Intern-S2-397B vs Intern-S2 Mobius: 397B 플래그십과 35B 추론기

Intern-S2-397B와 Intern-S2 Mobius는 둘 다 InternLM 모델이고, 둘 다 Apache-2.0이며, 둘 다 Intern-S2라고 불리지만, 그 이름 아래에서 둘은 거의 더 다를 수 없을 정도로 서로 다릅니다. Intern-S2-397B는 플래그십입니다: InternLM이 2026년 9월 13일에 출시한, 과학 지능과 장기 지평 에이전트를 위한 4030억 개 매개변수 전문가 혼합(mixture-of-experts) 모델입니다. Intern-S2 Mobius는 2026년 7월 29일에 등장한 350억 개 매개변수 추론 실험이며, 전역 공유 메모리와 반복 추론기를 갖춘 Mobius-v0 아키텍처를 기반으로 하고 Qwen3.5-35B에서 지속 사전 학습되었습니다. 이름 충돌이 바로 이 비교가 존재해야 하는 전체 이유입니다. 왜냐하면 "Intern-S2 review"를 검색하면 두 모델 모두 검색 결과에 나타날 것이고, 그 둘은 어느 방향으로도 서로의 대체재가 아니기 때문입니다.

두 아키텍처, 두 가지 역할

Intern-S2-397B는 전통적인 트랜스포머 MoE로, 중요한 부분에서 넓습니다: 60개 레이어, 토큰당 10개가 활성화되는 512개 전문가, 256K 텍스트 추론 컨텍스트와 64K 멀티모달 컨텍스트, 그리고 텍스트, 이미지, 시계열을 입력으로 받는 입력 표면을 갖추고 있습니다. 그 사전 학습 패러다임은 과학 문헌의 원시 페이지 — 그림, 레이아웃, 기호 표기, 산문을 함께 — 를 읽어 들이며, 강화 학습은 20개 이상의 과학 분야에 걸쳐 있고, 샌드박스 환경에서의 장기 지평 에이전트 훈련도 포함합니다. 이는 일반 모델이기도 한 전문 모델입니다: 자체 카드에서 MMLU Pro 89.77, MMMU Pro 81.68, SWE-bench-Pro 68.54이며, 모두 InternLM이 보고한 수치이고 재현되지 않았습니다.

Intern-S2 Mobius는 다른 질문에 대한 다른 베팅이다. 지식 저장과 추론 계산을 계층별로 묶는 대신, Mobius-v0 아키텍처는 지식 벡터로 이루어진 전역 공유 메모리를 유지하고, 여러 Reasoner가 이에 대해 반복적으로 연산하며 고밀도 연속 표현 위에서 은닉 상태를 정교화하도록 한다. 핵심은 추론 효율성이다. 계승한 Qwen3.5-35B 베이스라인 대비 거의 4배에 달하는 엔드투엔드 속도 향상과, 비슷하거나 더 강한 추론 점수다. 이는 특정 베이스라인에 관한 처리량 주장이며 — 독립적인 재현이 없는 벤더 주장이기도 하다 — 그러나 바로 이것이 이 모델이 존재하는 이유다.

• 아키텍처 — Intern-S2-397B: 표준 트랜스포머 MoE, 60개 레이어, 전문가 512개 / 활성 10개 vs Intern-S2 Mobius: Mobius-v0, 공유 메모리 + 반복 추론기.

• 규모 — Intern-S2-397B: 총 403B, BF16 기준 약 807 GB의 가중치 vs Intern-S2 Mobius: 총 35B.

• 계보 — Intern-S2-397B: 독자적 과학 사전 학습 패러다임 vs Intern-S2 Mobius: Qwen3.5-35B로부터 지속 사전 학습됨.

• 입력 — Intern-S2-397B: 텍스트, 이미지, 시계열 vs Intern-S2 Mobius: 텍스트, 이미지.

• 컨텍스트 — Intern-S2-397B: 256K 텍스트 / 64K 멀티모달 vs Intern-S2 Mobius: 아직 독립적으로 명시된 컨텍스트 수치 없음.

• 속도 관련 주장 — Intern-S2-397B: 별도로 광고된 내용 없음 vs Intern-S2 Mobius: Qwen3.5-35B 베이스라인 대비 엔드투엔드 추론 속도 약 4배 향상, 벤더 보고 기준.

• 독립적 증거 — 어느 모델도 제3자 점수를 갖고 있지 않음.

어느 번호가 어느 모델에 해당합니까?

이름 충돌은 리뷰를 읽는 순간 실질적인 위험이 된다. "Intern-S2"에 관한 벤치마크 주장 — MMLU Pro 89.77, HMMT-2026 93.56, Biology-Instructions 55.71 — 은 397B 플래그십에 관한 것이다. 왜냐하면 출시 표가 바로 그 모델에 대한 것이기 때문이다. "Intern-S2"에 관한 처리량 주장 — 거의 4배의 속도 향상 — 은 Mobius에 관한 것이다. 왜냐하면 추론 효율성을 겨냥한 아키텍처를 가진 모델이 바로 그것이기 때문이다. 두 수치 중 어느 것을 인용하기 전에든 파라미터 수를 확인하라. "Intern-S2가 4배 더 빠르다"고 말하는 리뷰와 "Intern-S2가 TerminalBench에서 Grok 4.6을 이긴다"고 말하는 리뷰는 서로 다른 모델을 말하고 있으며, 두 번째 주장은 해당 벤더의 자체 표에서조차 살아남지 못한다.

증거 측면에서는 두 모델 모두 InternLM 외부의 누구에 의해서도 테스트된 적이 없습니다. 플래그십의 카드는 OpenCompass, VLMEvalKit, AgentCompass를 통해 실행된 벤더 벤치마크 표이고, Mobius 카드는 설명에 더해 해당 모델이 파인튜닝된 기준 모델 대비 속도 향상 주장을 담고 있습니다. 독립적 검증의 부재는 대부분의 비교에서보다 여기서 더 중요합니다. 두 모델의 가장 강력한 주장이 완전히 다른 축에 있기 때문입니다. 하나는 역량, 다른 하나는 처리량이며, 어느 축도 아직 외부 측정치가 없습니다.

어느 것을 실행할까요

Intern-S2-397B는 과학적 이해가 필요한 작업, 즉 그림이 많은 논문을 읽거나, 분자 다이어그램을 분석하거나, 시계열 신호로 예측하거나, 연구 과제를 계속 수행해야 하는 긴 에이전트를 실행할 때 사용하세요. 이번 주 특집에서 다루는 모델이 바로 이것이며, 일반적인 성능 항목들도 충분히 괜찮아서 한 가지 재주만 가진 모델을 사는 셈은 아닙니다. 대가는 하드웨어입니다: 403B 체크포인트에는 본격적인 멀티 GPU 노드가 필요하며, 그런 노드가 없다면 공식 Intern API가 대안입니다.

하드웨어를 이미 보유하고 있고 벤치마크 점수 한두 점보다 토큰당 비용이 더 중요할 때, 대량 추론 작업이라면 Intern-S2 Mobius를 고려하세요. 기준 모델 대비 4배 처리량 우위가 그럴듯해 보이는 35B 모델은 정말 흥미로운 서빙 제안이지만, 그 위에 구축하기 전에 자체 트레이스에서 속도 향상을 검증하세요. 아직 InternLM 외부에서는 이를 재현한 사례가 없기 때문입니다. 어느 쪽이든 모든 문서에서 모델을 명시적으로 표기하세요. 이제 이름만으로는 어느 모델을 뜻하는지 알 수 없기 때문입니다.