GPT-6 Astra vs Intern-S2: Apa yang Sebenarnya Diterima Masing-Masing

Kedua model dalam perbandingan ini sama-sama digambarkan sebagai multimodal, dan kata itu nyaris tidak menjelaskan apa pun dalam kedua kasus. GPT-6 Astra, yang dirilis O​penAI pada 3 September 2026, menerima teks dan gambar — serta masukan berkas, menurut daftar router yang tidak dikonfirmasi oleh dokumentasi O​penAI sendiri. Intern-S2-397B, model ilmiah berparameter 403 miliar yang dirilis tim InternLM Shanghai AI Laboratory di bawah Apache-2.0 pada 13 September 2026, menerima teks, gambar, dan sinyal deret waktu, dengan jalur peramalan dialirkan melalui LMDeploy alih-alih melalui resep penyajian bawaan model itu sendiri. Keduanya tidak menerima audio. Keduanya tidak menerima video. Pertanyaan yang menarik bukanlah mana yang lebih multimodal; melainkan permukaan masukan mana di antara keduanya yang sebenarnya dihasilkan oleh pekerjaan Anda, karena keduanya nyaris tidak tumpang tindih dan tidak ada satu pun yang menggantikan yang lain.

Dua permukaan input yang hanya terlihat mirip

Sejajarkan spesifikasi pada dimensi di mana beban kerja nyata benar-benar bersentuhan:

• Teks — keduanya: GPT-6 Astra hingga 922.000 token masukan dalam satu permintaan; Intern-S2-397B dievaluasi pada panjang inferensi maksimum 256.000 token untuk penalaran teks

• Gambar — keduanya, tetapi berbeda: Astra menerima gambar bersama dokumen panjang dalam permintaan yang sama; Intern-S2-397B telah dilatih sebelumnya untuk membaca halaman mentah literatur ilmiah dengan konten simbolik dan visual yang dimodelkan bersama, yang merupakan klaim tentang bagaimana model itu dilatih, bukan tentang apa yang ia terima

• Deret waktu — hanya Intern-S2-397B, melalui kepala peramalannya, saat ini melalui LMDeploy

• Input berkas — GPT-6 Astra menurut daftar router; halaman OpenAI sendiri hanya mencantumkan teks dan gambar, jadi anggap ini belum terkonfirmasi

• Audio dan video — tidak keduanya

Anda adalah mesin pelokalan perangkat lunak profesional. Terjemahkan pesan pengguna ke dalam bahasa Indonesia. Teks berisi penanda rentang bernomor seperti {{1}}...{{/1}}, {{2}}...{{/2}}. Pertahankan SETIAP penanda byte demi byte: nomor yang sama, pasangan buka/tutup yang sama, jumlah yang sama, penyarangan yang sama — jangan pernah menambah, menghapus, menomori ulang, atau mengubah urutan penanda itu sendiri, terjemahkan hanya teks DI ANTARA penanda tersebut. Anda BOLEH memindahkan rentang {{n}}...{{/n}} ke posisi mana pun yang dibutuhkan oleh urutan kata bahasa target. Teks apa pun di dalam rentang {{KEEP}}...{{/KEEP}} harus direproduksi PERSIS seperti aslinya (jangan terjemahkan). Pertahankan URL dan nama merek/produk. Keluarkan HANYA teks terjemahan dengan penandanya — tanpa pembukaan, tanpa tanda kutip, tanpa penjelasan. • Keluaran — teks pada keduanya, dan hanya teks

• Kontrol penalaran — GPT-6 Astra mengekspos reasoning.effort pada low, medium, high, xhigh, dan max; Intern-S2-397B berjalan dengan thinking aktif secara default dan menonaktifkannya per permintaan dengan enable_thinking=False

• Bobot — Intern-S2-397B Apache-2.0, dapat diunduh dalam FP8 dan BF16; GPT-6 Astra tertutup, hanya API

Baris deret waktu adalah baris yang menentukan perbandingan ini bagi sebagian pembeli dan mengeliminasinya bagi semua orang lainnya. Peramalan deret waktu bukanlah kemampuan yang bisa Anda dekati dengan prompt teks yang panjang — masukannya bersifat numerik dengan strukturnya sendiri, dan model yang tidak dilatih untuk itu tidak akan memperolehnya hanya karena Anda menyerialkan angka-angka tersebut ke dalam prompt. Jika itu adalah beban kerja Anda, perbandingannya sudah selesai dan tidak diperlukan tabel benchmark. Jika bukan, baris itu tidak relevan dan sisa halaman inilah yang menjadi tujuan Anda membaca.

Nomor konteks yang penting adalah yang dievaluasi.

Halaman pemasaran menyebut ukuran jendela; tabel tolok ukur menyebut panjang yang benar-benar digunakan saat model dijalankan, dan angka kedua itulah yang memprediksi perilaku. Kesenjangan di sini memberi pelajaran.

Jendela konteks GPT-6 Astra adalah 1.050.000 token dengan maksimum 922.000 token masuk dan 128.000 token keluar, dan rentang layanan yang didokumentasikan itu jujur soal biaya pemakaiannya: permintaan di atas 272.000 token input dihargai ulang menjadi $20,00 untuk input dan $75,00 untuk output per juta, dengan pembacaan cache $2,00 dan penulisan cache $25,00, yang berlaku untuk keseluruhan permintaan, bukan hanya kelebihannya. Di bawah ambang itu, meterannya menunjukkan $10,00, $1,00, dan $12,50, dengan output $50,00.

Kartu Intern-S2-397B menyatakan batasnya sendiri dalam catatan metodologi, bukan di judul utama: benchmark penalaran teks dijalankan dengan panjang inferensi maksimum 256.000 token, dan benchmark multimodal pada 64.000. Itu bukan batas atas model — kartu model tidak menerbitkan batas atas dalam bentuk yang akan dikenali pembeli — tetapi itulah panjang saat setiap angka pada kartu tersebut dihasilkan. Kemampuan yang hanya ditunjukkan dalam konteks gambar 64.000 token adalah kemampuan yang hanya ditunjukkan dalam konteks gambar 64.000 token, dan halaman yang mencetak skor yang sama tanpa panjangnya berarti mencetak separuh fakta.

Inilah disiplin yang pantas diterima kedua model ini dan yang tidak dibuat mudah oleh materi vendor mana pun. Angka-angka vendor Astra disertai harness yang mengubahnya sebesar 37 poin pada satu benchmark; angka-angka Intern-S2 disertai panjang inferensi maksimum yang menentukan apakah ada di antaranya yang dapat ditransfer ke beban kerja Anda. Bacalah kedua catatan kaki sebelum membaca salah satu tabel.

Apa angka-angka Intern-S2-397B, dan siapa yang menghasilkannya

Setiap angka di bawah ini adalah milik InternLM sendiri, dijalankan melalui OpenCompass, VLMEvalKit, dan AgentCompass oleh tim yang melatih model tersebut, serta diterbitkan bersama bobotnya. Tidak ada satu pun yang telah direproduksi secara independen. Tidak ada halaman untuk Intern-S2-397B di Artificial Analysis, dan ketiadaan itu lebih penting daripada biasanya, karena itu berarti tidak ada pihak ketiga untuk memeriksa baris-baris kemampuan umum tersebut.

Baris-baris ilmiah adalah tempat model ini paling kuat dan tempat argumen untuknya paling jelas: 55,71 pada Biology-Instructions, 63,28 pada SciReasoner 1.5, 62,35 pada MolecularIQ, 53,95 pada Mol-Instructions. Di samping itu, baris-baris umum yang terhormat: 89,77 pada MMLU Pro, 81,68 pada MMMU Pro, 93,56 pada HMMT-2026, 68,54 pada SWE-bench-Pro. Dan satu baris yang memberi tahu Anda jenis model seperti apa ini — TerminalBench 2.1 pada 64,04, yang menurut tabel lab itu sendiri kalah dari generasi tertutup yang lebih lama. Intern-S2-397B adalah instrumen ilmiah yang kompeten secara umum, bukan seorang generalis dengan spesialisasi ilmiah yang ditempelkan.

Apa angka-angka GPT-6 Astra, dan di mana titik terlemahnya

Rekor Astra hadir dalam dua bagian dan keduanya tidak sepakat soal penekanan. Artificial Analysis mengukurnya pada 53 dalam Intelligence Index terkininya di sepuluh evaluasi, dengan $3,26 per tugas indeks yang diselesaikan, menghasilkan sekitar 60M token keluaran sepanjang proses itu dibandingkan median papan sekitar 85M, pada 44,6 token keluaran per detik. Itu adalah evaluasi independen dengan metodologi yang dipublikasikan, dan menempatkan model ini di peringkat ketujuh dari 216 dalam kecerdasan serta ke-168 dari 185 dalam kecepatan.

Bagian vendor adalah tabel tersendiri: 98% pada FrontierMath Tier 4, yang digambarkan telah menjenuhkan tier tersebut; 99,9% pada ARC-AGI-3; 100% pada ExploitBench, dengan Astra sebagai model OpenAI pertama yang melewati ambang batas kapabilitas keamanan siber Critical milik perusahaan; 57,9% pada Terminal-Bench 4.0 versus 37,3% untuk GPT-5.6 Sol. Setiap angka dapat dikaitkan dengan OpenAI dan tidak ada satu pun yang telah direproduksi. Angka ARC-AGI-3 adalah angka yang paling jauh menyebar dan paling layak disikapi dengan skeptisisme: ARC Prize menjalankan model tersebut di bawah dua harness dan menerbitkan keduanya, mencatat 62,7% pada harness standarnya dan 99,9% pada adapter penyedia yang mempertahankan status penalaran di antara permintaan. Selisih 37 poin itu adalah pengukuran atas harness, bukan skandal — OpenAI mendokumentasikan kedua pengaturan — tetapi perbandingan apa pun yang menempatkan 99,9% berhadapan dengan angka harness standar model lain adalah membandingkan dua eksperimen dan menyebutnya tolok ukur.

Satu lagi asimetri pantas dibahas di sini, karena itulah alasan angka independen menjadi acuan yang harus dipakai untuk merencanakan. Kartu Intern-S2-397B tidak punya kolom independen sama sekali, jadi angkanya adalah satu-satunya angka, dan angka-angka itu hanya membawa otoritas vendor dan tidak ada yang lain. Astra memiliki keduanya, dan keduanya tidak sepakat tentang seberapa baik kemampuannya dalam penalaran umum dengan cara yang salah satunya tidak mungkin keliru soal itu — tabel vendor menyebut jenuh, indeks menyebut ketujuh.

"Beban bebas" adalah keputusan modal

Intern-S2-397B berlisensi Apache-2.0, dan konsekuensi praktisnya adalah aritmetika, bukan perizinan. Checkpoint yang dipublikasikan berukuran 403 miliar parameter, dan repositori BF16-nya memuat sekitar 807 GB — sebelum Anda menghitung stack penyajian, cache KV, atau salinan kedua yang Anda simpan untuk rollback. Build FP8 tersedia dan kira-kira memangkas separuh jejaknya. Lab tersebut mendokumentasikan LMDeploy, vLLM, dan SGLang sebagai server yang didukung, dan contoh tool-calling miliknya sendiri adalah endpoint yang kompatibel dengan OpenAI pada server LMDeploy, jadi jalur integrasinya tidak eksotis. Perangkat kerasnya yang eksotis.

Itu menghasilkan dua ekonomi yang sangat berbeda dari lisensi yang sama. Jika Anda sudah memiliki node multi-GPU dengan kapasitas cadangan, biaya marjinal untuk kueri ilmiah berikutnya mendekati listrik, dan tidak ada pesaing per-token yang bisa mengalahkannya — yang merupakan alasan utama open weights ada. Jika Anda tidak memilikinya, "gratis" berarti membeli atau menyewa kapasitas, dan pada kapasitas sewaan, perbandingan dengan API berbayar per penggunaan adalah pertanyaan aritmetika sederhana tentang utilisasi yang tidak bisa dijawab oleh kartu model untuk Anda. Sisi Astra dari pertanyaan yang sama lebih sederhana: kartu tarif, tanpa tim operasi, dan pita konteks panjang pada $20,00 / $75,00 yang menghukum persis ukuran permintaan yang diundang oleh jendela 1.050.000 token.

Satu detail yang mendukung jalur self-hosted dan mudah terlewat: lisensi Apache-2.0-lah yang membuat model ini dapat digunakan sama sekali di lingkungan yang teregulasi. Fine-tuning pada data proprietary, menjalankannya secara air-gapped, dan menjaga inferensi tetap berada di dalam perimeter data adalah tiga hal yang tidak dapat ditawarkan API Astra berapa pun harganya, dan tidak ada baris benchmark yang mencerminkannya.

Di mana router berada dalam pemasangan seperti ini

Intern-S2-397B tidak ada di OrcaRouter dan halaman ini tidak mengklaim demikian; ini adalah checkpoint terbuka baru, dan rute Anda menuju ke sana adalah API Intern resmi dari vendor atau deployment milik Anda sendiri. GPT-6 Astra ada di katalog kami sebagai openai/gpt-6-astra, dengan tarif daftar OpenAI yang diteruskan tanpa markup dari pihak kami.

Bentuk yang berguna bagi tim yang menjalankan keduanya adalah pemisahan, bukan pilihan, dan itulah konfigurasi yang diperuntukkan bagi lapisan perutean: kirim lalu lintas umum, berkonteks panjang, dan padat dokumen ke model berbayar sesuai pemakaian di balik satu endpoint yang kompatibel dengan OpenAI, dan pertahankan pekerjaan batch ilmiah dan deret waktu pada checkpoint yang Anda operasikan. Failover otomatis kemudian menangani kasus ketika salah satu sisi tidak sehat — jalur yang dihosting sendiri saat node mati, jalur API saat jalur penyedia memburuk — tanpa tim mana pun menulis integrasi kedua. Itu adalah batas yang ditarik sebagai aturan perutean, bukan sebagai arsitektur.

Yang mana

Pilih Intern-S2-397B jika input Anda bersifat ilmiah dalam pengertian spesifik yang menjadi fokus pelatihan model — halaman literatur yang padat gambar, struktur molekul dan material, sinyal deret waktu — atau jika Apache-2.0 adalah properti penentu karena data Anda tidak dapat keluar dari infrastruktur Anda. Anggarkan untuk perangkat keras sebelum Anda menganggarkan untuk hal lain, dan jalankan evaluasi Anda sendiri daripada mempercayai kartu, karena tidak ada angka independen yang bisa dijadikan acuan.

Pilih GPT-6 Astra jika pekerjaan Anda bersifat agentik dan berhorizon panjang, jika input 922.000 token dalam satu permintaan adalah bentuk yang benar-benar Anda hasilkan, atau jika Anda memerlukan papan skor independen untuk mempertahankan keputusan itu kepada orang lain. Angka $3,26 per tugas indeks yang diselesaikan adalah yang tertinggi dalam perbandingan ini, dan itu membeli model yang menghasilkan sekitar 60 juta token saat melakukan pekerjaan tersebut, sedangkan model median menghasilkan 85 juta — itulah sebabnya harga per token adalah angka yang salah untuk dijadikan dasar keputusan dan biaya per tugas yang diselesaikan adalah angka yang tepat. Jangan pilih ini untuk trafik berdurasi pendek dengan volume tinggi, dan jangan melewati batas 272.000 token tanpa menjalankan ulang model biaya Anda, karena batas itu menggandakan tarif input untuk seluruh permintaan.

Keduanya bukan pengganti satu sama lain, dan alasannya bukan poin benchmark. Salah satunya menerima tabel pembacaan sensor yang diketik dan yang satunya menerima halaman hasil pindaian sebuah makalah, dan tidak ada yang melakukan keduanya cukup baik sehingga yang lain menjadi tidak diperlukan. Jika pekerjaan Anda entah bagaimana menghasilkan keduanya, Anda sudah tahu tim mana di organisasi Anda yang memiliki bagian yang mana.

Rilis juga merupakan momen untuk memeriksa apa yang pernah salah sebelumnya: insiden AI dan kegagalan agen yang terdokumentasi seputar model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan tanda perselisihan.