרט אומרים ש-Super VL מציע מיליון טוקנים ו-Intern-S2-397B מציע 256K, עם הערכה מולטימודלית ב-64K. זה נראה כמו ניצחון מוחץ למודל של NVIDIA עד שמצרפים את נתון הזכירה בהקשר ארוך של הפאנל: 0.69 ב-AA-LCR. מודל עם חלון של מיליון טוקנים וציון הקשר ארוך מתחת לאחד הוא מודל שיכול לקלוט מיליון טוקנים ולא בהכרח להפיק מהם הרבה בקצה המרוחק.
ה-256K של Intern-S2-397B מתועד כ-256K עבור הסקה טקסטואלית ו-64K עבור מולטימודאלי, ו-InternLM לא פרסמה כלל נתון אחזור בהקשר ארוך. לכן העמדה הכנה היא שלמודל אחד יש חלון ארוך יותר ואחזור מדוד גרוע בו, ולאחר יש חלון קצר יותר וללא מדידה. אם אחזור בהקשר ארוך הוא מרכזי בעומס העבודה שלך, אין לבחור באף אחד מאלה על סמך אורך ההקשר שלו.
זמינות, וכיצד OrcaRouter משתלב כאשר אף אחד משני המודלים אינו נמצא בקטלוג שלנו
לא Intern-S2-397B ולא NVIDIA Nemotron 3.5 Super VL 120B A12B מוגשים על ידי OrcaRouter היום, והמאמר הזה לא ירמוז אחרת. Intern-S2-397B נגיש דרך ה-API של הספק עצמו וכן באירוח עצמי עם LMDeploy, vLLM או SGLang, כאשר מתכוני פריסה מסופקים בכרטיס המודל. Super VL הוא באירוח עצמי בלבד — מיקרו-שירות ה-NIM של NVIDIA הוא המסלול המוצהר, ולא פורסמו עבורו נקודת קצה או מחיר.
לשאלה מה שווה שער כשהמודלים שאתה רוצה אינם נמצאים עליו יש תשובה מדויקת: הוא המקום שבו שאר הפייפליין כבר נמצא. מיון מסמכים שחייב להישאר בתוך הרשת שלך פועל על פריסת Intern-S2-397B או Super VL שלך; קריאות החילוץ, הסיווג והסיכום שסביבו פועלות על מודל מתארח תחת אותו מפתח. ה-DSL לניתוב הוא זה ששומר על הגבול הזה קריא — מבוטא כתנאי על הפרומפט ולא כהסתעפות שקבורה בקוד האפליקציה — וכשל אוטומטי משמעו שכשל של החצי בהרצה עצמית אינו גורר איתו את הבקשה. אפס תוספת מחיר חשוב כאן באופן משעמם יותר: כל מה שחצי הפייפליין המתארח שלך עולה היום, זה מה שזה עולה כאן, כי מחיר המחירון של הספק מועבר ללא שינוי.

לבחור ביניהם
בחר ב-Intern-S2-397B אם אתה צריך להריץ היום בלי לקנות חומרה, אם התחום שלך הוא ספרות מדעית ואיורים, אם קלט של אות גולמי או סדרות זמן הוא חלק מעומס העבודה, או אם נקודת קצה מתארחת המתוחזקת על ידי ספק שווה לך יותר משליטה על הפריסה. 807 GB של משקולות הם עלות אמיתית, אבל ה-API המתארח מאפשר לך לקבוע אם המודל טוב לפני שאתה משלם עליה.
בחרו ב-Nemotron 3.5 Super VL 120B A12B אם וידאו הוא קלט, אם יש לכם H200 אחד או DGX Spark ולא צי שרתים שלם, אם המודל צריך לפעול מתוך הרשת שלכם, או אם אתם מתכוונים לבצע כיוונון עדין — NVIDIA פרסמה את מערכי הנתונים שלאחר האימון ואת סביבות ה-RL של NeMo Gym לצד המשקולות, וזהו החצי הניתן לשימוש חוזר יותר של השחרור. הריצו את מערך המסמכים שלכם דרך בניית ה-NVFP4 לפני שאתם מתחייבים, ובדקו במיוחד את יכולת אחזור המידע בהקשר ארוך במקום לסמוך על הנתון של 1M טוקנים.
אל תבחר באף אחד מהשניים, לעת עתה, אם מה שאתה באמת צריך הוא מודל עם הערכה עצמאית שאפשר להישען עליה. המספרים של Intern-S2-397B כולם מדווחים על ידי הספק, וכיסוי הפאנל שלו אינו ברור; ל-Super VL יש בדיוק ציון אחד מצד שלישי, והוא נתון אינדקס בודד. שני מודלים חזותיים פתוחים, ששוחררו בהפרש של כשישה שבועות זה מזה, שניהם עם טבלאות בנצ'מרק שלא שוחזרו, ואף אחד מהם אינו מופיע בלוח דירוג ניטרלי באופן שמאפשר לך להשוות — המהלך האחראי הוא להריץ עליהם בנצ'מרק על המסמכים שלך, וה-API של הספק הוא מה שמוזיל חצי מכך.
על מה לשים לב: רשומה מפאנל בלתי תלוי עבור Intern-S2-397B, שתהפוך את הכרטיס כולו מטענות לראיות; מחיר ונקודת קצה עבור Super VL, שיסירו את ה-H200 מדרישות הסף; ונתון מתוקן של Terminal-Bench מ-NVIDIA, שיפתור את הנקודה היחידה שבה שני המסמכים העיקריים של הספק עצמו סותרים זה את זה.

שום דבר מכל זה אינו סיבה להימנע מהמודל, אלא רק סיבה להכיר את ההיסטוריה: התקריות המתועדות בתחום ה-AI וכשלי הסוכנים שמאחורי מודלים במחלקה הזו מרוכזים בthe OrcaRouter AI Incident Archive, שבו כל רשומה נושאת את המקורות, חומרת האירוע, דירוג האמינות ודגל המחלוקת שלה.
