Una card con titolo hero per il confronto "Sage-S2.1-Flash vs Qwen 3.8 Flash", con il sottotitolo "Uno ha un listino prezzi. L'altro ha 645 GB di pesi e una model card vuota", tre card con scritto "321B totali / 18B attivi", "645 GB BF16 / 8x H200 per il serving" e "/bin/bash.15 in / /bin/bash.47 out per 1M token", e un piè di pagina che segnala che i dati di Sage-S2.1-Flash provengono dal suo repository Hugging Face e il prezzo di listino di Qwen 3.8 Flash da QwenCloud il 16 novembre 2026; il logo OrcaRouter è compositato nell'angolo in basso a destra.
Guides & Insights

Sage-S2.1-Flash vs Qwen 3.8 Flash: otto H200 contro quindici centesimi

Autore

Gideon Frost

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

La model card di Sage-S2.1-Flash è lunga ventuno byte. Si apre con un'intestazione di licenza, dice license: mit, e si ferma. Non c'è introduzione, né tabella di benchmark, né lunghezza di contesto, né uso previsto, né indirizzo di contatto. Il repository stesso non è vuoto — 120 shard di pesi bfloat16, circa 645 GB, più un file di configurazione, un template di chat, una guida al deployment e cinque piccole cartelle di adapter scientifici — ma tutto ciò che un lettore userebbe normalmente per decidere se interessarsi è stato omesso. I pesi sono stati pubblicati il 15 novembre 2026 e revisionati fino al 16. InternLM, l'organizzazione di modelli dello Shanghai AI Laboratory, non ha annunciato nulla: nessun post sul blog, nessun paper, nessun post sul sito della famiglia. Al momento della scrittura il repo mostra zero download per il mese, un like e nessun provider di inferenza che lo serva.

Qwen 3.8 Flash è il tipo opposto di oggetto. Alibaba lo vende tramite QwenCloud dal 26 agosto 2026 a 0,15 $ per milione di token in input e 0,47 $ per milione in output, ha pubblicato i suoi limiti di frequenza e la sua lista di strumenti, distribuito pesi aperti con il nome Qwen3.8-Flash-Next e inserito su quella scheda una tabella di benchmark di dodici righe. È attivo su OrcaRouter come qwen/qwen3.8-flash al prezzo di listino del fornitore stesso. Puoi inviargli una richiesta nei prossimi trenta secondi.

Quindi questo non è un confronto tra due modelli che puoi acquistare. È un confronto tra un modello ospitato economico con un prezzo pubblicato e un modello mixture of experts con pesi aperti da 321 miliardi di parametri, senza prezzo, senza punteggio e senza annuncio — e la domanda onesta non è quale dei due sia migliore, perché nessuno può ancora rispondere. È se mettere in piedi otto H200 per quello non misurato sia un uso migliore del denaro rispetto a pagare quindici centesimi per milione di token per quello misurato, e per quante squadre quella risposta sia mai sì.

Che cosa dimostra davvero il repository Sage-S2.1-Flash

Prima i fatti, perché sono più abbondanti di quanto suggerisca la scheda vuota. Il numero di parametri nell'indice dei pesi è 321,323,031,390, e la guida al deployment lo arrotonda a "320B-A18B": 320 miliardi in totale, 18 miliardi attivi per token. La configurazione testuale prevede 45 livelli, di cui 34 sono livelli di attenzione lineare del tipo gated delta-net e 11 sono livelli di attenzione sparsa della linea D​eepSeek, con 288 esperti instradati, otto di essi più un esperto condiviso attivati per token, una dimensione nascosta di 4,096 e un vocabolario di 154,880 token. Gli embedding di posizione massimi sono impostati a 1,048,576.

A two-column comparison scoreboard titled 'Sage-S2.1-Flash vs Qwen 3.8 Flash — the scoreboard': the left column Sage-S2.1-Flash reads Parameters '321B total, 18B active', Context '1,048,576 configured', Input price 'no hosted endpoint', Output price 'no hosted endpoint', Licence 'MIT, ungated', Published benchmarks 'none'; the right column Qwen 3.8 Flash reads Parameters '125B plus 51B n-gram, 6B active', Context '1,000,000 tokens', Input price '$0.15 per 1M', Output price '$0.47 per 1M', Licence 'Qwen community licence', Published benchmarks '12 rows, unreproduced'; the footer reads 'Sage-S2.1-Flash figures read from its repository; Qwen 3.8 Flash per Alibaba, vendor-reported.'; the OrcaRouter logo is composited in the bottom-right corner.

La licenza è MIT, senza alcuna clausola di uso accettabile nel repository. Vale la pena soffermarsi su questo punto: un MoE multimodale da 321B con una licenza permissiva, senza alcun blocco sul download, è un oggetto più raro di quanto il silenzio che lo circonda lasci intendere.

La genealogia è verificabile e leggermente sorprendente. La stringa dell'architettura è glm5_next, la classe è Glm5NextForConditionalGeneration, e la guida al deployment afferma senza mezzi termini che il modello utilizza l'architettura GLM-5.3-Flash e che le ricette del framework da seguire sono quelle ufficiali di GLM-5.3-Flash, con il percorso del modello sostituito. Il più vecchio e più grande Sage-S2.1 — 753 miliardi di parametri, architettura glm_moe_dsa, con ancora una model card "Atria Dawn" che lo descrive come basato su un backbone GLM-5.2 da 744B — è una generazione di backbone completamente diversa. Flash non è una versione distillata di S2.1. È un modello nuovo e più piccolo, costruito su un'architettura più recente proveniente da un laboratorio diverso, che porta lo stesso nome di famiglia.

Quel nome di famiglia è di per sé un bersaglio mobile. Il vecchio repository internlm/Atria-Dawn ora reindirizza a internlm/Sage-S2.1, e la scheda della destinazione del reindirizzamento dice ancora "Atria Dawn" in ogni intestazione — la rinomina è avvenuta senza che la documentazione la seguisse. Chi ha letto la copertura di Atria Dawn all'inizio dell'anno e ora cerca "Sage" dovrebbe capire che si tratta dello stesso repository con due nomi, e che Flash è il suo nuovo fratello più snello.

Gli adattatori scientifici sono la parte del repository che nessun annuncio di un fornitore avrebbe comunque spiegato. Sotto projectors/sage-s2.1-flash/ si trovano cinque piccole cartelle — cif/jarvis, dna/splice, ecg/phu01, eeg/neu06, protein-seq/mpbind — ciascuna contenente un file di configurazione e un proiettore da quattro a ventotto megabyte che mappa un flusso di caratteristiche scientifiche nello spazio a 4.096 dimensioni del backbone. Le strutture cristalline passano attraverso un encoder CHGNet 0.3.0, uno stato a 64 dimensioni per atomo. Le sequenze proteiche passano attraverso ESM2-t33-650M, uno stato dell'ultimo strato per residuo. L'adattatore DNA è un readout DNABERT2 adattato al task su tre caratteristiche; gli adattatori ECG ed EEG sono analogamente piccoli e specifici del task. Costo totale dei pesi per tutti e cinque: meno di 90 MB, contro 645 GB per il modello linguistico.

Quei file di configurazione fanno anche trapelare la provenienza che la scheda del modello aveva omesso. Indicano la directory del checkpoint del backbone, le marcature temporali dei run di addestramento e una fingerprint che riporta sage-s2.1-flash-hf111-bf16-norm-261113 — 13 novembre 2026, due giorni prima della comparsa dei pesi. È così che qui viene stabilita la discendenza: non da un comunicato stampa, ma da un campo di configurazione che il packaging ha dimenticato di rimuovere.

Ciò che Qwen 3.8 Flash pubblica e ciò che non pubblica

Il contrasto non è che Qwen sia onesto e Sage no: è che un fornitore documenta il proprio prodotto e l'altro non se n'è ancora occupato. La scheda di Alibaba per Qwen 3.8 Flash specifica un contesto da 1.000.000 di token con un input massimo di 991.000 token, un output massimo di 131.072 token e un budget di ragionamento di 262.144 token; input multimodale per testo, immagini e video con output testuale; function calling, output JSON strutturato, completamento del prefisso, caching del contesto, elaborazione in batch e fine-tuning; e sia i protocolli di richiesta di OpenAI sia quelli di Anthropic, motivo per cui si integra in Claude Code e Codex senza modifiche.

L'artefatto open-weights alla sua base è Qwen3.8-Flash-Next, pubblicato il 24 agosto 2026: 125 miliardi di parametri con 6 miliardi attivati, più una tabella di embedding di n-gram da 51 miliardi e una testa di previsione multi-token da 4 miliardi, 48 strati organizzati in dodici ripetizioni di tre blocchi gated-delta-net e un blocco di attenzione sparsa, 512 esperti con dieci instradati più uno condiviso attivi per token, e 262.144 token di contesto nativo estendibile a un milione. Alibaba descrive l'hosted Qwen 3.8 Flash come quell'architettura più funzionalità di produzione: la finestra predefinita da 1M e gli strumenti integrati sono le aggiunte. I pesi sono distribuiti con la licenza della comunità Qwen, non MIT.

La tabella di benchmark su quella scheda è dichiarata dal fornitore e non è stata riprodotta in modo indipendente. Leggila tenendo presente questa etichetta: DeepSWE 1.1 a 58,7, SWE-bench Pro a 62,5, SWE-bench Multilingual a 81,0, NL2Repo-Bench a 48,1, CoWorkBench a 73,9, JobBench a 55,7, Toolathlon Verified a 73,5, IFBench a 81,3, GPQA Diamond a 91,7, HLE a 35,9, LiveCodeBench v6 a 91,9 e Agents' Last Exam a 24,3 pass@1 con un punteggio di 51,2. Quei numeri sono Alibaba che si dà i voti da sola in una serie di confronti che include un predecessore da 397B e un modello Claude. Sono comunque molto più di quanto offra Sage-S2.1-Flash, che non offre assolutamente nulla.

A screenshot of the Hugging Face repository page for internlm/Sage-S2.1-Flash, captured in English on 16 November 2026, showing the YAML frontmatter line 'license: mit', the Safetensors format tag with the repository's parameter count, and the file listing that includes the chat template, on a repository whose model card has no description, no benchmark table and no intended-use statement.

Metti i due fianco a fianco sulle dimensioni su cui si basa realmente una decisione d'acquisto:

• Parametri totali — Sage-S2.1-Flash 321B, di cui 18B attivi per token, rispetto a Qwen 3.8 Flash 125B più una tabella n-gram da 51B, di cui 6B attivi

• Contesto — 1.048.576 token configurati rispetto a 1.000.000 pubblicati, con un massimo di 991.000 token di input e 131.072 token di output sul lato Q​wen

• Prezzo di input — Sage-S2.1-Flash non ne ha, perché nulla lo serve, rispetto a $0,15 per milione di token

• Prezzo di output — nessuno rispetto a $0.47 per milione, con letture dalla cache a $0.0184 per milione nel nostro listino

• Licenza — MIT, senza restrizioni, rispetto alla licenza community di Q​wen

• Valutazione pubblicata — zero benchmark rispetto a una tabella del fornitore di dodici righe, non riprodotta

• Peso per il serving — 645 GB in bfloat16 distribuiti su 120 shard, oppure 328 GB nella variante gemella FP8, rispetto a un endpoint ospitato

Il confronto dei prezzi che in realtà è una questione di spese in conto capitale

Non esiste un prezzo per token per Sage-S2.1-Flash da confrontare con $0,15, perché il modello non ha un endpoint ospitato da nessuna parte. Ciò che ha è un requisito di serving: otto H200 per il checkpoint bfloat16, secondo la configurazione di riferimento della guida al deployment stessa. Quindi il confronto non è centesimi contro centesimi, ma noleggio contro token, e si risolve in un unico numero che nessuno ha pubblicato.

Prendiamo un valore rappresentativo di $3 per GPU-ora per una H200 — un'ipotesi, non un preventivo, e la cifra varia da cloud a cloud e in base all'impegno. Otto di queste costano $24 l'ora, $576 al giorno, circa $17.500 al mese prima ancora di aver servito una singola richiesta. Ai prezzi di Alibaba, $576 comprano 3,84 miliardi di token di input o 1,23 miliardi di token di output. Quindi la questione del punto di pareggio è se il tuo traffico spenderebbe altrimenti più di $576 al giorno su Qwen 3.8 Flash — all'incirca l'equivalente di 3,8 miliardi di token di input, ogni giorno, in modo sostenuto.

Quel confronto è valido solo se sai quanti token al secondo produce Sage-S2.1-Flash su otto H200. Nessuno l'ha misurato e il repository non lo dice. Il conteggio dei parametri attivi offre un'intuizione approssimativa — 18B attivi contro 6B attivi suggerisce che il modello Sage richieda circa tre volte più calcolo per token generato — ma l'intuizione non è un dato di throughput, e senza di esso il calcolo del punto di pareggio sopra ha un'incognita su entrambi i lati. La variante FP8 riduce il peso residente da 645 GB a 328 GB, il che cambia l'hardware necessario; non ti dice quanto velocemente giri il risultato.

Per la maggior parte dei team quell’incognita è l’intero argomento. Un modello che non puoi valutare con benchmark per il throughput è un modello di cui non puoi calcolare i costi, e un modello di cui non puoi calcolare i costi non è un candidato per un percorso di produzione — è un oggetto di ricerca. Non è una critica al rilascio; è a questo che serve un rilascio non annunciato.

L’asimmetria delle prove, detta chiaramente

Due modelli, due modalità di fallimento dell'evidenza. Qwen 3.8 Flash ha benchmark dichiarati dal fornitore e ottantadue giorni di utilizzo da parte di terzi, il che significa che i suoi numeri non sono verificati, ma il suo comportamento è almeno osservabile: ci sono persone che lo eseguono, ne parlano e ne incontrano i limiti in pubblico. Sage-S2.1-Flash non ha né gli uni né gli altri. I suoi 645 GB di pesi sono una prova dell'esistenza di un modello reale più di quanto lo sarebbero una fuga di notizie o uno screenshot — questo è un artefatto rilasciato, non una voce — ma i pesi sono prova dell'esistenza, non della qualità.

Le cose specifiche che oggi restano inconoscibili: quanto ottenga Sage-S2.1-Flash su qualunque benchmark; quanto velocemente decodifichi; se i suoi embedding posizionali da 1M tengano su contesti lunghi o degradino come fanno la maggior parte delle estensioni a contesto lungo; se la torre di visione nella sua configurazione sia addestrata secondo standard di produzione o sia ereditata dal backbone; se i proiettori scientifici siano valutati su qualcosa oltre le loro stesse distribuzioni di addestramento; e quanto InternLM intenda far pagare, se del caso, per una versione ospitata. Il repository non risponde a nessuna di queste domande. Chiunque ti dica il contrario sta estrapolando dalla reputazione del backbone, che è un prior ragionevole e non una misurazione.

A cosa serve realmente il modello

I proiettori sono il segnale rivelatore. Nessuno aggiunge cinque adattatori di modalità scientifiche a un modello chat generalista quasi per ripensamento; la struttura delle cartelle, i template di prompt per attività e le scelte degli encoder descrivono un modello costruito per leggere cristalli, siti di splicing, tracce cardiache, tracce cerebrali e sequenze proteiche come input di prima classe anziché come descrizioni testuali di tali elementi. Le strutture cristalline sono tokenizzate come stati atomici con un limite massimo di 512 atomi; le sequenze proteiche trasportano stati per residuo con un'opzionale testa di readout scientifico; l'adattatore DNA è un readout di probabilità su un singolo oggetto.

Qwen 3.8 Flash non fa questo. Legge immagini, video e testo, e lo fa con numeri pubblicati su benchmark visivi — CharXiv, MathVision, ERQA, LVBench, OSWorld 2.0 — ma un reticolo cristallino renderizzato come PNG non è un reticolo cristallino. Se il tuo carico di lavoro è la biologia strutturale, lo screening dei materiali o l'analisi dei segnali fisiologici, la lettura onesta è che questi due modelli non competono per lo stesso lavoro e il confronto con Q​wen è un'ancora di prezzo più che un sostituto. Se il tuo carico di lavoro è testo e codice, i proiettori sono irrilevanti e Sage-S2.1-Flash è un modello chat da 321B senza scheda.

Una cautela sulla questione multimodale, perché la configurazione invita a un'interpretazione eccessiva. Il repository contiene una torre di visione a 24 layer con dimensione nascosta 1,024, input da 448 pixel e patch da 14 pixel, token di inizio e fine per immagini e video, e un template di chat con slot per immagini, video e audio. Ma il template è quello della famiglia GLM-5.3, gli slot audio non hanno una configurazione audio corrispondente, e l'unica istruzione specifica per i media nella guida al deployment riguarda immagini che arrivano all'interno dei risultati degli strumenti. Considera la torre come presente e non documentata: i pesi sono costruiti per accettare più che solo testo, e non è dichiarato cosa il rilascio intenda che tu gli fornisca in input.

L'attrito, che non è zero

Il self-hosting di Sage-S2.1-Flash non consiste semplicemente nel puntare vLLM verso un repository. Tre requisiti provengono dalla guida al deployment, e il secondo è quello problematico.

• --trust-remote-code è obbligatorio su ogni engine — il repository include il proprio tokenizer e processore e, senza il flag, gli engine caricano silenziosamente un tokenizer standard che codifica stringhe come <tool_call> come token di controllo anziché come testo, compromettendo il ragionamento e le chiamate agli strumenti senza alcun avviso

• vLLM 0.33.0 richiede una patch fornita per vllm/renderers/hf.py, perché quando i risultati dei tool paralleli tornano in un ordine diverso da quello delle chiamate, il template li renderizza nell'ordine delle chiamate mentre vLLM raccoglie le relative immagini nell'ordine dei messaggi, allegando silenziosamente ciascuna immagine al risultato sbagliato; la correzione upstream è ancora una pull request in bozza

• LMDeploy richiede transformers tra 5.17 e 5.19, perché la 5.19 rinomina il tipo di layer che il motore non accetterà; SGLang richiede la 0.5.20 o successiva, oltre al template di chat del repository passato esplicitamente, perché altrimenti SGLang installa il proprio template integrato per l'architettura

Ognuno di questi è un workaround documentato per un modello che ha un giorno di vita, e la guida ammette apertamente che i framework sono ancora in evoluzione. Niente di tutto ciò è irragionevole; è tutto tempo di ingegneria che Qwen 3.8 Flash non richiede, perché sul lato hosted basta un base URL e una chiave API.

Una chiave, due livelli di impegno molto diversi

Qwen 3.8 Flash è su OrcaRouter come qwen/qwen3.8-flash al prezzo di listino di Alibabatrasferito senza alcun ricarico — 0,15 $ per milione di token in input, 0,47 $ per milione in output, 0,0184 $ per milione per le letture dalla cache, una finestra di contesto di 1.000.000 di token e un limite massimo di output di 131.072 token. La pagina di QwenCloud indica 0,016 $ per la variante con cache implicita; la regola del pass-through significa che qualunque cosa cambi Alibaba, la ricevi lo stesso giorno anziché al successivo rinnovo contrattuale. Sage-S2.1-Flash non è nel catalogo e nulla lo fornisce, quindi non c'è alcuna route per raggiungerlo qui e nessun motivo per fingere il contrario.

A screenshot of the OrcaRouter model page for qwen/qwen3.8-flash, captured in English on 16 November 2026, showing the model name and model id, the per-million-token input and output pricing, the context window and maximum output limits, and the API access details for the model.

Il vero vantaggio del livello di routing in questa situazione è mantenere la valutazione poco costosa e reversibile. Esegui l'esperimento Sage sul tuo hardware, se lo hai, mantieni Qwen 3.8 Flash come percorso di produzione e lascia che una catena di failover stia dietro il nuovo percorso, così che un modello con una scheda vuota non diventi un singolo punto di guasto il primo giorno in cui gestisce traffico reale. Lo stesso principio vale per la questione più difficile — la fusione di modelli, in cui un panel risponde a un prompt con diversi modelli e un giudice li riconcilia, è il modo più economico per scoprire se un MoE scientifico da 321B vale il suo affitto: non migri, interroghi entrambi e leggi le risposte.

Chi dovrebbe scegliere cosa

Se in questo trimestre stai rilasciando testo o codice, Qwen 3.8 Flash è la risposta difendibile e Sage-S2.1-Flash non è affatto una risposta. Il modello Qwen costa meno per token di quasi qualunque cosa al suo livello di capacità, è documentato abbastanza bene da poterci pianificare sopra, ha una licenza abbastanza chiara da poterlo distribuire ed è osservabile pubblicamente. I suoi benchmark sono quelli di Alibaba e vanno trattati come dichiarazioni, ma una dichiarazione più ottantadue giorni di esperienza altrui battono un silenzio più tre giorni di esperienza di nessuno.

Se lavori nella biologia strutturale, nel protein design, nei materiali o nei segnali fisiologici, il calcolo si inverte. I cinque proiettori nel repository Sage-S2.1-Flash sono una capacità che né Qwen 3.8 Flash né la maggior parte dei modelli open offre a qualsiasi prezzo, la licenza è MIT e il requisito hardware — otto H200, o meno con il checkpoint FP8 — è il tipo di costo che un gruppo di ricerca sostiene già. La mossa giusta è scaricarlo, eseguire i controlli dei proiettori lato CPU forniti dal repository e misurare le due cose che non ti dice: il throughput di decodifica sul tuo hardware e l'accuratezza sul tuo set tenuto da parte. È una settimana di lavoro ed è l'unico modo perché questo modello diventi una decisione anziché una curiosità.

Il terzo caso è il più grande. Se sei solo curioso, l’atteggiamento corretto è attendere una model card. Quando InternLM ne pubblicherà una, i numeri che contano saranno quelli che questo repository non può fornire — throughput, degrado sui contesti lunghi, se la vision tower è attiva e quali punteggi ottengono i proiettori al di fuori delle loro distribuzioni di addestramento. Fino ad allora Sage-S2.1-Flash è un artefatto reale con una specifica non letta, e la cosa più utile al riguardo è che i pesi esistono, sono accessibili senza gate e sono MIT — il che significa che, quando qualcuno lo misurerà, non avrai bisogno di permessi per verificare il suo lavoro.

Confrontati in questo articolo2

Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno