Muse Wonder vs Intern S2：1,048,576トークン対256K、そして共通のものさしはない

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.

この比較で有益なのは、どちらのモデルが勝つかではない。一方は、自組織の境界内で実行できる科学文書作業用の道具であり、もう一方は、非常に大きな定額枠を備えた、借り物の汎用モデルだ。両者は別種の買い物である。

各モデルの正体

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は、Meta Superintelligence Labsが2026年10月12日にリリースしたフロンティアモデルであり、2つのチェックポイントからなるシリーズとして発表された。トークン単位のエンドポイントを持つのはmuse-wonder-1.0のみで、Meta Model API上およびMuse Code内で利用できる。より高スコアな構成であるMuse Wonder Fullは、Muse Codeのサブスクリプションを通じてのみ販売され、公開された料金表は存在しない。呼び出し可能なチェックポイントはテキスト、画像、音声、動画を入力として受け取り、テキストを返し、1,048,576トークンのコンテキストウィンドウを備え、単一の応答を943,718トークンに制限する。価格は100万入力トークンあたり$4.00、キャッシュ済みで$0.20、出力は$20.00で、推論はminimalからmaxまでのeffortラダーで必須実行され、デフォルトはmediumである。重みもライセンスもなく、エンドポイントが変更された場合に動かし続けられるバージョンも存在しない。

それが両者の最初の実質的な違いであり、ベンチマークの行ではない。一方はファイルだ。もう一方は契約だ。

コンテキストウィンドウ。2つのモデルではその意味が異なる

スペック表の比較が最も人を誤らせるのはまさにこの点です。というのも、どちらのモデルも長文コンテキスト対応と普通に説明されているからです。

• テキストコンテキスト — Muse Wonder は1つのウィンドウで1,048,576トークン、テキスト推論には Intern-S2-397B の256K

• マルチモーダルコンテキスト — Muse Wonder のフルウィンドウは画像・音声・動画入力をカバーし、Intern-S2-397B は別途 64K のマルチモーダルコンテキストを備えています

• 1回の応答における最大出力 — Muse Wonder 943,718トークン、Intern-S2-397B は比較可能な数値としては公開されていない

• 入力サーフェス — Muse Wonder: テキスト、画像、音声、動画、Intern-S2-397B: テキスト、画像、時系列

• 時系列予測 — Muse Wonder なし；Intern-S2-397B 対応、現在LMDeploy経由でのみ接続

• 料金 — Muse Wonder は100万トークンあたり、入力 $4.00、キャッシュ済み $0.20、出力 $20.00。Intern-S2-397B は、配布形態がダウンロードであるため、トークンあたりの料金は公表されていません。

予測の行は、反対側に対応するものが存在しない唯一の行であり、それはマーケティング上の機能ではない。モデルが今の形で存在している理由そのものである。時系列シグナルを取り込み、予測を生成するモデルは、テキストモデルにはどれほどウィンドウサイズが大きくても求めようがないことを行っている。それがあなたのワークロードなら、比較はすでに終わっている。

それ以外のすべての人にとって、重要な問いは実際に何が収まるかだ。定額で使える1,048,576トークンのウィンドウは、自分が所有するハードウェア上での256Kのテキストウィンドウとは別の製品であり、その違いは、長いコンテキストを面白くしたまさにそのワークロード——プロンプトに入れたコードベース、論文のコーパス、履歴を保持し続ける長いエージェントセッション——に現れる。

エビデンスベースは、{{1}}触れない{{/1}}

2つのモデルが公表している数値を同じ軸上に置くことはできず、その理由については率直に述べる価値がある。

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.

つまり、一方のモデルの強みは、第三者が一度も再実行していない科学ベンチマークにおいて、その開発者によって主張されている。もう一方の強みも、エージェント型ベンチマークにおいて同様だ。どちらも、他方と比較されたことは誰にもない。誠実なページがそれについてできる唯一のことは、それを声に出して言うことだ。

比較が価格で決まる場合と、そうでない場合

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.

それが意思決定に与える影響は、「無料か有料か」よりも微妙だ。ダウンロードしたチェックポイントは、変動費を資本コストに変え、ベンダーとの関係を自分が所有する成果物に変える。データを自社の境界の外に出せない場合、ワークロードが十分に安定していてGPUを正当化できる場合、再現性がベンチマークの1点よりも重要な場合には、それは大きな価値がある。トラフィックが急変する場合、チームにサービングスタックがない場合、自分が何もしなくてもモデルに改善してほしい場合には、ほとんど価値がない。

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.

誰がどれを選ぶべきか

科学を読む仕事、つまり図表の多い論文、分子図、スキャンした表、時系列信号からの予測、あるいは研究タスクを継続して進めなければならないエージェントで作業するときは、Intern-S2-397Bを選ぼう。Apache-2.0ライセンスなので、独自データでファインチューニングし、その結果を自社の境界内に保持できる。これはこの比較の中で、どの料金表にも表れない部分だ。ハードウェアの予算を見込み、数か月は独立したスコアボードを期待しないこと——リポジトリはできて数週間しか経っておらず、第三者による測定結果もない。

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.

両方を必要とするチームは、それらの間の境界を移行ではなくルーティングの問題として扱うべきだ。一般トラフィックは呼び出せるモデルで流し、科学作業は手元に保持できるチェックポイント上で続け、Intern-S2-397B のターミナル性能に関するベンダーの数値を信じる前に、自分たちの評価を再実行せよ——ベンダー自身の表の中で、それが最も見栄えのしない行だからだ。