GPT-6 Astra vs Intern-S2: 각각이 실제로 받아들이는 것

이 비교에 등장하는 두 모델은 모두 멀티모달이라고 설명되지만, 그 단어는 두 경우 모두에서 거의 아무런 역할도 하지 않는다. GPT-6 Astra는 OpenAI가 2026년 9월 3일에 공개한 모델로, 텍스트와 이미지를 받으며 — OpenAI 자체 문서에서는 확인되지 않는 라우터 목록에 따르면 — 파일 입력도 받는다. Intern-S2-397B는 Shanghai AI Laboratory의 InternLM 팀이 2026년 9월 13일에 Apache-2.0으로 공개한 4030억 매개변수 과학 모델로, 텍스트, 이미지, 시계열 신호를 받으며, 예측 경로는 모델 자체의 기본 서빙 레시피가 아니라 LMDeploy를 통해 연결된다. 어느 쪽도 오디오를 받지 않는다. 어느 쪽도 비디오를 받지 않는다. 흥미로운 질문은 어느 쪽이 더 멀티모달인가가 아니라, 이 두 입력 표면 중 어느 것이 당신의 작업이 실제로 만들어 내는 것인가이다. 왜냐하면 둘은 거의 겹치지 않고, 어느 쪽도 다른 쪽을 대체하지 못하기 때문이다.

겉보기만 비슷한 두 개의 입력 표면

실제 워크로드가 맞닿는 차원을 기준으로 스펙을 정렬하세요:

• 텍스트 — 두 모델 모두: GPT-6 Astra는 단일 요청에서 최대 922,000 입력 토큰; Intern-S2-397B는 텍스트 추론에 대해 최대 추론 길이 256,000 토큰으로 평가됨

• 이미지 — 둘 다지만, 방식은 다르다: Astra는 하나의 요청에서 긴 문서와 함께 이미지를 받아들이고, Intern-S2-397B는 기호적 내용과 시각적 내용을 함께 모델링한 과학 문헌의 원본 페이지를 읽도록 사전 학습되었는데, 이는 무엇을 받아들이는지가 아니라 어떻게 학습되었는지에 관한 주장이다

• 시계열 — Intern-S2-397B 전용, 자체 예측 헤드를 통하며, 현재는 LMDeploy를 통해

• 파일 입력 — 라우터 목록에 따르면 GPT-6 Astra; O​penAI 자체 목록에는 텍스트와 이미지가 있으므로 확인되지 않은 것으로 취급하세요

• 오디오와 비디오 — 둘 다 아님

• 출력 — 양쪽 모두 텍스트, 그리고 텍스트만

• 추론 제어 — GPT-6 Astra는 reasoning.effort를 low, medium, high, xhigh, max로 노출하며, Intern-S2-397B는 기본적으로 thinking이 켜진 상태로 실행되고 요청별로 enable_thinking=False로 이를 끕니다.

• 가중치 — Intern-S2-397B Apache-2.0, FP8 및 BF16으로 다운로드 가능; GPT-6 Astra는 비공개, API 전용

시계열 행은 일부 구매자에게는 이 맞대결을 결정짓고, 다른 모든 사람에게는 이를 제외시키는 항목이다. 시계열 예측은 긴 텍스트 프롬프트로 근사할 수 있는 역량이 아니다. 입력은 고유한 구조를 지닌 수치 데이터이며, 이에 대해 훈련되지 않은 모델은 숫자를 프롬프트로 직렬화한다고 해서 그 역량을 얻지 못한다. 그것이 당신의 워크로드라면 비교는 끝난 것이며 벤치마크 표는 필요 없다. 그렇지 않다면 그 행은 무관하며, 이 페이지의 나머지 부분이 바로 당신이 읽고자 하는 내용이다.

중요한 컨텍스트 번호는 평가된 번호입니다

마케팅 페이지는 윈도우를 인용하고, 벤치마크 표는 모델이 실제로 실행된 길이를 인용한다. 그리고 동작을 예측하는 것은 두 번째 숫자다. 여기서의 이 격차는 시사하는 바가 크다.

GPT-6 Astra의 윈도는 1,050,000 토큰이며, 최대 입력 922,000, 출력 128,000입니다. 문서화된 서비스 구간은 이를 사용하는 비용에 대해 솔직합니다. 입력 토큰 272,000개를 초과하는 요청은 입력 100만 토큰당 $20.00, 출력 100만 토큰당 $75.00로 재책정되며, 캐시 읽기는 $2.00, 캐시 쓰기는 $25.00이고, 초과분이 아니라 요청 전체에 적용됩니다. 그 기준 아래에서는 미터가 $10.00, $1.00, $12.50을 가리키고, 출력은 $50.00입니다.

Intern-S2-397B의 카드는 자체 한계를 헤드라인이 아니라 방법론 노트에 명시한다. 텍스트 추론 벤치마크는 최대 추론 길이 256,000 토큰으로, 멀티모달 벤치마크는 64,000으로 실행되었다. 그것은 모델의 상한선이 아니다 — 모델 카드는 구매자가 알아볼 수 있는 형태로 그런 상한선을 공개하지 않는다 — 그러나 그것은 카드의 모든 숫자가 산출된 길이다. 64,000 토큰의 이미지 컨텍스트 안에서만 입증된 능력은 64,000 토큰의 이미지 컨텍스트 안에서 입증된 능력이며, 길이를 빼고 같은 점수를 싣는 페이지는 사실의 절반만 인쇄하는 셈이다.

이것은 이 두 모델 모두에게 요구되는 규율이며, 어느 벤더의 자료도 이를 쉽게 만들어 주지 않습니다. Astra의 벤더 수치는 한 벤치마크에서 그 수치를 37점이나 바꿔 놓는 하네스가 함께 제공되며, Intern-S2의 수치는 최대 추론 길이가 함께 제공되는데, 이는 그중 어느 것이 당신의 워크로드에 전이되는지를 좌우합니다. 두 표 중 어느 것을 읽기 전에든 두 각주를 모두 읽으십시오.

Intern-S2-397B의 숫자는 무엇이며, 누가 그것들을 산출했는가

아래의 모든 수치는 모델을 학습시킨 팀이 OpenCompass, VLMEvalKit, AgentCompass를 통해 실행하고 가중치와 함께 공개한 InternLM 자체 수치입니다. 그중 독립적으로 재현된 것은 하나도 없습니다. Artificial Analysis에는 Intern-S2-397B 페이지가 없으며, 이 부재는 평소보다 더 중요합니다. 일반 역량 항목을 대조해 확인할 제3자가 없다는 뜻이기 때문입니다.

과학 분야 항목들은 이 모델이 가장 강력한 부분이며, 그 존재 이유가 가장 분명하게 드러나는 대목이다: Biology-Instructions에서 55.71, SciReasoner 1.5에서 63.28, MolecularIQ에서 62.35, Mol-Instructions에서 53.95. 그와 나란히, 괜찮은 일반 항목들도 있다: MMLU Pro에서 89.77, MMMU Pro에서 81.68, HMMT-2026에서 93.56, SWE-bench-Pro에서 68.54. 그리고 이 모델이 어떤 종류인지 말해주는 항목이 하나 있다 — TerminalBench 2.1에서 64.04로, 연구소 자체 표에 따르면 더 오래된 폐쇄형 세대에게 뒤진다. Intern-S2-397B는 일반적으로도 유능한 과학 도구이지, 과학 전문성을 덧붙인 범용 모델이 아니다.

GPT-6 Astra의 수치가 무엇인지, 그리고 어디가 가장 취약한지

Astra의 기록은 두 부분으로 나뉘며, 두 부분은 강조점이 서로 일치하지 않는다. Artificial Analysis는 현재 Intelligence Index에서 10개 평가에 걸쳐 53으로 측정하며, 완료된 지수 작업당 $3.26이고, 해당 실행에서 약 6천만 개의 출력 토큰을 생성하는데, 이는 약 8,500만에 가까운 보드 중앙값과 대비되며, 초당 출력 토큰 44.6개이다. 이는 방법론이 공개된 독립 평가이며, 이 모델을 지능 부문에서 216개 중 7위, 속도 부문에서 185개 중 168위에 올려놓는다.

벤더 측 절반은 그 자체로 하나의 표다: FrontierMath Tier 4에서 98%로, 해당 티어를 포화시킨다고 설명되며; ARC-AGI-3에서 99.9%; ExploitBench에서 100%로, Astra는 회사의 Critical 사이버보안 역량 임계값을 넘은 첫 OpenAI 모델이며; Terminal-Bench 4.0에서 57.9%로, GPT-5.6 Sol의 37.3%와 대비된다. 각 수치는 OpenAI에 돌릴 수 있으며 어느 것도 재현되지 않았다. ARC-AGI-3 수치는 가장 멀리 퍼졌고 가장 회의적으로 볼 가치가 있다: ARC Prize는 두 가지 하네스로 모델을 실행해 둘 다 공개했는데, 표준 하네스에서는 62.7%, 요청 간 추론 상태를 보존하는 공급자 어댑터에서는 99.9%를 기록했다. 37포인트 격차는 스캔들이 아니라 하네스를 측정한 결과다 — OpenAI는 두 설정을 모두 문서화했다 — 그러나 99.9%를 다른 모델의 표준 하네스 수치와 맞세우는 비교는 두 실험을 비교해 놓고 그것을 벤치마크라고 부르는 셈이다.

여기에는 또 하나의 비대칭이 포함된다. 그것이 바로 계획을 세울 때 기준으로 삼아야 할 수치가 독립 수치인 이유이기 때문이다. Intern-S2-397B의 카드에는 독립 열이 전혀 없어서, 그 수치들이 유일한 수치이며, 그것들은 벤더의 권위만을 담고 있을 뿐이다. Astra에는 둘 다 있으며, 그것들은 Astra가 일반 추론을 얼마나 잘하는지에 대해 서로 엇갈리는데, 둘 중 하나는 틀릴 수밖에 없는 방식이다 — 벤더 표는 포화라고 말하고, 지수는 7위라고 말한다.

"프리 웨이트"는 자본이 걸린 결정이다

Intern-S2-397B는 Apache-2.0이며, 실질적인 결과는 라이선스가 아니라 산수입니다. 공개된 체크포인트는 4,030억 개 파라미터이고, BF16 리포지토리는 약 807GB를 차지합니다 — 서빙 스택, KV 캐시, 롤백을 위해 남겨 두는 두 번째 사본까지 세기 전의 수치입니다. FP8 빌드도 존재하며 차지하는 용량을 대략 절반으로 줄입니다. 연구소는 LMDeploy, vLLM, SGLang을 지원 서버로 문서화하고 있으며, 자체 도구 호출 예제는 LMDeploy 서버의 OpenAI 호환 엔드포인트이므로 통합 경로는 특이하지 않습니다. 하드웨어는 특이합니다.

같은 라이선스에서 아주 다른 두 가지 경제성이 나옵니다. 이미 여유 용량이 있는 멀티 GPU 노드를 보유하고 있다면, 다음 과학적 질의의 한계 비용은 전기료에 가까워지며, 토큰당 과금 경쟁자는 이를 따라잡을 수 없습니다. 이것이 바로 오픈 웨이트가 존재하는 이유 전체입니다. 보유하고 있지 않다면 "무료"는 용량을 구매하거나 임대하는 것을 의미하며, 임대 용량에서는 종량제 API와의 비교가 활용률에 관한 단순한 산술 문제가 되는데, 이는 모델 카드가 대신 답해 줄 수 있는 것이 아닙니다. 같은 문제에 대한 Astra의 입장은 더 단순합니다. 요금표, 운영 팀 없음, 그리고 $20.00 / $75.00의 장문 컨텍스트 구간은 1,050,000토큰 윈도가 초래하는 바로 그 크기의 요청에 부담을 안깁니다.

자체 호스팅 방식을 선호하게 만드는, 놓치기 쉬운 한 가지 세부 사항이 있습니다: Apache-2.0 라이선스는 이 모델을 규제 환경에서 애초에 사용할 수 있게 해주는 바로 그 요소입니다. 독점 데이터로 파인튜닝하기, 망 분리 상태로 실행하기, 추론을 데이터 경계 안에 유지하기는 Astra의 API가 어떤 가격으로도 제공할 수 없는 세 가지이며, 이를 반영하는 벤치마크 항목은 없습니다.

이와 같은 페어링에서 라우터가 위치하는 곳

Intern-S2-397B는 OrcaRouter에 없으며 이 페이지도 그렇다고 주장하지 않습니다. 이는 새로운 오픈 체크포인트이고, 이를 이용하는 경로는 벤더의 공식 Intern API 또는 직접 배포하는 것입니다. GPT-6 Astra는 저희 카탈로그에 openai/gpt-6-astra로 있으며, OpenAI의 정가 요율이 저희 마크업 0%로 그대로 적용됩니다.

둘 다 운영하는 팀에게 유용한 형태는 선택이 아니라 분할이며, 이는 라우팅 계층이 존재하는 이유인 구성입니다: 일반적이고 긴 컨텍스트의 문서 중심 트래픽을 종량제 모델로 보내고, 하나의 OpenAI 호환 엔드포인트 뒤에, 그리고 과학 및 시계열 배치 작업은 직접 운영하는 체크포인트에 그대로 두십시오. 그러면 자동 페일오버가 어느 한쪽이 비정상인 경우를 처리합니다 — 노드가 다운될 때는 자체 호스팅 구간을, 공급자 경로가 저하될 때는 API 구간을 — 어느 팀도 두 번째 통합을 작성하지 않고도. 그것은 아키텍처가 아니라 라우팅 규칙으로 그어진 경계입니다.

어느 것

입력이 이 모델이 훈련된 특정한 의미에서 과학적이라면 — 그림이 많은 문헌 페이지, 분자 및 재료 구조, 시계열 신호 — 또는 데이터가 인프라를 떠날 수 없어 Apache-2.0이 결정적 속성이라면 Intern-S2-397B를 선택하십시오. 다른 무엇보다 먼저 하드웨어 예산을 세우고, 카드를 믿기보다 직접 평가를 실행하십시오. 기댈 수 있는 독립적인 수치가 없기 때문입니다.

작업이 에이전트 기반이고 장기적인(long-horizon) 성격이라면, 단일 요청에서의 922,000토큰 입력이 실제로 만들어 내는 형태라면, 또는 그 결정을 다른 사람에게 방어하기 위해 독립적인 스코어보드가 필요하다면 GPT-6 Astra를 선택하세요. 완료된 인덱스 작업당 $3.26은 이 비교에서 가장 높은 수치이며, 그 대가로 얻는 모델은 그 작업을 수행하면서 약 60M 토큰을 출력하는데 중간값 모델은 85M을 출력합니다 — 그래서 토큰당 가격은 결정할 때 기준으로 삼아야 할 잘못된 숫자이고, 완료된 작업당 비용이 올바른 숫자입니다. 짧고 대용량인 트래픽에는 선택하지 마세요. 그리고 비용 모델을 다시 실행하지 않고 272,000토큰 선을 넘지 마세요. 왜냐하면 그 선은 전체 요청의 입력 요율을 두 배로 만들기 때문입니다.

두 가지는 서로를 대체하는 것이 아니며, 그 이유는 벤치마크 점수에 있지 않다. 하나는 입력한 센서 판독값 표를 받아들이고, 다른 하나는 종이 문서를 스캔한 페이지를 받아들이며, 어느 쪽도 다른 쪽이 불필요해질 만큼 두 가지를 모두 잘 해내지는 못한다. 당신의 업무가 어떻게든 둘 모두를 만들어 낸다면, 조직의 어느 팀이 어느 절반을 담당하는지는 이미 알고 있을 것이다.

릴리스는 또한 이전에 무엇이 잘못되었는지 점검하는 순간이기도 합니다: 이 등급의 모델과 관련하여 문서화된 AI 사고 및 에이전트 실패는 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급 및 이의 제기 플래그가 포함되어 있습니다.