
NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B: due modelli di visione aperti, uno dei quali puoi effettivamente chiamare oggi
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 89 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 97 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNUOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 88 tok/s
- OrcaNUOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 133 tok/s
- OrcaNUOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1M di token · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 123 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M di token · 131 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenza
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenza
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M di token · 189 tok/s
Entrambi questi modelli sono open-weight, entrambi multimodali, entrambi con licenza in stile Apache o OpenMDW per uso commerciale, ed entrambi sono il tipo di cosa che scarichi invece di abbonarti. La differenza che decide la maggior parte delle valutazioni non è su nessuna delle due schede tecniche. Intern-S2-397B, il modello di punta di InternLM da 403 miliardi di parametri, rilasciato su Hugging Face il 13 settembre 2026, ha un'API ospitata dal fornitore a cui puoi puntare un client compatibile con OpenAI lo stesso giorno in cui ne vieni a conoscenza. NVIDIA Nemotron 3.5 Super VL 120B A12B, caricato su Hugging Face il 12 ottobre 2026 e confermato nell'annuncio di NVIDIA del 15, non ce l'ha: NVIDIA non ha pubblicato alcun endpoint né un prezzo per token per esso su alcun percorso, incluso il suo microservizio NIM. Quindi uno di questi puoi valutarlo questo pomeriggio con un token, e l'altro richiede una H200 o quattro H100 prima del primo prompt. Quel divario vale più di qualsiasi scarto di sette punti su una tabella di benchmark.
Il piano di deployment, fianco a fianco
Inizia da qui, perché elimina uno di questi modelli per la maggior parte dei lettori prima ancora che si discuta della qualità.
• Parametri totali e attivi — Intern-S2-397B: 403B totali con 10 attivi per token su 60 layer e 512 esperti; Nemotron 3.5 Super VL 120B A12B: 120B totali con 12 attivi per token su layer Mamba-2, MoE e attention intercalati.
• Dimensione dei pesi su disco — Intern-S2-397B è di circa 807 GB distribuiti su circa 188 shard BF16/F32; la build BF16 di Super VL è una frazione di quella, con una build NVFP4 abbastanza piccola da poter essere eseguita su un singolo DGX Spark.
• Hardware minimo richiesto — Intern-S2-397B necessita di una vera flotta multi-GPU; Super VL richiede 4× H100 o 2× GB200 in BF16, oppure una H200, una GB200, 2× H100 o un DGX Spark in NVFP4.
• Accesso in hosting — Intern-S2-397B è sulla Intern API del fornitore stesso all'indirizzo chat.intern-ai.org.cn/api/v1 con l'ID modello intern-s2-397b, documentato come compatibile con OpenAI e con Anthropic; Super VL non ha alcun endpoint pubblicato da nessuno.
• Licenza — Apache-2.0 per Intern-S2-397B; OpenMDW-1.1 per Super VL. Entrambe consentono l'uso commerciale.
• Contesto — 256K token per Intern-S2-397B, con valutazione multimodale a 64K; 1M token per Super VL.
• Input video — Super VL accetta MP4 fino a due minuti, campionati come fotogrammi; le modalità documentate di Intern-S2-397B sono testo, immagine e dati grezzi di segnale. Il video non è tra queste.
Leggi quella lista due volte e il quadro diventa chiaro. Intern-S2-397B è il modello più grande, più vecchio e più scientifico, con una porta ospitata. Super VL è il modello più piccolo, più recente e più facilmente distribuibile, con una finestra più lunga e video, e ancora nessuna porta.
Per che cosa è stato effettivamente costruito Intern-S2-397B
InternLM descrive il modello come scalabile lungo tre assi, e il primo è l'affermazione tecnica che vale la pena comprendere: pre-training visione-linguaggio eseguito direttamente su pagine grezze di letteratura scientifica, modellando congiuntamente semantica simbolica e relazioni visive in uno spazio di rappresentazione condiviso, senza alcun passaggio intermedio di parsing. Una figura, una tabella, uno spettro e la frase che li descrive vengono appresi insieme, anziché estrarre il testo e allegare le immagini in un secondo momento.
Quel design emerge nei benchmark con cui InternLM ha scelto di aprire, ed è il motivo per cui i numeri della visione dei due modelli non sono intercambiabili. La scheda di Intern-S2-397B riporta ChartQAPro 71,12 e MMMU Pro 81,68 e primeggia nei punteggi specifici per le scienze — Biology-Instructions 55,71, Mol-Instructions 53,95, MolecularIQ 62,35, SciReasoner-1.5 63,28, TOMG-Bench 66,76. La scheda di Super VL apre con OCR-Reasoning 65,08, OCRBench-v2 a 68,12 in inglese e 59,15 in cinese, MMLongBench-Doc 62,82, CharXiv-RQ 80,82 e MathVision 78,16. Compiti diversi, distribuzioni di addestramento diverse, e nessuno dei due insiemi è riprodotto in modo indipendente.
Il terzo asse è quello che rende Intern-S2-397B insolito per un carico di lavoro agentico: apprendimento per rinforzo agentico a scatola nera in ambienti sandbox, con l'agente collegato attraverso diversi framework ed esplicitamente mirato ai limiti massimi dei compiti a lungo orizzonte. L'affermazione equivalente di NVIDIA per Super VL è una pipeline di post-addestramento che termina in RL con ricompense verificabili e distillazione on-policy multi-insegnante, valutata su SWE-bench e tau2-bench. Entrambe sono asserzioni di metodo piuttosto che misurazioni di risultato.
La capacità di input del segnale che nessun concorrente ha
Intern-S2-397B accetta dati di segnale grezzi — .npy, .csv e .wav — come tipo di input di prima classe insieme a testo e immagini, con un esempio documentato di evento sismico che rileva gli indici di arrivo delle onde P e S, e la previsione puntuale e quantile tramite un parametro forecast_horizon. Attualmente è supportato solo in LMDeploy, ed è una funzionalità in fase di inferenza piuttosto che un risultato di benchmark.
Nessun modello in questo confronto fa qualcosa di simile, e nemmeno un modello di frontiera chiuso lo fa. Se il tuo lavoro coinvolge tracce di sensori, dati sismici o previsioni di serie temporali su cui bisogna ragionare insieme a immagini e testo, Intern-S2-397B non è la scelta migliore tra questi due — è l'unica scelta, e gli 807 GB di pesi sono il prezzo d'ingresso.
Benchmark, con la fonte allegata a ciascuno
Nessuno dei due modelli dispone di una valutazione indipendente e pulita, e le due tabelle dei fornitori non coincidono su una sola riga, quindi quanto segue è una lettura delle dichiarazioni più che una classifica.
Intern-S2-397B, tutti comunicati dal fornitore InternLM sui propri harness (OpenCompass, VLMEvalKit, AgentCompass), non riprodotti, con GPT-5.5 come riferimento closed: 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 e FrontierScience-Research 55.00. Artificial Analysis non aveva alcuna voce per Intern-S2-397B al momento del rilascio e neppure le classifiche neutrali ne riportavano una — quella lacuna potrebbe essersi colmata nel frattempo, e vale la pena verificarlo prima di fare affidamento su uno qualsiasi di questi dati.
Nemotron 3.5 Super VL 120B A12B, suddiviso tra due fonti. Riportati dal fornitore NVIDIA su NeMo Gym: SWE-bench Verified 71.10, SWE-bench Multilingual 67.72, SWE-bench Pro 51.78, tau2-bench retail 69.24 e airline 76.50, BrowseComp 78.91, GraphWalks 89.71, GPQA-Diamond 89.52, HLE 31.79 senza strumenti, OCRBench-v2 68.12 in inglese, MMLongBench-Doc 62.82, Video-MME-v2 32.85. Misurati dal panel di Artificial Analysis, e questo è l'unico numero prodotto in modo indipendente in tutto questo articolo: un Intelligence Index di 26.49, con 0.0 su Terminal-Bench 4.0 e un tasso di allucinazione misurato di 0.3585.
Due cose meritano di essere segnalate in quel secondo blocco. Il valore di NVIDIA su Terminal-Bench 2.1 compare come 66,70 sulla model card e come 60,67 nella tabella riepilogativa del rapporto tecnico, mentre tutte le altre righe di quei documenti concordano: uno dei due è sbagliato e, finché le recipe non vengono rieseguite, nessuno dei due è sicuro da citare. E lo 0,0 del panel su Terminal-Bench 4.0 contro un 64,04 dichiarato dal fornitore su TerminalBench 2.1 per Intern-S2-397B, misurato su una suite diversa dal suo stesso laboratorio, è un promemoria del fatto che i punteggi degli agenti da terminale non sono confrontabili tra harness diversi anche quando i nomi sembrano simili.

Perché la finestra da 1M di token rispetto a 256K non è una vittoria a sette cifre
Le schede tecniche dicono che Super VL offre 1M di token e Intern-S2-397B ne offre 256K, con valutazione multimodale a 64K. Sembra una vittoria schiacciante per il modello NVIDIA, finché non si aggiunge il dato di recall sul contesto lungo del pannello: 0,69 su AA-LCR. Un modello con una finestra da un milione di token e un punteggio di contesto lungo inferiore a uno è un modello che può ingerire un milione di token e non necessariamente farci granché all'altro estremo.
Il 256K di Intern-S2-397B è documentato a 256K per il ragionamento testuale e 64K per il multimodale, e InternLM non ha pubblicato alcun dato di recall su contesti lunghi. Quindi la posizione onesta è che un modello ha una finestra più lunga e uno scarso recall misurato su di essa, e l'altro ha una finestra più corta e nessuna misurazione. Se il recall su contesti lunghi è centrale per il tuo carico di lavoro, nessuno dei due dovrebbe essere selezionato in virtù della sua lunghezza di contesto.
Disponibilità e come OrcaRouter si inserisce quando nessuno dei due modelli è presente nel nostro catalogo
Né Intern-S2-397B né NVIDIA Nemotron 3.5 Super VL 120B A12B sono serviti da OrcaRouter oggi, e questo articolo non intende suggerire il contrario. Intern-S2-397B è raggiungibile tramite l'API proprietaria del fornitore e il self-hosting con LMDeploy, vLLM o SGLang, con ricette di deployment incluse nella model card. Super VL è disponibile solo in self-hosting — il microservizio NIM di NVIDIA è la via annunciata, e per esso non sono stati pubblicati endpoint né prezzi.
C'è una risposta precisa a quanto vale un gateway quando i modelli che vuoi non sono su di esso: è dove già risiede il resto della pipeline. Il triage dei documenti che deve rimanere all'interno della tua rete viene eseguito sul tuo deployment Intern-S2-397B o Super VL; le chiamate di estrazione, classificazione e riepilogo che lo circondano vengono eseguite su un modello ospitato con la stessa chiave. Il DSL di routing è ciò che mantiene leggibile quel confine — espresso come una condizione sul prompt anziché come un ramo sepolto nel codice dell'applicazione — e il failover automatico significa che il fallimento della metà self-hosted non porta con sé la richiesta. Zero markup conta qui in modo più banale: qualunque cosa costi oggi la metà ospitata della tua pipeline, qui costa lo stesso, perché il prezzo di listino del provider viene passato invariato.

Scegliere tra loro
Scegli Intern-S2-397B se devi essere operativo oggi senza acquistare hardware, se il tuo ambito è la letteratura scientifica e le figure, se segnali grezzi o input di serie temporali fanno parte del carico di lavoro, oppure se un endpoint ospitato e mantenuto dal fornitore vale più per te del controllo sul deployment. Gli 807 GB di pesi sono un costo reale, ma l'API ospitata significa che puoi stabilire se il modello è valido prima di pagarlo.
Scegli Nemotron 3.5 Super VL 120B A12B se il video è un input, se hai un solo H200 o una DGX Spark anziché una flotta, se il modello deve risiedere all'interno della tua rete, o se intendi fare fine-tuning — NVIDIA ha pubblicato i dataset di post-training e gli ambienti RL di NeMo Gym insieme ai pesi, e questa è la metà più riutilizzabile del rilascio. Fai passare il tuo set di documenti attraverso la build NVFP4 prima di impegnarti, e testa specificamente il recall sul contesto lungo invece di fidarti del valore di 1M token.
Non scegliere nessuno dei due, per ora, se ciò di cui hai effettivamente bisogno è un modello con una valutazione indipendente su cui poter fare affidamento. I numeri di Intern-S2-397B sono tutti dichiarati dal fornitore e la copertura del suo panel non è chiara; Super VL ha esattamente un punteggio di terze parti ed è un singolo valore di indice. Due modelli visivi open, a circa sei settimane di distanza dalla pubblicazione, entrambi con tabelle di benchmark non riprodotte e nessuno dei due su una classifica neutrale in modo da poterli confrontare — la mossa responsabile è testarli sui tuoi documenti, e l'API del fornitore è ciò che rende economica metà di quest'operazione.
Cosa tenere d'occhio: una voce di un panel indipendente per Intern-S2-397B, che trasformerebbe l'intera sua scheda da affermazioni a prove; un prezzo e un endpoint per Super VL, che rimuoverebbe l'H200 dai requisiti di ammissione; e un dato corretto di Terminal-Bench da NVIDIA, che risolverebbe l'unico punto in cui due documenti primari dello stesso fornitore si contraddicono tra loro.

Nulla di tutto ciò è un motivo per evitare il modello, ma solo un motivo per conoscerne la storia: gli incidenti documentati legati all'IA e i fallimenti degli agenti alle spalle dei modelli di questa classe sono raccolti in l'Archivio degli incidenti IA di OrcaRouter, dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di affidabilità e il contrassegno di controversia.
