Intern-S2-397B vs Qwen3.8-Max: Twee Chinese vlaggenschepen, tegengestelde economische weddenschappen

Intern-S2-397B en Qwen3.8-Max zijn de twee meest verstrekkende Chinese vlaggenschipintroducties van begin september 2026, en ze hebben tegengestelde economische weddenschappen afgesloten. Intern-S2-397B, het wetenschappelijke multimodale model met 403 miljard parameters dat het InternLM-team van Shanghai AI Laboratory op 13 september onder Apache-2.0 heeft uitgebracht, wedt erop dat open weights de manier zijn om wetenschappelijke en agentische workloads te winnen: geen prijs per token, weights op Hugging Face, en je eigen hardware als de meter. Qwen3.8-Max, Alibaba's vlaggenschip met 2,4 biljoen parameters dat op 3 augustus algemeen beschikbaar werd en op 2 september werd vernieuwd, wedt op een geprijsde API van $2,00 per miljoen inputtokens en $6,00 per miljoen outputtokens bij een context van 1 miljoen tokens, waarbij open weights een week na de algemene beschikbaarheid beschikbaar komen en een onafhankelijke Artificial Analysis-score al op het scorebord staat. De confrontatie tussen hen gaat minder over wiens benchmarks winnen en meer over welke weddenschap — eigendom of een endpoint met verbruiksmeting — aansluit bij de vorm van je workload.

Twee vlaggenschepen, twee weddenschappen

Qwen3.8-Max is Ali​baba's meest capabele niveau in de Qw​en-lijn, een sparse mixture-of-experts-model met 2,4 biljoen totale parameters en ongeveer 95 miljard die per token worden geactiveerd, verdeeld over 512 experts, waarvan 10 actief plus één gedeelde. Het heeft een contextvenster van 1M tokens (983.616 tokens met thinking ingeschakeld in de gehoste API), een uitvoerplafond van 131.072 tokens, tekst-, afbeeldings- en video-invoer, en het wordt aangeboden via een OpenAI-compatibel endpoint. De bepalende prijszetting is een vast tarief: hetzelfde $2,00 / $6,00, of je prompt nu 5.000 tokens of 900.000 tokens is, met gecachte invoer tegen een lagere prijs — geen toeslag voor lange context, precies de hefboom waarvoor de meeste concurrenten nog steeds laten betalen. Ali​baba positioneert het rechtstreeks tegenover GPT-5.5, Claude Opus 4.7 en Gemini 3.1 Pro in zijn eigen migratiegids.

Intern-S2-397B is een flagship in een andere vorm. Het is een mixture-of-experts-model met 60 lagen en 512 experts (10 actief per token), een context voor tekstredenering van 256K en 64K multimodaal, een invoeroppervlak van tekst, beeld en tijdreeksen, en een pretrainingsparadigma dat ruwe pagina’s uit wetenschappelijke literatuur leest — figuren, lay-out, symbolische notatie en proza — in plaats van eerst tekst eruit te parsen. De reinforcement learning ervan bestrijkt meer dan twintig wetenschappelijke domeinen, en het is getraind voor langdurig agent-werk in sandboxomgevingen. De prijsstelling is geen tarievenkaart maar het ontbreken ervan: self-host de Apache-2.0-gewichten, of vraag toegang tot de officiële Intern API.

• Prijs — Intern-S2-397B: geen tariefkaart; zelf hosten of Intern API vs Qwen3.8-Max: $2,00 / $6,00 per 1 mln. vast, gecachte input lager.

• Schaal — Intern-S2-397B: 403B totaal, 512 experts / 10 actief vs Qwen3.8-Max: 2,4T totaal, 95B actief, 512 experts / 10 + 1 gedeeld.

• Context — Intern-S2-397B: 256K tekst / 64K multimodaal vs Qwen3.8-Max: 1M tokens, vast tarief.

• Invoer — Intern-S2-397B: tekst, afbeelding, tijdreeksen vs Qwen3.8-Max: tekst, afbeelding, video.

• Gewichten — Intern-S2-397B: Apache-2.0, open op de dag van release vs Qwen3.8-Max: aangepaste Qwen3.8-Max-licentie, geopend op 12 augustus na GA.

• Onafhankelijke score — Intern-S2-397B: nog geen vs Qwen3.8-Max: AA Intelligence Index 40, GPQA Diamond 92,7.

Beide tabellen zijn leverancierstabellen, en slechts één ervan heeft een scheidsrechter.

Beide modellen werden gelanceerd met door leveranciers uitgevoerde benchmarktabellen, waardoor de discipline rond de herkomst identiek is en het trackrecord verschillend. De onafhankelijke cijfers van Qwen3.8-Max zijn sindsdien opgebouwd: Artificial Analysis plaatst het op 40 in zijn huidige Intelligence Index, met een GPQA Diamond van 92,7, een HLE van 43,0 en een onafhankelijke codeerscore van 71,8, tegen een kostenpost van ongeveer $2,67 per indextaak op de huidige schaal. Dat zijn gemeten cijfers van een externe tracker — de eerste echte scheidsrechter voor elk van deze twee vlaggenschepen.

Het bewijs van Intern-S2-397B is zijn eigen kaart, uitgevoerd via OpenCompass, VLMEvalKit en AgentCompass, gepubliceerd samen met de gewichten: MMLU Pro 89,77, MMMU Pro 81,68, HMMT-2026 93,56, SWE-bench-Pro 68,54, en TerminalBench 2.1 op 64,04, een cijfer waaruit de kaart zelf laat zien dat het verliest van een oudere gesloten generatie. De wetenschappelijke rijen ervan zijn de reden dat het specialistische argument bestaat: Biology-Instructions 55,71, SciReasoner 1.5 63,28, Mol-Instructions 53,95, MolecularIQ 62,35. Elk van die cijfers is van InternLM zelf en niet gereproduceerd. Naast elkaar gelegd vertellen de twee bewijsbases hetzelfde verhaal vanuit tegenovergestelde richtingen: het ene model is een specialist met respectabele algemene rijen en geen externe meting, het andere is een generalist met een onafhankelijke score en geen wetenschappelijke tuning.

Wat de geldvormen feitelijk kopen

Het vaste tarief van $2 / $6 per meter is de kenmerkende zet van Qwen3.8-Max, en het is de moeite waard om te verduidelijken wat dat oplevert. Een repo-analyse-agent die 200.000 inputtokens aan codecontext in één enkele aanroep verwerkt, betaalt hetzelfde tarief per token als bij een korte chat — geen toeslag voor lange prompts — en met caching daalt de effectieve inputprijs van een stabiele codecontext drastisch bij herhaald verkeer. Het model is ook aanroepbaar als open gewichten onder Alibaba's aangepaste licentie, die commercieel gebruik toestaat met naamsvermelding plus op schaal gebaseerde drempels boven de 100 miljoen maandelijkse actieve gebruikers of $20 miljoen maandomzet, en een aparte overeenkomst voor grote model-as-a-service-bedrijven.

De economie van Intern-S2-397B is het omgekeerde: helemaal geen verbruiksmeter, maar een kapitaaluitgave. De gewichten zijn ongeveer 807 GB in BF16, verdeeld over 188 shards — een serieuze multi-GPU-node — waarbij een FP8-build de geheugenvoetafdruk met ongeveer de helft verkleint. Als je die capaciteit al bezit, benadert de marginale kostenpost van de volgende wetenschappelijke query die van elektriciteit, en dat is de weddenschap: eigendom maakt de specialist aan de marge goedkoop. Als je de hardware niet bezit, is het "gratis" model een pilot, en de officiële Intern API is het enige alternatief met een verbruiksmeter.

De twee vlaggenschepen kunnen één naad delen als je routeert. Qwen3.8-Max staat op OrcaRouter tegen de lijstprijs van Alibaba, met 0% opslag doorgegeven, dus het vaste tarief van $2 / $6 en elke toekomstige prijsverlaging worden hier dezelfde dag doorgevoerd. Intern-S2-397B wordt niet gerouteerd — het is een gloednieuw checkpoint, en je pad ernaartoe is de eigen API van de leverancier of een zelfgehoste deployment. Stuur het algemene, videogeschikte, lang-contextverkeer naar het model met verbruiksmetering op de sleutel die je al hebt; houd het wetenschappelijke batchwerk op het model dat je zelf draait; laat automatische failover je opvangen wanneer de endpoint van een van beide partijen ongezond is. De grens is een routeringsregel in plaats van een tweede integratie.

Het vonnis

Kies Qwen3.8-Max voor algemeen redeneren en productiewerk met videomogelijkheden, waar een vast tarief voor een miljoen tokens alles verslaat wat zijn rivalen in rekening brengen, en waar een onafhankelijk scorebord het risico verkleint om erop voort te bouwen. De gewichten zijn open genoeg om relevant te zijn onder een licentie waarbinnen de meeste teams al opereren, en zijn $2 / $6-meter is de meest agressieve prijs op het bord onder de frontier-flagships.

Kies Intern-S2-397B voor wetenschappelijke workloads — figuurrijke papers, moleculaire diagrammen, tijdreekssignalen — waarbij de input multimodaal is op een manier waarvoor een generalist nooit is afgestemd, en waarbij dataresidentie of fine-tuning op propriëtaire resultaten Apache-2.0 tot de beslissende eigenschap maakt. Voorzie budget voor de hardware, voer je eigen evaluatie uit, en beschouw de cijfers als claims totdat er een onafhankelijke beoordelaar opduikt.

De eerlijke samenvatting is dat deze twee vlaggenschepen niet echt substituten zijn. Het ene is een wetenschappelijk instrument in eigen beheer met respectabele algemene capaciteiten; het andere is een gehuurde, onafhankelijk gescoorde generalist met een vast tarief en een vluchtige belangstelling voor wetenschap. Teams die beide nodig hebben, moeten de grens als een routeringsbeslissing behandelen — en moeten hun eigen evals op Intern-S2-397B opnieuw uitvoeren voordat ze welk cijfer dan ook op de slide van een van beide leveranciers geloven.