
NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B: 두 오픈 비전 모델, 그중 하나는 오늘 실제로 호출할 수 있습니다
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100만 토큰당 · 89 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100만 토큰당 · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNEWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100만 토큰당 · 88 tok/s
- OrcaNEWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100만 토큰당 · 133 tok/s
- OrcaNEWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 100만 토큰당 · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100만 토큰당 · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100만 토큰당 · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447지능
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100만 토큰당 · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929지능
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100만 토큰당 · 123 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733지능
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740지능
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 100만 토큰당 · 131 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955지능
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855지능
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 100만 토큰당 · 189 tok/s
이 두 모델은 모두 오픈 가중치이고, 둘 다 멀티모달이며, 둘 다 상업적 사용을 위해 Apache 스타일 또는 OpenMDW 라이선스가 적용되며, 둘 다 구독하기보다 다운로드하는 종류의 것입니다. 대부분의 평가를 결정하는 차이는 어느 스펙 시트에도 없습니다. Intern-S2-397B, 2026년 9월 13일 Hugging Face에 공개된 InternLM의 4030억 매개변수 플래그십은, 이에 대해 읽은 당일 OpenAI 호환 클라이언트를 연결할 수 있는 벤더 호스팅 API를 갖추고 있습니다. NVIDIA Nemotron 3.5 Super VL 120B A12B, 2026년 10월 12일 Hugging Face에 업로드되었고 15일 NVIDIA의 발표에서 확인된 이 모델은 그렇지 않습니다: NVIDIA는 자체 NIM 마이크로서비스를 포함해 어떤 경로에서도 이에 대한 엔드포인트나 토큰당 가격을 공개하지 않았습니다. 따라서 이 중 하나는 토큰 하나로 오늘 오후에 평가할 수 있고, 다른 하나는 첫 프롬프트 전에 H200 또는 H100 4대가 필요합니다. 그 격차는 벤치마크 표의 어떤 7점 차이보다 더 가치가 있습니다.
배포 플로어, 나란히
여기서부터 시작하세요. 품질을 전혀 논하기도 전에 대부분의 독자에게 이 모델 중 하나를 제거해 주기 때문입니다.
• 총 파라미터와 활성 파라미터 — Intern-S2-397B는 60개 레이어와 512개 전문가에 걸쳐 토큰당 10개가 활성인 총 403B; Nemotron 3.5 Super VL 120B A12B는 인터리브된 Mamba-2, MoE 및 어텐션 레이어에 걸쳐 토큰당 12개가 활성인 총 120B.
• 디스크상 가중치 크기 — Intern-S2-397B는 대략 188개의 BF16/F32 샤드에 걸쳐 약 807GB이며, Super VL의 BF16 빌드는 그중 일부에 불과하고, NVFP4 빌드는 하나의 DGX Spark에서 실행할 수 있을 만큼 작습니다.
• 최소 구동 하드웨어 — Intern-S2-397B는 실제 멀티 GPU 플릿이 필요합니다; Super VL은 BF16에서 4× H100 또는 2× GB200이 필요하거나, NVFP4에서 H200 하나, GB200 하나, 2× H100 또는 DGX Spark 하나가 필요합니다.
• 호스팅 액세스 — Intern-S2-397B는 벤더 자체의 Intern API의 chat.intern-ai.org.cn/api/v1에서 모델 ID intern-s2-397b로 이용할 수 있으며, OpenAI 호환 및 Anthropic 호환으로 문서화되어 있습니다. Super VL은 어느 곳에서도 공개된 엔드포인트가 없습니다.
• 라이선스 — Intern-S2-397B는 Apache-2.0, Super VL은 OpenMDW-1.1. 둘 다 상업적 사용이 허용됩니다.
• 컨텍스트 — Intern-S2-397B의 경우 256K 토큰, 멀티모달 평가에서는 64K; Super VL의 경우 1M 토큰.
• 동영상 입력 — Super VL은 최대 2분 길이의 MP4를 받아들이며, 이를 프레임으로 샘플링한다. Intern-S2-397B의 문서상 입력 양식은 텍스트, 이미지, 원시 신호 데이터이다. 동영상은 여기에 포함되지 않는다.
그 목록을 두 번 읽어 보면 윤곽이 분명해진다. Intern-S2-397B는 호스팅된 출입구를 갖춘, 더 크고 더 오래되었으며 더 과학적인 모델이다. Super VL은 더 긴 윈도우와 비디오를 갖춘, 더 작고 더 최신이며 더 배포하기 쉬운 모델이며, 아직 출입구가 전혀 없다.
Intern-S2-397B는 실제로 무엇을 위해 만들어졌는지
InternLM는 이 모델이 세 축을 따라 확장된다고 설명하는데, 첫 번째는 이해할 가치가 있는 기술적 주장이다. 즉, 과학 문헌의 원시 페이지에서 직접 수행되는 비전-언어 사전 학습으로, 중간 파싱 단계 없이 공유 표현 공간에서 기호적 의미론과 시각적 관계를 공동으로 모델링한다. 그림, 표, 스펙트럼, 그리고 이들을 설명하는 문장은 텍스트를 추출한 뒤 이미지를 나중에 붙이는 방식이 아니라 함께 학습된다.
그 설계는 InternLM이 앞세우기로 선택한 벤치마크에 나타나며, 이것이 두 모델의 비전 수치가 서로 호환되지 않는 이유다. Intern-S2-397B의 카드는 ChartQAPro 71.12와 MMMU Pro 81.68을 보고하고 과학 특화 점수에서 앞선다 — Biology-Instructions 55.71, Mol-Instructions 53.95, MolecularIQ 62.35, SciReasoner-1.5 63.28, TOMG-Bench 66.76. Super VL의 카드는 OCR-Reasoning 65.08, OCRBench-v2 영어 68.12 및 중국어 59.15, MMLongBench-Doc 62.82, CharXiv-RQ 80.82, MathVision 78.16으로 앞선다. 서로 다른 과제, 서로 다른 훈련 분포이며, 어느 쪽 수치도 독립적으로 재현된 것이 아니다.
세 번째 축은 Intern-S2-397B를 에이전트 워크로드에서 이례적으로 만드는 요소입니다. 즉, 샌드박스 환경에서의 블랙박스 에이전트 강화 학습으로, 에이전트가 여러 프레임워크를 통해 연결되며 장기 지평 작업 상한을 명시적으로 겨냥합니다. Super VL에 대한 NVIDIA의 동등한 주장은 검증 가능한 보상과 다중 교사 온폴리시 증류로 끝나는 RL 기반 후속 학습 파이프라인이며, SWE-bench와 tau2-bench에서 평가됩니다. 둘 다 결과의 측정이라기보다 방법에 대한 주장입니다.
어느 경쟁사도 갖추지 못한 신호 입력 기능
Intern-S2-397B는 원시 신호 데이터를 받아들이며 — .npy, .csv 및 .wav — 를 텍스트 및 이미지와 함께 일급 입력 유형으로 삼으며, P파 및 S파 도달 인덱스를 감지하는 문서화된 지진 이벤트 예시와 점 및 분위수 예측을 forecast_horizon 매개변수를 통해 포함합니다. 이는 현재 LMDeploy에서만 지원되며, 벤치마크 결과가 아니라 추론 시점 기능입니다.
이 비교에 포함된 어떤 모델도 그와 같은 일을 하지 못하며, 어떤 폐쇄형 프런티어 모델도 마찬가지다. 센서 트레이스, 지진 데이터, 또는 이미지와 텍스트와 함께 추론해야 하는 시계열 예측을 다루는 작업이라면, Intern-S2-397B는 이 둘 중 더 나은 선택이 아니다 — 그것은 유일한 선택이며, 807GB의 가중치가 입장료다.
각 항목에 출처가 첨부된 벤치마크
두 모델 모두 깨끗한 독립 평가가 없고, 두 벤더 표는 단 하나의 행에서도 겹치지 않으므로, 이어지는 내용은 순위라기보다 주장을 읽어낸 것이다.
Intern-S2-397B는 InternLM이 자체 하네스(OpenCompass, VLMEvalKit, AgentCompass)에서 벤더 보고한 수치뿐이며, 재현되지 않았고, GPT-5.5를 비공개 참조로 삼았습니다: 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, FrontierScience-Research 55.00. Artificial Analysis에는 출시 당시 Intern-S2-397B 항목이 없었고 중립 리더보드에도 항목이 실리지 않았습니다 — 그 공백은 그 이후 메워졌을 수 있으므로, 이들 중 어느 것에든 의존하기 전에 확인해 볼 가치가 있습니다.
Nemotron 3.5 Super VL 120B A12B는 두 소스로 나뉩니다. NVIDIA가 NeMo Gym에서 벤더 보고한 수치: SWE-bench Verified 71.10, SWE-bench Multilingual 67.72, SWE-bench Pro 51.78, tau2-bench retail 69.24 및 airline 76.50, BrowseComp 78.91, GraphWalks 89.71, GPQA-Diamond 89.52, HLE 31.79 도구 없이, OCRBench-v2 68.12 영어, MMLongBench-Doc 62.82, Video-MME-v2 32.85. Artificial Analysis가 패널 측정한 결과, 그리고 이것은 이 기사 전체에서 유일하게 독립적으로 산출된 수치입니다: Intelligence Index 26.49, Terminal-Bench 4.0에서 0.0, 측정된 환각률 0.3585.
두 번째 블록에서 두 가지는 문제로 짚어야 한다. NVIDIA의 Terminal-Bench 2.1 수치는 모델 카드에 66.70으로, 기술 보고서의 요약 표에는 60.67로 나오는데, 그 문서들의 다른 모든 행은 서로 일치한다 — 둘 중 하나는 틀렸고, 레시피를 다시 실행하기 전까지는 어느 쪽도 인용하기에 안전하지 않다. 그리고 패널의 Terminal-Bench 4.0에서의 0.0은, Intern-S2-397B에 대해 자체 연구소가 다른 스위트에서 측정한 벤더 보고 수치인 TerminalBench 2.1의 64.04와 대비되는데, 이는 이름이 비슷해 보여도 터미널 에이전트 점수는 하네스 간에 비교할 수 없다는 점을 상기시킨다.

1M 토큰 윈도가 256K 대비 백만 달러대의 성과가 아닌 이유
스펙 시트에 따르면 Super VL은 100만 토큰을 지원하고 Intern-S2-397B는 256K를 지원하며, 멀티모달 평가는 64K에서 이루어진다. 패널의 장문맥 회상 수치인 AA-LCR 0.69를 붙이기 전까지는 NVIDIA 모델의 압승처럼 보인다. 100만 토큰 창과 1 미만의 장문맥 점수를 가진 모델은 100만 토큰을 입력할 수는 있어도 그 먼 끝에서는 그것들로 많은 것을 해내지 못할 수 있는 모델이다.
Intern-S2-397B의 256K는 텍스트 추론의 경우 256K, 멀티모달의 경우 64K로 문서화되어 있으며, InternLM은 장문맥 리콜 수치를 전혀 공개하지 않았습니다. 따라서 정직한 입장은 한 모델은 더 긴 윈도우를 갖지만 그에 대한 측정된 리콜이 낮고, 다른 모델은 더 짧은 윈도우를 갖지만 측정치가 없다는 것입니다. 장문맥 리콜이 워크로드의 핵심이라면, 이 둘 중 어느 것도 컨텍스트 길이만을 근거로 선택해서는 안 됩니다.
가용성, 그리고 두 모델 모두 당사 카탈로그에 없을 때 OrcaRouter가 어떻게 들어맞는지
Intern-S2-397B도 NVIDIA Nemotron 3.5 Super VL 120B A12B도 현재 OrcaRouter에서 제공되지 않으며, 이 글은 그와 반대되는 내용을 암시하지 않습니다. Intern-S2-397B는 벤더 자체 API와 LMDeploy, vLLM 또는 SGLang을 사용한 자체 호스팅을 통해 접근할 수 있으며, 배포 레시피는 모델 카드에 포함되어 제공됩니다. Super VL은 자체 호스팅만 지원합니다. NVIDIA의 NIM 마이크로서비스가 발표된 경로이며, 이에 대한 엔드포인트나 가격은 공개되지 않았습니다.
원하는 모델이 게이트웨이에 없을 때 게이트웨이의 가치가 무엇인지에는 구체적인 답이 있습니다: 그것은 나머지 파이프라인이 이미 자리 잡고 있는 곳입니다. 네트워크 내부에 머물러야 하는 문서 트리아지는 자체 Intern-S2-397B 또는 Super VL 배포에서 실행됩니다. 그 주변의 추출, 분류, 요약 호출은 동일한 키를 사용하는 호스팅 모델에서 실행됩니다. 라우팅 DSL은 그 경계를 명확히 드러나게 유지하는 역할을 합니다 — 애플리케이션 코드에 묻힌 분기가 아니라 프롬프트에 대한 조건으로 표현됩니다 — 그리고 자동 장애 조치는 셀프 호스팅 절반이 실패해도 요청이 함께 실패하지 않음을 의미합니다. 제로 마크업은 여기서 더 무미건조한 방식으로 중요합니다: 파이프라인의 호스팅 절반에 오늘 드는 비용이 얼마든, 여기서도 그만큼 듭니다. 왜냐하면 제공업체 정가가 변경 없이 그대로 전달되기 때문입니다.

그것들 중에서 선택하기
하드웨어를 구매하지 않고 오늘 바로 실행해야 한다면, 도메인이 과학 문헌과 그림이라면, 원시 신호나 시계열 입력이 워크로드의 일부라면, 또는 배포에 대한 통제권보다 공급업체가 유지 관리하는 호스팅 엔드포인트가 더 가치 있다면 Intern-S2-397B를 선택하세요. 807GB의 가중치는 실질적인 비용이지만, 호스팅 API를 사용하면 그 비용을 지불하기 전에 모델이 좋은지 확인할 수 있습니다.
비디오가 입력인 경우, 보유한 것이 플릿이 아니라 H200 한 대 또는 DGX Spark 한 대인 경우, 모델이 네트워크 내부에 있어야 하는 경우, 또는 파인튜닝할 계획이라면 Nemotron 3.5 Super VL 120B A12B를 선택하세요. NVIDIA는 가중치와 함께 포스트트레이닝 데이터셋과 NeMo Gym RL 환경을 공개했는데, 그것이 이번 릴리스에서 재사용성이 더 높은 절반입니다. 도입을 결정하기 전에 자체 문서 세트를 NVFP4 빌드에 돌려 보세요. 그리고 1M 토큰이라는 수치를 그대로 믿지 말고, 장문맥 회상 능력을 특히 테스트하세요.
당장은 둘 다 선택하지 마세요, 정말로 필요한 것이 신뢰할 수 있는 독립적 평가가 있는 모델이라면 말입니다. Intern-S2-397B의 수치는 모두 벤더가 보고한 것이고 그 평가 패널의 범위도 불분명합니다. Super VL은 제3자 점수가 정확히 하나뿐이며 그것도 단일 지표 수치입니다. 출시 시점이 약 6주 차이인 두 오픈 비전 모델 모두 재현되지 않은 벤치마크 표를 갖고 있고, 어느 것도 비교 가능한 방식으로 중립적인 리더보드에 올라 있지 않습니다. 책임 있는 선택은 여러분의 문서로 두 모델을 직접 벤치마킹하는 것이며, 벤더 API가 바로 그 작업의 절반을 저렴하게 만들어 줍니다.
주목할 점: Intern-S2-397B에 대한 독립 패널 항목은 해당 모델의 전체 카드를 주장에서 증거로 바꿔 놓을 것이며, Super VL의 가격과 엔드포인트는 진입 요건에서 H200을 제거하게 될 것이고, NVIDIA가 수정한 Terminal-Bench 수치는 한 벤더의 자체 주요 문서 두 개가 서로 모순되는 단 한 곳을 해결하게 될 것입니다.

이 중 어느 것도 해당 모델을 피해야 할 이유는 아니며, 단지 그 이력을 알아야 할 이유일 뿐입니다: 이 계열에 속한 모델 뒤에 있는 문서화된 AI 사고와 에이전트 실패는 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목은 자체 출처, 심각도, 신뢰도 등급 및 이의 제기 플래그를 포함합니다.
