Intern-S2-397B vs Intern-S2 Mobius: Andalan 397B dan Penalar 35B

Intern-S2-397B dan Intern-S2 Mobius sama-sama model InternLM, sama-sama Apache-2.0, sama-sama disebut Intern-S2, dan keduanya nyaris tidak bisa lebih berbeda di balik nama itu. Intern-S2-397B adalah unggulan: model mixture-of-experts 403 miliar parameter untuk kecerdasan ilmiah dan agen berhorizon panjang yang dirilis InternLM pada 13 September 2026. Intern-S2 Mobius adalah eksperimen penalaran 35 miliar parameter yang hadir pada 29 Juli 2026, dibangun di atas arsitektur Mobius-v0 dengan memori bersama global dan penalar yang beriterasi, dipra-latih secara berkelanjutan dari Qwen3.5-35B. Tabrakan nama itulah seluruh alasan perbandingan ini perlu ada, karena pencarian untuk "Intern-S2 review" akan memunculkan kedua model dan keduanya bukan pengganti satu sama lain ke arah mana pun.

Dua arsitektur, dua tugas

Intern-S2-397B adalah MoE transformer konvensional, luas pada bagian yang penting: 60 lapisan, 512 pakar dengan 10 aktif per token, konteks penalaran teks 256K dan konteks multimodal 64K, serta antarmuka masukan yang menerima teks, gambar, dan deret waktu. Paradigma pra-pelatihannya membaca halaman mentah literatur ilmiah — gambar, tata letak, notasi simbolik, dan prosa secara bersamaan — dan pembelajaran penguatannya mencakup lebih dari dua puluh domain ilmiah, plus pelatihan agen jangka panjang di lingkungan sandbox. Ini adalah spesialis yang juga merupakan model umum: MMLU Pro 89.77, MMMU Pro 81.68, SWE-bench-Pro 68.54 di kartu modelnya sendiri, semuanya dilaporkan oleh InternLM dan belum direproduksi.

Intern-S2 Mobius adalah taruhan berbeda pada pertanyaan yang berbeda. Alih-alih mengikat penyimpanan pengetahuan dan komputasi penalaran lapis demi lapis, arsitektur Mobius-v0 mempertahankan Memory yang dibagikan secara global berisi vektor pengetahuan dan membiarkan beberapa Reasoner melakukan iterasi terhadapnya, menyempurnakan hidden state pada representasi kontinu berdensitas tinggi. Nilai jualnya adalah efisiensi inferensi: percepatan end-to-end hampir 4x dibandingkan baseline Qwen3.5-35B yang menjadi asal model ini, dengan skor penalaran yang sebanding atau lebih kuat. Itu adalah klaim throughput tentang baseline tertentu — dan klaim vendor, tanpa reproduksi independen — tetapi itulah alasan model ini ada.

• Arsitektur — Intern-S2-397B: transformer MoE standar, 60 lapisan, 512 pakar / 10 aktif vs Intern-S2 Mobius: Mobius-v0, Memori bersama + Reasoner yang beriterasi.

• Skala — Intern-S2-397B: total 403B, ~807 GB bobot dalam BF16 vs Intern-S2 Mobius: total 35B.

• Silsilah — Intern-S2-397B: paradigma pra-pelatihan ilmiah orisinal vs Intern-S2 Mobius: dipra-latih secara berkelanjutan dari Qwen3.5-35B.

• Input — Intern-S2-397B: teks, gambar, deret waktu vs Intern-S2 Mobius: teks, gambar.

• Konteks — Intern-S2-397B: 256K teks / 64K multimodal vs Intern-S2 Mobius: belum ada angka konteks yang dinyatakan secara independen.

• Klaim kecepatan — Intern-S2-397B: tidak ada yang diiklankan vs Intern-S2 Mobius: percepatan penalaran end-to-end hampir 4x dibandingkan baseline Qwen3.5-35B, dilaporkan vendor.

• Bukti independen — tidak ada model yang memiliki skor pihak ketiga.

Nomor mana yang menjadi milik model yang mana?

Tabrakan nama menjadi bahaya praktis begitu Anda membaca sebuah ulasan. Klaim benchmark tentang "Intern-S2" — MMLU Pro 89.77, HMMT-2026 93.56, Biology-Instructions 55.71 — merujuk pada flagship 397B, karena itulah model yang menjadi acuan tabel peluncuran. Klaim throughput tentang "Intern-S2" — percepatan hampir 4x — merujuk pada Mobius, karena itulah model yang arsitekturnya berfokus pada efisiensi inferensi. Periksa jumlah parameter sebelum mengutip angka mana pun. Ulasan yang mengatakan "Intern-S2 4x lebih cepat" dan ulasan yang mengatakan "Intern-S2 mengalahkan Grok 4.6 pada TerminalBench" membicarakan model yang berbeda, dan klaim kedua bahkan tidak lolos dari tabel vendor-nya sendiri.

Dari sisi bukti, belum ada satu pun dari kedua model ini yang diuji oleh pihak mana pun di luar InternLM. Kartu model unggulan berisi tabel benchmark vendor yang dijalankan melalui OpenCompass, VLMEvalKit, dan AgentCompass; kartu Mobius berisi deskripsi ditambah klaim percepatan terhadap baseline yang menjadi asal fine-tuning model tersebut. Tidak adanya verifikasi independen lebih penting di sini daripada di sebagian besar perbandingan karena klaim terkuat kedua model berada pada sumbu yang sama sekali berbeda — kemampuan bagi yang satu, throughput bagi yang lain — dan belum ada satu pun sumbu yang memiliki pengukuran eksternal.

Yang mana yang harus dijalankan

Jalankan Intern-S2-397B ketika pekerjaannya adalah pemahaman ilmiah: membaca makalah yang padat diagram, menganalisis diagram molekuler, melakukan peramalan dari sinyal deret waktu, atau menjalankan agen berdurasi panjang yang harus terus bekerja menyelesaikan tugas penelitian. Ini adalah model yang menjadi topik liputan minggu ini, dan baris-baris umumnya cukup terhormat sehingga Anda tidak sedang membeli kuda satu trik. Harganya adalah perangkat keras: checkpoint 403B memerlukan node multi-GPU yang serius, dan jika Anda tidak memilikinya, API Intern resmi adalah alternatifnya.

Pertimbangkan Intern-S2 Mobius ketika pekerjaannya adalah penalaran bervolume tinggi pada perangkat keras yang sudah Anda miliki dan Anda lebih mementingkan biaya per token daripada satu atau dua poin skor benchmark. Model 35B dengan keunggulan throughput yang masuk akal sebesar 4x dibandingkan baseline-nya adalah proposisi penyajian yang benar-benar menarik — tetapi validasi percepatan itu pada trace Anda sendiri sebelum Anda membangun di atasnya, karena belum ada orang di luar InternLM yang mereproduksinya. Bagaimanapun juga, labeli model secara eksplisit di setiap tulisan, karena namanya saja tidak lagi menyatakan model mana yang Anda maksud.