GPT-6.1 Sol vs Intern S2: De een heeft een prijs, de ander heeft gewichten

Het vreemdste aan het vergelijken van GPT-6.1 Sol met Intern S2 is dat één kant van de vergelijking geen prijs heeft die je kunt opzoeken. De Intern-S2-397B van Shanghai AI Laboratory, gepubliceerd op 2026-09-13, levert Apache 2.0-gewichten op Hugging Face, een technisch rapport en een door de leverancier gehost API-eindpunt — en nergens een gepubliceerd tarief per token. GPT-6.1 Sol van OpenAI, uitgebracht op 2026-09-29, kost $2,00 per miljoen inputtokens en $10,00 per miljoen output, met een gedocumenteerd tariefniveau boven 272.000 prompttokens, en al die cijfers staan op een openbare prijspagina. De eerlijke manier om deze combinatie te framen is dus niet "welke is beter", maar "voor welke van de twee kun je daadwerkelijk een factuur voorspellen" — en het antwoord verschilt om redenen die niets met capaciteiten te maken hebben.

Alles hieronder valt netjes uiteen in twee bewijsbases, en ze gescheiden houden is het grootste deel van het werk. De cijfers van GPT-6.1 Sol zijn onafhankelijk, afkomstig van Artificial Analysis, behalve waar een zin anders aangeeft. De cijfers van Intern-S2 zijn van InternLM zelf, door geen enkele derde partij gereproduceerd, en de zinnen die ze bevatten zeggen dat ook.

Twee systemen onder één naam

Intern S2 is geen enkel model, en het is de moeite waard om die verwarring eerst uit de wereld te helpen. De familie bevat minstens twee gepubliceerde artefacten:

• Intern-S2-Mobius — een open-weight model met 35 miljard parameters onder Apache 2.0, continu voorgetraind vanaf Qwen3.5-35B, met een Mobius-v0-architectuur met een gedeeld Memory van 2.560 experts, vier Reasoner-blokken en 40 lagen. Deployment-richtlijnen beschrijven ongeveer 3 miljard actieve parameters per token met een 3:1 hybride attentionpatroon, een context van 256.000 tokens en een visietoren. De gewichten verschenen op 2026-07-29; de GitHub-repository en het technisch rapport volgden op 2026-08-05; vLLM-ondersteuning werd samengevoegd op 2026-08-06.

• Intern-S2-397B — het vlaggenschip, gepubliceerd op 2026-09-13. Ongeveer 397 miljard totale parameters in een Qwen3.5-MoE-architectuur, 512 experts waarvan 10 actief, Apache 2.0-gewichten op Hugging Face samen met een modelkaart, een officiële Intern API-vermelding, en vLLM Day-0-ondersteuning die de volgende dag werd aangekondigd, met een gepubliceerd recept voor FP8-inferentie op acht H100's of acht H200's. De gepubliceerde limieten zijn 256.000 tokens tekstcontext en 64.000 tokens multimodale context.

GPT-6.1 Sol is het eenvoudigere object: één snapshot-ID, gpt-6.1-sol, geen gedateerde variant, 1.050.000 tokens context, 128.000 maximale output, tekst-, afbeeldings- en bestandsinvoer, vijf niveaus van redeneerinspanning met medium als standaard, en een opgegeven kennisafsluitdatum van 30 april 2026.

Waar de cijfers van elke partij op berusten

Dit is de as waarop de twee het verst uit elkaar liggen, en dat is allesbehalve nipt.

Het onafhankelijke record van GPT-6.1 Sol, allemaal afkomstig van Artificial Analysis:

• AA Intelligence Index — 51,8, rang 10 van 147 modellen, 93,2e percentiel.

• Humanity's Last Exam — 52,9%.

• Recall bij lange context — 83%.

• SciCode — 54,2%.

• Terminal-Bench 4.0 — 56,06%.

Het record van Intern-S2, volledig van InternLM zelf, niets door een derde partij gereproduceerd:

• MMLU Pro — 89,77% voor het 397B-topmodel.

• HMMT-2026 — 93,56%.

• MMMU Pro — 81,68%.

• SWE-bench-Pro — 68,54%.

• TerminalBench 2.1 — 64,04%.

• Rijen met wetenschappelijke domeinen — Biology-Instructions 55,71%, SciReasoner 1.5 63,28%, Mol-Instructions 53,95%, MolecularIQ 62,35%.

Die twee lijsten zijn niet vergelijkbaar, en het is de moeite waard om expliciet te zijn over waarom. De eerste set is een partij zonder belang bij de uitkomst die dezelfde vragen stelt aan veel modellen volgens één protocol. De tweede set is het lab dat het model heeft getraind en dat rapporteert hoe zijn eigen model het deed. Dat maakt de tweede set niet onwaar — labs met een gepubliceerd technisch rapport en downloadbare gewichten hebben een reputatiebelang bij de cijfers — maar het betekent wel dat de cijfers een bewering zijn in plaats van een meting, en er is momenteel geen onafhankelijke evaluator, en geen onafhankelijke inferentieprovider, die ergens Intern-S2-scores publiceert.

De rijen die echte informatie bevatten

Twee dingen in InternLM's eigen materiaal zijn informatiever dan de scores in de koppen, juist omdat ze niet flatteus zijn.

De eerste is de Mobius-benchmarktabel voor het 35B-model, die het vergelijkt met de Qwen3.5-35B-basis waarvan het continu is voortgepretraind. Dat is een echt nuttige vergelijking — dezelfde herkomst, dezelfde schaal, dus de delta isoleert wat de architectuurwijziging heeft opgeleverd. Mobius wint zeven van de negen algemene benchmarks en verliest het zwaar op Humanity's Last Exam en UGD. Eerlijk gelezen levert de Mobius-architectuur gematigde algemene winst op en levert ze iets in op de moeilijkste redeneerset. De rijen voor het wetenschapsdomein in dezelfde tabel zijn groter, maar ze zijn kenmerkend voor voortgezette domeinpretraining en niet voor de architectuur — de trainingsdata zijn de bron van de biologie- en scheikundecijfers, niet de expertindeling.

De tweede is het efficiëntieverhaal, de meest concrete claim in de release: 2,9 keer de doorvoer van de baseline bij batch 16, oplopend tot 4,6 keer bij batch 256. Dat zijn ratio's ten opzichte van een interne baseline, gemeten door het lab, op hardware die het lab heeft gekozen — en het is ook precies het soort claim dat gemakkelijk te verifiëren is zodra je de gewichten hebt, wat je hebt, onder Apache 2.0.

Dat verifieerbaarheid is de werkelijke waarde van een open release, en ze wijst naar iets waar de scores in de koppen niet bij kunnen: je hoeft de doorvoerratio niet te vertrouwen, want acht H100's en een vLLM-recept zijn nu het enige dat tussen jou en het natrekken ervan staat.

Open gewichten tegenover een geprijsd endpoint

Dit is waar de twee modellen ophouden alternatieven te zijn en verschillende beslissingen beginnen te worden.

GPT-6.1 Sol is een dienst. Je betaalt per token, je krijgt een venster van 1.050.000 tokens, 128.000 uitvoertokens, vijf inspanningsniveaus, en helemaal geen operationeel oppervlak. De rekening schaalt lineair met het gebruik en de marginale kosten van een piek zijn een regelpost, geen capaciteitsprobleem. De ruil is dat je het niet kunt fine-tunen — Open​AI publiceert geen fine-tuningpad voor dit model — je kunt het niet op je eigen hardware draaien, en je unit economics worden bepaald door de prijspagina van iemand anders.

Intern-S2-397B is een download. Apache 2.0 betekent dat je het kunt draaien, aanpassen, fine-tunen en binnen je eigen netwerk kunt serveren, zonder dat er data het netwerk verlaat. Acht H100s zijn een echte kapitaalkostenpost en een echte operationele last, maar boven een bepaald aanhoudend volume zijn die kapitaalkosten goedkoper dan een tarief per token, en het is de enige optie als de data je perimeter helemaal niet mag verlaten. De andere kant van die afweging is dat alles rond kwaliteit nu jouw probleem is: er is geen onafhankelijke benchmark om je plannen op te baseren, geen externe provider om op terug te vallen, en geen leverancier naar wie je een regressie kunt escaleren.

Tussen die twee posities is de beslissende variabele bijna altijd benutting. Een maandelijkse piek van een paar honderd miljoen tokens verdient acht GPU's niet terug. Een gestage maandelijkse stroom van meerdere miljarden tokens binnen een gereguleerde perimeter doet dat vaak wel.

Het getal dat ontbreekt in één kolom

Intern-S2-397B heeft geen gepubliceerd tarief per token. Dat is geen omissie die met een schatting kan worden omzeild; het betekent dat de standaardvergelijking die deze blog gewoonlijk uitvoert — kosten per miljoen tokens tegen kosten per miljoen tokens — helemaal niet kan worden uitgevoerd voor de zelfgehoste route.

De vergelijking die kan worden uitgevoerd, is die met het door de leverancier gehoste endpoint. InternLM beheert een officiële Intern API op chat.intern-ai.org.cn/api/v1 met de modelidentificatie intern-s2-397b, en het tarief voor dat endpoint is wat je quote-to-quote zou moeten afzetten tegen de $2,00 en $10,00 van GPT-6.1 Sol. Totdat dat tarief is gepubliceerd, is de enige eerlijke uitspraak dat de prijs van het API-pad onbekend is, en dat de prijs van het zelfgehoste pad een functie is van je GPU-contract en je benutting, niet van een tariefkaart.

Wat betekent dat de rekensom die dit artikel kan maken beperkt is, en toch de moeite waard: vraag je af wat je eigen kosten per miljoen tokens zouden zijn bij jouw benutting, en vergelijk dat met $2,00/$10,00 met de tier boven 272K toegepast. Voor de meeste teams is het antwoord op die rekensom dat het gesloten endpoint wint onder een paar miljard tokens per maand en de open weights daarboven — en de hele vraag is aan welke kant van die lijn de workload zich bevindt.

De twee ervan anders runnen

Er is hier geen eenduidig antwoord, omdat de twee modellen niet via dezelfde weg worden bereikt, en doen alsof dat wel zo is, zou dezelfde fout zijn als het naast elkaar citeren van de indexrijen.

GPT-6.1 Sol staat op OrcaRouter als openai/gpt-6.1-sol, tegen de lijstprijs van Open​AI met 0% opslag — $2.00 input, $10.00 output, gecachte input tegen $0.10, de tariefcategorie boven 272K precies toegepast zoals Open​AI die instelt. Omdat we de providerprijs doorgeven in plaats van er een opslag op te zetten, is een tariefwijziging van Open​AI hier dezelfde dag live in plaats van bij de volgende factuurcyclus, en automatische failover bevindt zich onder de route. Dat laatste is belangrijker voor een onbewezen model dan voor een bewezen model — hetzelfde argument geldt voor de Intern-S2-kant, behalve dat de Intern-S2-kant het niet kan gebruiken.

Intern S2 staat niet op OrcaRouter en wij hosten het niet. Het is bereikbaar via de eigen API van InternLM, en het is downloadbaar van Hugging Face onder Apache 2.0 voor iedereen met de hardware. Als je het wilt uitproberen, zijn de weights de weg met weinig verplichtingen — je kunt het 397B-vlaggenschip op je eigen prompts evalueren voordat je besluit of je er GPU's voor aanschaft, en de Mobius 35B is klein genoeg om het gedrag van de familie op één node te testen.

Het oordeel dat deze combinatie verdient, is geen rangschikking, omdat je bij de twee niet hetzelfde koopt. Als je een model nodig hebt met een onafhankelijk gemeten capaciteitsniveau, een gepubliceerd outputplafond, een bekende prijs per token en geen operationeel oppervlak, is GPT-6.1 Sol het antwoord, en het is geen moeilijke keuze — het is simpelweg de enige van de twee die die vier dingen biedt. Als je beperking is dat de data je netwerk niet kunnen verlaten, of je volume hoog genoeg is dat GPU's tokens verslaan, is Intern-S2-397B het betere antwoord, en de ontbrekende benchmark is een risico dat je ervoor kiest te dragen in plaats van een reden om af te haken. Wat je niet moet doen, is de twee met elkaar vergelijken op basis van hun gepubliceerde cijfers. De eigen evaluatie van InternLM en de ranglijst van Artificial Analysis zijn niet hetzelfde instrument, en ze als één tabel lezen zou een zelfverzekerd antwoord opleveren op een vraag die niemand stelde.