Muse Wonder vs Intern S2: 1.048.576 Token Melawan 256K, dan Tanpa Penggaris Bersama

Intern-S2-397B and Muse Wonder have never been measured against each other by anyone. That is not a gap in the research — it is a structural fact about how each model came to exist. I​nternLM published Intern-S2-397B on September 13, 2026 as an Apache-2.0 open-weights checkpoint for scientific intelligence and long-horizon agents, benchmarked entirely by its own makers, with no third-party score at all. Meta Superintelligence Labs began selling Muse Wonder on October 12, 2026 through the Meta Model API and Muse Code, and it has exactly one independent evaluator's row. So everything below requires labelling which side of the fence each number sits on, and the two models disagree about something more basic than benchmark scores: what a context window is for. Muse Wonder's 1,048,576 tokens are a flat, priced, single-response budget. Intern-S2-397B's are split — 256K for text reasoning and 64K for multimodal input — on a checkpoint you download rather than call.

Versi yang berguna dari perbandingan ini bukanlah model mana yang menang. Melainkan bahwa salah satunya adalah instrumen untuk pekerjaan dokumen ilmiah yang dapat Anda jalankan di dalam perimeter Anda sendiri, dan yang lainnya adalah generalis sewaan dengan jendela tarif tetap yang sangat besar. Itu adalah pembelian yang berbeda.

Apa sebenarnya masing-masing model

Intern-S2-397B is Shanghai AI Laboratory's I​nternLM flagship, released September 13, 2026 under Apache-2.0. The name carries 397B; the model card says 403 billion total parameters, and that difference is the kind of inconsistency a checkpoint built in public accumulates. Architecturally it is a standard mixture-of-experts transformer — 60 layers, 512 experts with 10 active per token — and its headline claim is a pre-training paradigm that reads raw pages of scientific literature, figures, layout, symbolic notation and prose together, rather than parsing the text out first. Around that it scales reinforcement learning across more than twenty scientific domains and adds long-horizon agent training in sandboxed environments. It takes text, image and time-series input, produces forecasts from the time-series path, serves on LMDeploy, vLLM and SGLang, supports tool calling, and thinks by default unless you pass enable_thinking=False per request. In BF16 the checkpoint is roughly 807 GB, so self-hosting means a serious multi-GPU node.

Muse Wonder adalah rilis terdepan Meta Superintelligence Labs pada 12 Oktober 2026, yang diumumkan sebagai seri dua checkpoint. Hanya muse-wonder-1.0 yang memiliki endpoint per token, di Meta Model API dan di dalam Muse Code; Muse Wonder Full, konfigurasi dengan skor lebih tinggi, hanya dijual melalui langganan Muse Code dan tidak memiliki daftar harga publik. Checkpoint yang dapat dipanggil menerima input teks, gambar, ucapan, dan video, mengembalikan teks, memiliki jendela konteks 1.048.576 token, membatasi satu respons pada 943.718 token, berharga $4.00 per juta token input, $0.20 untuk cache, dan $20.00 output, serta menjalankan penalaran secara wajib pada tangga upaya dari minimal hingga maks yang defaultnya medium. Tidak ada bobot, tidak ada lisensi, dan tidak ada versi yang dapat Anda terus jalankan jika endpoint berubah.

Itu adalah perbedaan nyata pertama di antara keduanya, dan itu bukan baris benchmark. Yang satu adalah file. Yang lain adalah kontrak.

Jendela konteks, yang kedua model maksudkan secara berbeda

Di sinilah perbandingan lembar spesifikasi paling menyesatkan, karena kedua model secara rutin digambarkan sebagai berkonteks panjang.

• Konteks teks — Muse Wonder 1.048.576 token dalam satu jendela; Intern-S2-397B 256K untuk penalaran teks

• Konteks multimodal — jendela penuh Muse Wonder mencakup input gambar, ucapan, dan videonya; Intern-S2-397B membawa konteks multimodal 64K terpisah

• Output maksimum dalam satu respons — Muse Wonder 943.718 token; Intern-S2-397B tidak dipublikasikan sebagai angka yang sebanding

• Permukaan masukan — Muse Wonder teks, gambar, ucapan, video; Intern-S2-397B teks, gambar, deret waktu

• Peramalan deret waktu — Muse Wonder tidak ada; Intern-S2-397B didukung, saat ini hanya dihubungkan melalui LMDeploy

• Tarif — Muse Wonder $4.00 masuk, $0.20 di-cache, $20.00 keluar per juta token; Intern-S2-397B tidak memiliki tarif per token yang dipublikasikan, karena model distribusinya adalah unduhan

Baris peramalan adalah baris yang tidak memiliki padanan di sisi lain, dan itu bukan fitur pemasaran — itulah alasan model ini ada dalam bentuk seperti sekarang. Model yang menyerap sinyal deret waktu dan menghasilkan peramalan melakukan sesuatu yang tidak bisa diminta dilakukan oleh model teks, berapa pun ukuran jendelanya. Jika itu adalah beban kerja Anda, perbandingannya sudah selesai.

Bagi semua orang lainnya, pertanyaan yang relevan adalah apa yang benar-benar cocok. Jendela 1.048.576 token dengan tarif tetap adalah produk yang berbeda dari jendela teks 256K pada perangkat keras yang Anda miliki, dan perbedaannya muncul tepat pada beban kerja yang membuat konteks panjang menjadi menarik — basis kode di dalam prompt, korpus makalah, sesi agentik panjang yang menyimpan riwayatnya.

Basis-basis bukti, yang tidak bersentuhan

Angka yang dipublikasikan kedua model tidak dapat ditempatkan pada sumbu yang sama, dan ada baiknya bersikap terus terang tentang alasannya.

Intern-S2-397B's benchmark card is I​nternLM's own, run through OpenCompass, VLMEvalKit and AgentCompass by the team that built the model, with no independent reproduction. Its columns are Qwen3.5-397B-A17B, D​eepSeek V4 Pro, Kimi K2.7-Code, GLM-5.2, GPT-5.5, Gemini 3.1 Pro and Claude Opus 4.8 — no model from M​eta, and no Muse Wonder, so the vendor's own table does not contain a single Muse comparison. and any "Intern-S2 versus Muse Wonder" figure circulating anywhere is an extrapolation across two unrelated tables.

What that card does publish, all of it I​nternLM-reported: 89.77 on MMLU Pro, 93.56 on HMMT-2026, 81.68 on MMMU Pro, 68.54 on SWE-bench-Pro, 64.04 on TerminalBench 2.1, and on the scientific sets 55.71 on Biology-Instructions, 63.28 on SciReasoner 1.5 and 53.95 on Mol-Instructions. Read that as a portrait: strong on knowledge, maths and multimodal reasoning, leading on software engineering, and twenty points behind Claude Opus 4.8 on terminal work — the exact axis a production agent spends its day on.

Muse Wonder's evidence is the inverse shape. M​eta's launch table covers both checkpoints at maximum reasoning and is built largely from sustained-agent benchmarks — DeepSWE 1.1, SWE-Marathon, Terminal-Bench 4.0-AA, OSWorld V2.1 — all of it vendor-reported, in M​eta's harness, unreproduced. Independent commentary has repeated the strongest rows without the caveat, which is how a vendor harness becomes a fact in public. The one genuinely independent row is Artificial Analysis' Intelligence Index at 52 at maximum effort, ninth of more than 200 models, with about $4.52 of measured cost per completed index task and roughly 130 million output tokens consumed against a board median near 85 million.

Jadi: kekuatan satu model dinyatakan oleh pembuatnya berdasarkan tolok ukur ilmiah yang belum dijalankan ulang oleh pihak ketiga mana pun. Kekuatan model lainnya, pada tolok ukur agentik, sama saja. Keduanya belum pernah dibandingkan satu sama lain oleh siapa pun. Satu-satunya yang dapat dilakukan halaman yang jujur dengan itu adalah mengatakannya terang-terangan.

Di mana perbandingan ditentukan oleh harga, dan di mana tidak

Intern-S2-397B has no rate card. That is the whole pricing section, and it is a real finding rather than a missing value: you either self-host roughly 807 GB of BF16 weights on hardware you own, or you register for a token on I​nternLM's own API and live within whatever quota is granted. There is no per-token number to put beside Muse Wonder's $4.00 and $20.00, and no invoice to compare with a pay-per-token bill.

Apa dampaknya terhadap keputusan itu lebih halus daripada "gratis versus berbayar." Checkpoint yang diunduh mengubah biaya variabel menjadi biaya modal, dan mengubah hubungan dengan vendor menjadi artefak yang Anda miliki. Itu sangat bernilai ketika data Anda tidak boleh keluar dari perimeter Anda, ketika beban kerja Anda cukup stabil untuk membenarkan GPU, atau ketika reproduksibilitas lebih penting daripada satu poin benchmark. Nilainya sangat kecil jika lalu lintas Anda naik-turun tajam, jika tim Anda tidak memiliki serving stack, atau jika Anda memerlukan model untuk meningkat tanpa Anda melakukan apa pun.

Neither model is served by us, and it is worth saying so plainly rather than implying otherwise: Intern-S2-397B is a brand-new Apache-2.0 checkpoint with no routing coverage, and Muse Wonder is on M​eta's API and inside Muse Code with no third-party serving we can verify. What a router does help with is the half of this that is callable. OrcaRouter carries more than 200 models behind one key at provider list price with 0% markup — no middleman delta, so a vendor price cut is live the same day — including M​eta's own Muse Spark 1.2 and Muse Spark 1.1, so the M​eta models you can reach today sit next to everything else on the same credential. If your production traffic lands on a routed model and your scientific batch work runs on Intern-S2-397B somewhere you control, that seam is a routing decision rather than a second integration.

Siapa yang harus memilih yang mana?

Ambil Intern-S2-397B ketika pekerjaannya adalah membaca sains: makalah yang padat gambar, diagram molekuler, tabel hasil pindai, prakiraan dari sinyal deret waktu, atau agen yang harus terus mengerjakan tugas penelitian. Lisensi Apache-2.0 berarti Anda dapat melakukan fine-tuning pada data proprietari dan menjaga hasilnya tetap di dalam perimeter Anda sendiri, yang merupakan bagian dari perbandingan ini yang tidak dapat ditangkap oleh kartu tarif mana pun. Anggarkan untuk perangkat keras dan perkirakan tidak akan ada papan skor independen selama beberapa bulan — repositori ini baru berusia beberapa minggu dan tidak memuat pengukuran pihak ketiga.

Take Muse Wonder when the work is general, long and agentic, and when you would rather rent than own: a 1,048,576-token window at a flat rate with no step, a 943,718-token response ceiling that nothing in Intern-S2's published material answers, mandatory reasoning for hard multi-step tasks, and a pay-per-token bill you can put in a spreadsheet today. The caveat is the same one that applies to every row M​eta published: two days of independent measurement is two days, and one evaluator is one evaluator.

Tim yang membutuhkan keduanya harus memperlakukan batas di antara keduanya sebagai pertanyaan perutean, bukan migrasi. Jalankan lalu lintas umum pada model yang dapat Anda panggil, pertahankan pekerjaan ilmiah pada checkpoint yang dapat Anda pegang, dan jalankan ulang evaluasi Anda sendiri pada Intern-S2-397B sebelum mempercayai angka vendor tentang performa terminalnya — karena tabel milik vendor sendiri adalah baris yang paling tidak menyanjung di dalamnya.