Intern-S2-397B vs Intern-S2 Mobius: il modello di punta da 397B e il reasoner da 35B

Intern-S2-397B e Intern-S2 Mobius sono entrambi modelli InternLM, entrambi Apache-2.0, entrambi chiamati Intern-S2, e sotto il nome difficilmente potrebbero essere più diversi. Intern-S2-397B è il modello di punta: un modello mixture-of-experts da 403 miliardi di parametri per l'intelligenza scientifica e agenti a orizzonte lungo che InternLM ha rilasciato il 13 settembre 2026. Intern-S2 Mobius è un esperimento di ragionamento da 35 miliardi di parametri arrivato il 29 luglio 2026, costruito sull'architettura Mobius-v0 con una memoria condivisa a livello globale e reasoner iterativi, pre-addestrato in modo continuativo da Qwen3.5-35B. L'omonimia è proprio il motivo per cui questo confronto deve esistere, perché una ricerca di "Intern-S2 review" farà emergere entrambi i modelli e i due non sono sostituti l'uno dell'altro in nessuna direzione.

Due architetture, due compiti

Intern-S2-397B è un MoE transformer convenzionale, ampio dove conta: 60 layer, 512 esperti con 10 attivi per token, un contesto di ragionamento testuale da 256K e uno multimodale da 64K, e una superficie di input che accetta testo, immagini e serie temporali. Il suo paradigma di pre-training legge pagine grezze di letteratura scientifica — figure, layout, notazione simbolica e prosa insieme — e il suo apprendimento per rinforzo copre più di venti domini scientifici, oltre all'addestramento di agenti a lungo orizzonte in ambienti sandbox. È uno specialista che è anche un modello generale: MMLU Pro 89.77, MMMU Pro 81.68, SWE-bench-Pro 68.54 sulla propria scheda, tutti riportati da InternLM e non riprodotti.

Intern-S2 Mobius è una scommessa diversa su una domanda diversa. Invece di vincolare l'archiviazione della conoscenza e il calcolo del ragionamento strato per strato, l'architettura Mobius-v0 mantiene una Memoria globalmente condivisa di vettori di conoscenza e consente a più Reasoner di iterare su di essa, raffinando gli stati nascosti su rappresentazioni continue ad alta densità. La promessa è l'efficienza inferenziale: un'accelerazione end-to-end di quasi 4 volte rispetto al baseline Qwen3.5-35B da cui discende, con punteggi di ragionamento comparabili o migliori. Si tratta di un'affermazione sulla throughput relativa a uno specifico baseline — e di un'affermazione del fornitore, senza riproduzione indipendente — ma è la ragione per cui il modello esiste.

• Architettura — Intern-S2-397B: transformer MoE standard, 60 livelli, 512 esperti / 10 attivi vs Intern-S2 Mobius: Mobius-v0, Memoria condivisa + Reasoner iterativi.

• Scala — Intern-S2-397B: 403B in totale, ~807 GB di pesi in BF16 rispetto a Intern-S2 Mobius: 35B in totale.

• Discendenza — Intern-S2-397B: paradigma originale di pre-training scientifico vs Intern-S2 Mobius: pre-training continuo a partire da Qwen3.5-35B.

• Input — Intern-S2-397B: testo, immagine, serie temporali vs Intern-S2 Mobius: testo, immagine.

• Contesto — Intern-S2-397B: 256K testo / 64K multimodale vs Intern-S2 Mobius: nessun valore di contesto dichiarato in modo indipendente finora.

• Affermazione sulla velocità — Intern-S2-397B: nessuna pubblicizzata vs Intern-S2 Mobius: quasi 4x di accelerazione del ragionamento end-to-end rispetto alla baseline Qwen3.5-35B, riportato dal fornitore.

• Evidenza indipendente — nessuno dei due modelli ha un punteggio di terze parti.

Quale numero appartiene a quale modello?

La collisione di nomi diventa un pericolo concreto nel momento in cui leggi una recensione. Un'affermazione di benchmark su "Intern-S2" — MMLU Pro 89.77, HMMT-2026 93.56, Biology-Instructions 55.71 — riguarda il flagship 397B, perché è il modello a cui appartiene la tabella di lancio. Un'affermazione sul throughput di "Intern-S2" — l'accelerazione di quasi 4x — riguarda Mobius, perché è il modello la cui architettura è incentrata sull'efficienza inferenziale. Controlla il conteggio dei parametri prima di citare uno dei due numeri. Una recensione che dice "Intern-S2 è 4x più veloce" e una che dice "Intern-S2 batte Grok 4.6 su TerminalBench" parlano di modelli diversi, e la seconda affermazione non regge nemmeno di fronte alla sua stessa tabella del fornitore.

Sul fronte delle prove, nessuno dei due modelli è stato testato da qualcuno al di fuori di InternLM. La scheda del modello di punta è una tabella di benchmark del fornitore eseguita tramite OpenCompass, VLMEvalKit e AgentCompass; la scheda di Mobius è una descrizione più un'affermazione di accelerazione rispetto a una baseline su cui il modello è stato fine-tuned. L'assenza di verifica indipendente conta qui più che nella maggior parte dei confronti, perché le affermazioni più forti dei due modelli si collocano su assi completamente diversi — la capacità per l'uno, il throughput per l'altro — e nessuno dei due assi ha ancora una misurazione esterna.

Quale eseguire?

Esegui Intern-S2-397B quando il lavoro è la comprensione scientifica: leggere un articolo denso di figure, analizzare un diagramma molecolare, fare previsioni da un segnale di serie temporali o eseguire un agente di lunga durata che deve continuare a lavorare su un compito di ricerca. È il modello di cui parla la copertura di questa settimana, e le sue righe generali sono abbastanza rispettabili da non farti comprare un cavallo da un solo trucco. Il prezzo è l'hardware: un checkpoint da 403B richiede un nodo multi-GPU serio, e se non ne possiedi uno l'API ufficiale Intern è l'alternativa.

Considera Intern-S2 Mobius quando il lavoro è ragionamento ad alto volume su hardware che già possiedi e ti importa del costo per token più di uno o due punti di punteggio benchmark. Un modello da 35B con un plausibile vantaggio di throughput di 4x rispetto alla sua baseline è una proposta di serving davvero interessante — ma convalida l'accelerazione sulle tue tracce prima di costruirci sopra, perché nessuno al di fuori di InternLM l'ha ancora replicata. In ogni caso, etichetta esplicitamente il modello in ogni resoconto, perché il nome da solo non indica più quale intendi.