GPT-6.1 vs Intern S2: Yang Satu Punya Harga, yang Lain Punya Bobot

Hal yang paling aneh tentang membandingkan GPT-6.1 Sol dengan Intern S2 adalah bahwa salah satu sisi perbandingan tidak memiliki harga yang dapat Anda cek. Intern-S2-397B milik Shanghai AI Laboratory, yang dipublikasikan pada 2026-09-13, merilis bobot Apache 2.0 di Hugging Face, laporan teknis, dan endpoint API yang dihosting vendor — dan tidak ada tarif per token yang dipublikasikan di mana pun. GPT-6.1 Sol milik OpenAI, yang dirilis pada 2026-09-29, berbiaya $2,00 per juta token input dan $10,00 per juta token output, dengan tier yang didokumentasikan untuk di atas 272.000 token prompt, dan setiap angka tersebut muncul di halaman harga publik. Jadi cara jujur untuk membingkai pasangan ini bukanlah "mana yang lebih baik" melainkan "mana dari keduanya yang benar-benar dapat Anda perkirakan tagihannya" — dan jawabannya berbeda karena alasan yang sama sekali tidak ada hubungannya dengan kemampuan.

Semua yang di bawah ini terbagi rapi menjadi dua basis bukti, dan menjaga keduanya tetap terpisah adalah bagian terbesar dari pekerjaan ini. Angka-angka GPT-6.1 Sol bersifat independen, berasal dari Artificial Analysis, kecuali jika suatu kalimat menyatakan sebaliknya. Angka-angka Intern-S2 adalah milik InternLM sendiri, tidak direproduksi oleh pihak ketiga mana pun, dan kalimat-kalimat yang memuatnya menyatakan hal itu.

Dua sistem dalam satu nama

Intern S2 bukanlah satu model tunggal, dan kebingungan ini perlu diluruskan sebelum hal lainnya. Keluarga ini setidaknya mencakup dua artefak yang telah dipublikasikan:

• Intern-S2-Mobius — model berbobot terbuka berparameter 35 miliar di bawah Apache 2.0, dilatih awal secara berkelanjutan dari Qwen3.5-35B, menggunakan arsitektur Mobius-v0 dengan Memory bersama berisi 2.560 pakar, empat blok Reasoner, dan 40 lapisan. Panduan penerapan menjelaskan sekitar 3 miliar parameter aktif per token dengan pola atensi hibrida 3:1, konteks 256.000 token, dan menara visi. Bobotnya dirilis pada 2026-07-29; repositori GitHub dan laporan teknis menyusul pada 2026-08-05; dukungan vLLM di-merge pada 2026-08-06.

• Intern-S2-397B — model unggulan, diterbitkan pada 2026-09-13. Sekitar 397 miliar parameter total dalam arsitektur Qwen3.5-MoE, 512 pakar dengan 10 aktif, bobot Apache 2.0 di Hugging Face bersama kartu model, entri API Intern resmi, dan dukungan vLLM Day-0 yang diumumkan pada hari berikutnya, dengan resep yang diterbitkan untuk inferensi FP8 pada delapan H100 atau delapan H200. Batas yang dipublikasikan adalah 256.000 token konteks teks dan 64.000 konteks multimodal.

GPT-6.1 Sol adalah objek yang lebih sederhana: satu pengenal snapshot, gpt-6.1-sol, tanpa varian bertanggal, konteks 1.050.000 token, keluaran maksimum 128.000, masukan teks, gambar, dan berkas, lima tingkat upaya penalaran dengan medium sebagai bawaan, dan batas pengetahuan yang dinyatakan 30 April 2026.

Apa yang menjadi dasar angka masing-masing pihak

Inilah sumbu tempat keduanya paling berjauhan, dan jaraknya tidak dekat.

Catatan independen GPT-6.1 Sol, semuanya dari Artificial Analysis:

• AA Intelligence Index — 51,8, peringkat 10 dari 147 model, persentil ke-93,2.

• Ujian Terakhir Umat Manusia — 52,9%.

• Recall Konteks Panjang — 83%.

• SciCode — 54,2%.

• Term-Bench 4.0 — 56,06%.

Rekor Intern-S2, semuanya milik InternLM sendiri, tidak ada yang direproduksi oleh pihak ketiga:

• MMLU Pro — 89,77% untuk flagship 397B.

• HMMT-2026 — 93,56%.

• MMMU Pro — 81,68%.

• SWE-bench-Pro — 68,54%.

• TerminalBench 2.1 — 64,04%.

• Baris domain ilmiah — Biology-Instructions 55.71%, SciReasoner 1.5 63.28%, Mol-Instructions 53.95%, MolecularIQ 62.35%.

Kedua daftar itu tidak dapat dibandingkan, dan ada baiknya menjelaskan secara eksplisit alasannya. Kumpulan pertama adalah pihak yang tidak memiliki kepentingan terhadap hasilnya, yang mengajukan pertanyaan yang sama kepada banyak model di bawah satu protokol. Kumpulan kedua adalah laboratorium yang melatih model tersebut, yang melaporkan bagaimana performa modelnya sendiri. Itu tidak membuat kumpulan kedua menjadi salah — laboratorium dengan laporan teknis yang diterbitkan dan bobot yang dapat diunduh memang mempertaruhkan reputasi mereka pada angka-angka tersebut — tetapi itu berarti angka-angka tersebut adalah klaim, bukan pengukuran, dan saat ini tidak ada evaluator independen, dan tidak ada penyedia inferensi independen, yang menerbitkan skor Intern-S2 di mana pun.

Baris-baris yang membawa informasi sesungguhnya

Dua hal dalam materi InternLM sendiri lebih informatif daripada skor utama, justru karena keduanya tidak menyanjung.

Yang pertama adalah tabel tolok ukur Mobius untuk model 35B, yang membandingkannya dengan basis Qwen3.5-35B yang menjadi sumber pra-pelatihan berkelanjutannya. Itu adalah perbandingan yang benar-benar berguna — garis keturunan sama, skala sama, sehingga selisihnya mengisolasi apa yang dihasilkan oleh perubahan arsitektur. Mobius menang di tujuh dari sembilan tolok ukur umum dan kalah telak pada Humanity's Last Exam dan UGD. Jika dibaca secara jujur, arsitektur Mobius menghasilkan keuntungan umum yang moderat dan mengorbankan sesuatu pada kumpulan penalaran tersulit. Baris-baris domain sains dalam tabel yang sama lebih besar, tetapi itu adalah tanda dari pra-pelatihan lanjutan domain, bukan dari arsitekturnya — data pelatihanlah yang menjadi sumber angka biologi dan kimia, bukan tata letak pakar.

Yang kedua adalah soal efisiensi, klaim paling konkret dalam rilis ini: throughput 2,9 kali baseline pada batch 16, meningkat menjadi 4,6 kali pada batch 256. Itu adalah rasio terhadap baseline internal, diukur oleh lab, pada perangkat keras yang dipilih lab — dan itu juga jenis klaim yang mudah diverifikasi begitu Anda memiliki bobotnya, yang memang Anda miliki, di bawah Apache 2.0.

Sifat dapat diverifikasi itulah nilai sebenarnya dari rilis terbuka, dan itu mengarah ke suatu hal yang tidak bisa ditunjukkan oleh skor utama: Anda tidak perlu memercayai throughput, karena delapan H100 dan resep vLLM kini menjadi satu-satunya hal yang memisahkan Anda dari memeriksanya.

Bobot terbuka versus endpoint berbayar

Di sinilah kedua model berhenti menjadi alternatif dan mulai menjadi keputusan yang berbeda.

GPT-6.1 Sol adalah sebuah layanan. Anda membayar per token, Anda mendapatkan jendela 1.050.000 token, 128.000 token keluaran, lima tingkat upaya, dan tanpa permukaan operasional sama sekali. Tagihannya berskala linear dengan penggunaan, dan biaya marginal dari lonjakan adalah pos tagihan, bukan masalah kapasitas. Trade-off-nya adalah Anda tidak dapat melakukan fine-tuning terhadapnya — OpenAI tidak menerbitkan jalur fine-tuning untuk model ini — Anda tidak dapat menjalankannya di perangkat keras Anda sendiri, dan ekonomi unit Anda ditentukan oleh halaman harga pihak lain.

Intern-S2-397B adalah unduhan. Apache 2.0 berarti Anda dapat menjalankannya, memodifikasinya, menyetel halusnya, dan melayaninya di dalam jaringan Anda sendiri tanpa ada data yang keluar darinya. Delapan H100s adalah biaya modal yang nyata dan beban operasional yang nyata, tetapi di atas volume berkelanjutan tertentu, biaya modal itu lebih murah daripada tarif per token, dan itu adalah satu-satunya pilihan jika data sama sekali tidak boleh keluar dari perimeter Anda. Sisi lain dari pertukaran ini adalah bahwa segala hal tentang kualitas kini menjadi masalah Anda: tidak ada tolok ukur independen untuk dijadikan acuan perencanaan, tidak ada penyedia eksternal untuk dialihkan saat terjadi kegagalan, dan tidak ada vendor untuk mengeskalasi regresi.

Di antara kedua posisi itu, variabel penentunya hampir selalu utilisasi. Ledakan bulanan beberapa ratus juta token tidak mengamortisasi delapan GPU. Aliran bulanan stabil multi-miliar token di dalam perimeter teregulasi sering kali mengamortisasinya.

Angka yang hilang dari satu kolom

Intern-S2-397B tidak memiliki tarif per token yang dipublikasikan. Itu bukan kelalaian yang bisa disiasati dengan perkiraan; artinya perbandingan standar yang biasanya dijalankan blog ini — biaya per juta token versus biaya per juta token — sama sekali tidak dapat dijalankan terhadap jalur self-hosted.

Perbandingan yang dapat dijalankan adalah terhadap endpoint yang dihosting vendor. InternLM mengoperasikan API Intern resmi di chat.intern-ai.org.cn/api/v1 dengan pengenal model intern-s2-397b, dan tarif untuk endpoint tersebut adalah yang perlu Anda bandingkan secara penawaran-ke-penawaran dengan $2,00 dan $10,00 milik GPT-6.1 Sol. Sampai tarif itu dipublikasikan, satu-satunya pernyataan yang jujur adalah bahwa harga jalur API tidak diketahui, dan harga jalur self-hosted merupakan fungsi dari kontrak GPU Anda dan utilisasi Anda, bukan dari kartu tarif.

Artinya, aritmetika yang bisa dilakukan artikel ini sempit, tetapi tetap layak dilakukan: tanyakan berapa biaya Anda sendiri per juta token pada tingkat utilisasi Anda, lalu bandingkan dengan $2.00/$10.00 dengan tier di atas 272K diterapkan. Bagi sebagian besar tim, jawaban atas aritmetika itu adalah endpoint tertutup menang di bawah beberapa miliar token per bulan dan bobot terbuka menang di atasnya — dan seluruh pertanyaannya adalah beban kerja berada di sisi mana dari garis itu.

Menjalankan keduanya secara berbeda

Tidak ada jawaban di sini, karena kedua model tidak dicapai dengan cara yang sama, dan mengutip baris-baris indeks secara berdampingan.

GPT-6.1 Sol ada di OrcaRouter sebagai openai/gpt-6.1-sol, dengan harga daftar Open​AI dengan markup 0% — input $2.00, output $10.00, input yang di-cache seharga $0.10, tier di atas 272K diterapkan persis seperti yang ditetapkan Open​AI. Karena kami meneruskan harga penyedia apa adanya alih-alih menambahkan markup, perubahan tarif Open​AI langsung berlaku di sini pada hari yang sama, bukan pada siklus penagihan berikutnya, dan failover otomatis berada di bawah rute. Bagian terakhir itu lebih penting untuk model yang belum terbukti daripada model yang sudah terbukti — yang merupakan argumen yang sama yang berlaku untuk sisi Intern-S2, kecuali bahwa sisi Intern-S2 tidak dapat menggunakannya.

Intern S2 tidak ada di OrcaRouter dan kami tidak menghostingnya. Model ini dapat diakses melalui API milik InternLM sendiri, dan dapat diunduh dari Hugging Face di bawah Apache 2.0 oleh siapa pun yang memiliki perangkat kerasnya. Jika Anda ingin mencobanya, bobotnya adalah jalur dengan komitmen rendah — Anda dapat mengevaluasi model unggulan 397B pada prompt Anda sendiri sebelum memutuskan apakah akan membeli GPU untuknya, dan Mobius 35B cukup kecil untuk menguji perilaku keluarga model ini pada satu node.

Putusan yang diperoleh pasangan ini bukanlah sebuah peringkat, karena keduanya tidak membeli hal yang sama. Jika Anda memerlukan model dengan tingkat kemampuan yang diukur secara independen, batas keluaran yang dipublikasikan, harga per token yang diketahui, dan tanpa permukaan operasional, GPT-6.1 Sol adalah jawabannya dan ini bukan pilihan yang nyaris imbang — ia hanyalah satu-satunya dari keduanya yang menawarkan keempat hal itu. Jika kendala Anda adalah data tidak boleh meninggalkan jaringan Anda, atau volume Anda cukup tinggi sehingga GPU mengalahkan token, Intern-S2-397B adalah jawaban yang lebih baik dan tolok ukur yang hilang adalah risiko yang Anda pilih untuk ditanggung, bukan alasan untuk menjauh. Yang seharusnya tidak Anda lakukan adalah membandingkan keduanya berdasarkan angka yang dipublikasikan. Evaluasi milik InternLM sendiri dan papan peringkat Artificial Analysis bukanlah instrumen yang sama, dan membacanya sebagai satu tabel akan menghasilkan jawaban yang penuh keyakinan atas pertanyaan yang tidak ditanyakan siapa pun.