Intern-S2-397B vs. Intern-S2 Mobius: het 397B-vlaggenschip en de 35B-reasoner

Intern-S2-397B en Intern-S2 Mobius zijn beide InternLM-modellen, beide Apache-2.0, beide Intern-S2 genoemd, en onder die naam kunnen ze nauwelijks meer van elkaar verschillen. Intern-S2-397B is het vlaggenschip: een mixture-of-experts-model met 403 miljard parameters voor wetenschappelijke intelligentie en langetermijnagenten dat InternLM op 13 september 2026 uitbracht. Intern-S2 Mobius is een redeneerexperiment met 35 miljard parameters dat op 29 juli 2026 verscheen, gebouwd op de Mobius-v0-architectuur met een globaal gedeeld geheugen en itererende redeneerders, continu voorgetraind vanaf Qwen3.5-35B. Het naamconflict is de hele reden dat deze vergelijking moet bestaan, want een zoekopdracht naar "Intern-S2 review" zal beide modellen opleveren en de twee zijn in geen van beide richtingen vervangers voor elkaar.

Twee architecturen, twee taken

Intern-S2-397B is een conventionele transformer-MoE, breed waar het ertoe doet: 60 lagen, 512 experts met 10 actief per token, een tekstredeneercontext van 256K en een multimodale van 64K, en een invoeroppervlak dat tekst, afbeelding en tijdreeksen aanneemt. Het pre-trainingsparadigma leest ruwe pagina's uit wetenschappelijke literatuur — figuren, lay-out, symbolische notatie en proza samen — en de reinforcement learning bestrijkt meer dan twintig wetenschappelijke domeinen, plus langetermijn-agenttraining in sandboxomgevingen. Het is een specialist die tegelijk een generalistisch model is: MMLU Pro 89.77, MMMU Pro 81.68, SWE-bench-Pro 68.54 op zijn eigen modelkaart, allemaal door InternLM gerapporteerd en niet gereproduceerd.

Intern-S2 Mobius is een andere gok op een andere vraag. In plaats van kennisopslag en redeneerberekening laag voor laag aan elkaar te koppelen, houdt de Mobius-v0-architectuur een globaal gedeeld Memory van kennisvectoren bij en laat meerdere Reasoners ertegen itereren, waarbij verborgen toestanden worden verfijnd over hoogdichte continue representaties. De propositie is inferentie-efficiëntie: een bijna 4x end-to-end-versnelling ten opzichte van de Qwen3.5-35B-baseline waarvan het afstamt, met vergelijkbare of sterkere redeneerscores. Dat is een doorvoerclaim over een specifieke baseline — en een leveranciersclaim, zonder onafhankelijke reproductie — maar het is de reden waarom het model bestaat.

• Architectuur — Intern-S2-397B: standaard transformer-MoE, 60 lagen, 512 experts / 10 actief vs Intern-S2 Mobius: Mobius-v0, gedeeld geheugen + itererende reasoners.

• Schaal — Intern-S2-397B: 403B totaal, ~807 GB aan gewichten in BF16 vs Intern-S2 Mobius: 35B totaal.

• Afstamming — Intern-S2-397B: origineel wetenschappelijk pretrainingsparadigma vs Intern-S2 Mobius: continu voorgetraind vanaf Qwen3.5-35B.

• Invoer — Intern-S2-397B: tekst, afbeelding, tijdreeksen vs Intern-S2 Mobius: tekst, afbeelding.

• Context — Intern-S2-397B: 256K tekst / 64K multimodaal vs Intern-S2 Mobius: nog geen onafhankelijk opgegeven contextcijfer.

• Snelheidsclaim — Intern-S2-397B: geen enkele geadverteerd vs. Intern-S2 Mobius: bijna 4x end-to-end versnelling van het redeneren ten opzichte van de Qwen3.5-35B-baseline, volgens de leverancier.

• Onafhankelijk bewijs — geen van beide modellen heeft een score van een derde partij.

Welk nummer hoort bij welk model

Het naamconflict wordt een praktisch gevaar zodra je een review leest. Een benchmarkbewering over "Intern-S2" — MMLU Pro 89,77, HMMT-2026 93,56, Biology-Instructions 55,71 — gaat over het 397B-vlaggenschip, want dat is het model waar de lanceringstabel bij hoort. Een doorvoerclaim over "Intern-S2" — de bijna 4x snelheidswinst — gaat over Mobius, want dat is het model waarvan de architectuur om inferentie-efficiëntie draait. Controleer het aantal parameters voordat je een van beide getallen citeert. Een review die zegt "Intern-S2 is 4x sneller" en een die zegt "Intern-S2 verslaat Grok 4.6 op TerminalBench" hebben het over verschillende modellen, en de tweede bewering houdt zelfs geen stand tegen de eigen leverancierstabel.

Aan de bewijskant is geen van beide modellen door iemand buiten InternLM getest. De modelkaart van het vlaggenschip is een leveranciersbenchmarktabel die via OpenCompass, VLMEvalKit en AgentCompass is gedraaid; de Mobius-modelkaart bestaat uit een beschrijving plus een claim over snelheidswinst ten opzichte van een baseline op basis waarvan het model is fine-getuned. Het ontbreken van onafhankelijke verificatie weegt hier zwaarder dan bij de meeste vergelijkingen, omdat de sterkste claims van de twee modellen zich op volledig verschillende assen bevinden — capaciteit voor de een, doorvoer voor de ander — en geen van beide assen is nog extern gemeten.

Welke moet ik uitvoeren?

Gebruik Intern-S2-397B wanneer de taak wetenschappelijk begrip is: het lezen van een figuurrijke paper, het analyseren van een moleculair diagram, het voorspellen op basis van een tijdreekssignaal, of het draaien van een langdurige agent die door moet blijven werken aan een onderzoekstaak. Het is het model waar de berichtgeving van deze week over gaat, en zijn algemene rijen zijn respectabel genoeg dat je geen model koopt dat maar één kunstje kent. De prijs is hardware: een 403B-checkpoint heeft een serieuze multi-GPU-node nodig, en als je er geen hebt, is de officiële Intern API het alternatief.

Overweeg Intern-S2 Mobius wanneer de taak grootschalig redeneren is op hardware die je al bezit en je meer geeft om kosten per token dan om een punt of twee op een benchmarkscore. Een 35B-model met een plausibel 4x doorvoervoordeel ten opzichte van zijn baseline is een oprecht interessante propositie voor het serveren — maar valideer de versnelling op je eigen traces voordat je eromheen bouwt, want niemand buiten InternLM heeft die nog gereproduceerd. Hoe dan ook, label het model expliciet in elk verslag, want de naam alleen zegt niet meer welke je bedoelt.