
NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B: dua model visi terbuka, salah satunya benar-benar dapat Anda panggil hari ini
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 89 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 97 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaBARUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 88 tok/s
- OrcaBARUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 133 tok/s
- OrcaBARUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1 juta token · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 123 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 juta token · 131 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Kecerdasan
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Kecerdasan
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1 juta token · 189 tok/s
Kedua model ini berbobot terbuka, keduanya multimodal, keduanya dilisensikan dengan gaya Apache atau OpenMDW untuk penggunaan komersial, dan keduanya adalah jenis yang Anda unduh alih-alih berlangganan. Perbedaan yang menentukan sebagian besar evaluasi tidak ada di lembar spesifikasi mana pun. Intern-S2-397B, model unggulan InternLM berparameter 403 miliar yang dirilis di Hugging Face pada 13 September 2026, memiliki API yang dihosting vendor yang dapat Anda tuju dengan klien yang kompatibel dengan OpenAI pada hari yang sama Anda membacanya. NVIDIA Nemotron 3.5 Super VL 120B A12B, diunggah ke Hugging Face pada 12 Oktober 2026 dan dikonfirmasi dalam pengumuman NVIDIA pada tanggal 15, tidak demikian: NVIDIA tidak menerbitkan endpoint maupun harga per token untuknya melalui jalur apa pun, termasuk microservice NIM miliknya sendiri. Jadi, salah satu dari ini dapat Anda evaluasi sore ini dengan sebuah token, dan yang lain memerlukan H200 atau empat H100 sebelum prompt pertama. Kesenjangan itu lebih bernilai daripada selisih tujuh poin apa pun pada tabel benchmark.
Lantai penyebaran, berdampingan
Mulai dari sini, karena ini menghilangkan salah satu dari model-model ini bagi sebagian besar pembaca sebelum kualitas dibahas sama sekali.
• Total dan parameter aktif — Intern-S2-397B total 403B dengan 10 aktif per token di 60 lapisan dan 512 pakar; Nemotron 3.5 Super VL 120B A12B total 120B dengan 12 aktif per token di lapisan Mamba-2, MoE, dan attention yang berselang-seling.
• Ukuran bobot pada disk — Intern-S2-397B sekitar 807 GB tersebar di sekitar 188 shard BF16/F32; build BF16 Super VL hanya sebagian kecil dari itu, dengan build NVFP4 yang cukup kecil untuk dijalankan pada satu DGX Spark.
• Perangkat keras minimum yang layak — Intern-S2-397B membutuhkan armada multi-GPU yang sesungguhnya; Super VL membutuhkan 4× H100 atau 2× GB200 dalam BF16, atau satu H200, satu GB200, 2× H100, atau satu DGX Spark dalam NVFP4.
• Akses hosting — Intern-S2-397B tersedia di Intern API milik vendor sendiri di chat.intern-ai.org.cn/api/v1 dengan id model intern-s2-397b, didokumentasikan sebagai kompatibel dengan OpenAI dan kompatibel dengan Anthropic; Super VL tidak memiliki endpoint yang dipublikasikan dari siapa pun.
• Lisensi — Apache-2.0 untuk Intern-S2-397B; OpenMDW-1.1 untuk Super VL. Keduanya mengizinkan penggunaan komersial.
Konteks — 256K token untuk Intern-S2-397B, dengan evaluasi multimodal pada 64K; 1M token untuk Super VL.
• Input video — Super VL menerima MP4 hingga dua menit, disampel sebagai frame; modalitas terdokumentasi Intern-S2-397B adalah teks, gambar, dan data sinyal mentah. Video tidak termasuk di antaranya.
Baca daftar itu dua kali dan polanya menjadi jelas. Intern-S2-397B adalah model yang lebih besar, lebih lama, dan lebih ilmiah dengan pintu yang di-hosting. Super VL adalah model yang lebih kecil, lebih baru, dan lebih mudah diterapkan dengan jendela yang lebih panjang serta video, dan belum punya pintu sama sekali.
Untuk apa Intern-S2-397B sebenarnya dibangun
InternLM mendeskripsikan model tersebut sebagai penskalaan di sepanjang tiga sumbu, dan yang pertama adalah klaim teknis yang layak dipahami: pra-pelatihan visi-bahasa yang dilakukan langsung pada halaman mentah literatur ilmiah, memodelkan secara bersama semantik simbolik dan hubungan visual dalam ruang representasi bersama, tanpa langkah penguraian perantara. Sebuah gambar, tabel, spektrum, dan kalimat yang mendeskripsikannya dipelajari bersama, bukan dengan mengekstraksi teks lalu melampirkan gambar setelahnya.
Desain itu muncul dalam tolok ukur yang dipilih InternLM untuk ditonjolkan, dan itulah sebabnya angka visi kedua model tersebut tidak dapat dipertukarkan. Kartu Intern-S2-397B melaporkan ChartQAPro 71.12 dan MMMU Pro 81.68 serta unggul dalam skor khusus sains — Biology-Instructions 55.71, Mol-Instructions 53.95, MolecularIQ 62.35, SciReasoner-1.5 63.28, TOMG-Bench 66.76. Kartu Super VL unggul dengan OCR-Reasoning 65.08, OCRBench-v2 pada 68.12 bahasa Inggris dan 59.15 bahasa Mandarin, MMLongBench-Doc 62.82, CharXiv-RQ 80.82 dan MathVision 78.16. Tugas yang berbeda, distribusi pelatihan yang berbeda, dan tidak ada satu pun dari kedua kumpulan tersebut yang direproduksi secara independen.
Sumbu ketiga adalah yang membuat Intern-S2-397B tidak biasa untuk beban kerja agentik: pembelajaran penguatan agentik kotak hitam di lingkungan sandbox, dengan agen dihubungkan melalui beberapa kerangka kerja dan secara eksplisit diarahkan pada plafon tugas berhorizon panjang. Klaim setara NVIDIA untuk Super VL adalah alur pascapelatihan yang berakhir dengan RL dengan imbalan yang dapat diverifikasi dan distilasi on-policy multi-guru, dievaluasi pada SWE-bench dan tau2-bench. Keduanya adalah pernyataan tentang metode, bukan pengukuran hasil.
Kemampuan input sinyal yang tidak dimiliki oleh kompetitor mana pun
Intern-S2-397B menerima data sinyal mentah — .npy, .csv dan .wav — sebagai tipe input kelas satu bersama teks dan gambar, dengan contoh peristiwa gempa bumi yang didokumentasikan yang mendeteksi indeks kedatangan gelombang P dan S, serta peramalan titik dan kuantil melalui forecast_horizon parameter. Saat ini hanya tersedia di LMDeploy, dan ini adalah fitur waktu inferensi, bukan hasil benchmark.
Tidak ada model dalam perbandingan ini yang melakukan hal seperti itu, dan tidak ada model frontier tertutup yang juga melakukannya. Jika pekerjaan Anda melibatkan jejak sensor, data seismik, atau peramalan deret waktu yang harus dinalar bersama gambar dan teks, Intern-S2-397B bukan pilihan yang lebih baik di antara kedua ini — model ini satu-satunya pilihan, dan 807 GB bobot adalah biaya masuknya.
Tolok ukur, dengan sumber yang dilampirkan pada masing-masing
Tidak ada model yang memiliki evaluasi independen yang bersih, dan kedua tabel vendor tidak tumpang tindih pada satu baris pun, sehingga yang berikut ini adalah pembacaan atas klaim, bukan peringkat.
Intern-S2-397B, semuanya dilaporkan oleh vendor oleh InternLM pada harness miliknya sendiri (OpenCompass, VLMEvalKit, AgentCompass), tidak direproduksi, dengan GPT-5.5 sebagai referensi tertutup: 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 dan FrontierScience-Research 55,00. Artificial Analysis tidak memiliki entri Intern-S2-397B saat rilis dan papan peringkat netral juga tidak memuatnya — celah itu mungkin sudah tertutup sejak saat itu, dan ada baiknya diperiksa sebelum Anda mengandalkan salah satu dari ini.
Nemotron 3.5 Super VL 120B A12B, terbagi antara dua sumber. Dilaporkan oleh vendor NVIDIA di NeMo Gym: SWE-bench Verified 71.10, SWE-bench Multilingual 67.72, SWE-bench Pro 51.78, tau2-bench retail 69.24 dan airline 76.50, BrowseComp 78.91, GraphWalks 89.71, GPQA-Diamond 89.52, HLE 31.79 tanpa alat, OCRBench-v2 68.12 bahasa Inggris, MMLongBench-Doc 62.82, Video-MME-v2 32.85. Diukur oleh panel Artificial Analysis, dan ini adalah satu-satunya angka yang dihasilkan secara independen di seluruh artikel ini: Intelligence Index sebesar 26.49, dengan 0.0 pada Terminal-Bench 4.0 dan tingkat halusinasi terukur sebesar 0.3585.
Dua hal patut disorot pada blok kedua itu. Angka Terminal-Bench 2.1 milik NVIDIA muncul sebagai 66,70 di kartu model dan 60,67 di tabel ringkasan laporan teknis, sementara semua baris lain di dokumen-dokumen tersebut konsisten — salah satu dari keduanya salah, dan sampai resepnya dijalankan ulang, tidak satu pun aman untuk dikutip. Dan angka 0,0 milik panel pada Terminal-Bench 4.0 dibandingkan dengan 64,04 yang dilaporkan vendor pada TerminalBench 2.1 untuk Intern-S2-397B, yang diukur pada suite berbeda oleh labnya sendiri, menjadi pengingat bahwa skor agen terminal tidak dapat dibandingkan lintas harness bahkan ketika namanya terlihat mirip.

Mengapa jendela 1M token versus 256K bukan kemenangan tujuh digit
Lembar spesifikasi menyatakan Super VL menyediakan 1 juta token dan Intern-S2-397B menyediakan 256K, dengan evaluasi multimodal pada 64K. Itu tampak seperti kemenangan telak bagi model NVIDIA sampai Anda menyertakan angka recall konteks panjang panel: 0,69 pada AA-LCR. Model dengan jendela satu juta token dan skor konteks panjang di bawah satu adalah model yang dapat menyerap satu juta token dan belum tentu berbuat banyak dengan token-token itu di ujung terjauh.
256K milik Intern-S2-397B didokumentasikan pada 256K untuk penalaran teks dan 64K untuk multimodal, dan InternLM sama sekali tidak menerbitkan angka recall konteks panjang. Jadi posisi yang jujur adalah bahwa satu model memiliki jendela yang lebih panjang dan recall terukur yang buruk pada jendela itu, sementara model lainnya memiliki jendela yang lebih pendek dan tanpa pengukuran. Jika recall konteks panjang menjadi inti beban kerja Anda, tidak satu pun dari keduanya yang boleh dipilih hanya karena panjang konteksnya.
Ketersediaan, dan bagaimana OrcaRouter cocok ketika tidak ada satu pun model tersebut di katalog kami
Baik Intern-S2-397B maupun NVIDIA Nemotron 3.5 Super VL 120B A12B tidak dilayani oleh OrcaRouter saat ini, dan artikel ini tidak akan menyiratkan sebaliknya. Intern-S2-397B dapat diakses melalui API milik vendor sendiri dan self-hosting dengan LMDeploy, vLLM, atau SGLang, dengan resep deployment yang disertakan dalam kartu model. Super VL hanya untuk self-hosting — microservice NIM milik NVIDIA adalah jalur yang diumumkan, dan belum ada endpoint atau harga yang dipublikasikan untuknya.
Nilai sebuah gateway ketika model yang Anda inginkan tidak ada di dalamnya memiliki jawaban yang spesifik: di situlah sisa pipeline sudah berada. Triase dokumen yang harus tetap berada di dalam jaringan Anda berjalan pada deployment Intern-S2-397B atau Super VL milik Anda sendiri; panggilan ekstraksi, klasifikasi, dan peringkasan di sekitarnya berjalan pada model hosted dengan kunci yang sama. DSL routing-lah yang menjaga batas itu tetap terbaca — dinyatakan sebagai kondisi pada prompt, bukan sebagai percabangan yang terkubur di dalam kode aplikasi — dan failover otomatis berarti kegagalan separuh self-hosted tidak ikut menggagalkan permintaan. Zero markup penting di sini dengan cara yang lebih membosankan: berapa pun biaya separuh hosted dari pipeline Anda saat ini, biayanya sama di sini, karena harga daftar penyedia diteruskan tanpa perubahan.

Memilih di antara keduanya
Pilih Intern-S2-397B jika Anda perlu berjalan hari ini tanpa membeli perangkat keras, jika domain Anda adalah literatur ilmiah dan gambar, jika input sinyal mentah atau deret waktu adalah bagian dari beban kerja, atau jika endpoint yang dihosting yang dikelola vendor lebih bernilai bagi Anda daripada kendali atas penerapan. 807 GB bobot adalah biaya nyata, tetapi API yang dihosting berarti Anda dapat memastikan apakah model itu bagus sebelum Anda membayarnya.
Pilih Nemotron 3.5 Super VL 120B A12B jika video merupakan input, jika yang Anda miliki adalah satu H200 atau DGX Spark alih-alih sebuah armada, jika model perlu berada di dalam jaringan Anda, atau jika Anda berniat melakukan fine-tuning — NVIDIA menerbitkan dataset pascapelatihan dan lingkungan RL NeMo Gym bersama bobotnya, dan itulah separuh rilis yang lebih dapat digunakan kembali. Jalankan kumpulan dokumen Anda sendiri melalui build NVFP4 sebelum berkomitmen, dan uji recall konteks panjang secara khusus alih-alih memercayai angka 1M token.
Pilih tidak keduanya, untuk saat ini, jika yang sebenarnya Anda butuhkan adalah model dengan evaluasi independen yang dapat Anda andalkan. Angka-angka Intern-S2-397B semuanya dilaporkan vendor dan cakupan panelnya tidak jelas; Super VL hanya memiliki tepat satu skor pihak ketiga dan itu adalah satu angka indeks. Dua model visi terbuka, terpisah sekitar enam minggu dalam rilis, keduanya dengan tabel benchmark yang belum direproduksi dan tidak satupun berada di papan peringkat netral dengan cara yang dapat Anda bandingkan — langkah yang bertanggung jawab adalah melakukan benchmark pada dokumen Anda sendiri, dan API vendor-lah yang membuat setengah dari itu murah.
Yang perlu diperhatikan: entri panel independen untuk Intern-S2-397B, yang akan mengubah seluruh kartunya dari klaim menjadi bukti; harga dan endpoint untuk Super VL, yang akan menghapus H200 dari persyaratan entri; dan angka Terminal-Bench yang dikoreksi dari NVIDIA, yang akan menyelesaikan satu-satunya tempat di mana dua dokumen utama milik vendor itu sendiri saling bertentangan.

Tidak satu pun dari ini menjadi alasan untuk menghindari model tersebut, hanya alasan untuk mengetahui riwayatnya: insiden AI dan kegagalan agen yang terdokumentasi di balik model di kelas ini dikumpulkan dalam OrcaRouter AI Incident Archive, yang tiap entrinya memuat sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan tanda diperdebatkan.
