Muse Wonder vs Intern S2: 1.048.576 tokens tegenover 256K, en geen gedeelde meetlat

Intern-S2-397B and Muse Wonder have never been measured against each other by anyone. That is not a gap in the research — it is a structural fact about how each model came to exist. I​nternLM published Intern-S2-397B on September 13, 2026 as an Apache-2.0 open-weights checkpoint for scientific intelligence and long-horizon agents, benchmarked entirely by its own makers, with no third-party score at all. Meta Superintelligence Labs began selling Muse Wonder on October 12, 2026 through the Meta Model API and Muse Code, and it has exactly one independent evaluator's row. So everything below requires labelling which side of the fence each number sits on, and the two models disagree about something more basic than benchmark scores: what a context window is for. Muse Wonder's 1,048,576 tokens are a flat, priced, single-response budget. Intern-S2-397B's are split — 256K for text reasoning and 64K for multimodal input — on a checkpoint you download rather than call.

De nuttige versie van deze vergelijking is niet welk model wint. Het is dat een van hen een instrument is voor wetenschappelijk documentwerk dat je binnen je eigen perimeter kunt draaien, en de andere een gehuurde generalist met een zeer groot vasttariefvenster. Dat zijn verschillende aankopen.

Wat elk model daadwerkelijk is

Intern-S2-397B is Shanghai AI Laboratory's I​nternLM flagship, released September 13, 2026 under Apache-2.0. The name carries 397B; the model card says 403 billion total parameters, and that difference is the kind of inconsistency a checkpoint built in public accumulates. Architecturally it is a standard mixture-of-experts transformer — 60 layers, 512 experts with 10 active per token — and its headline claim is a pre-training paradigm that reads raw pages of scientific literature, figures, layout, symbolic notation and prose together, rather than parsing the text out first. Around that it scales reinforcement learning across more than twenty scientific domains and adds long-horizon agent training in sandboxed environments. It takes text, image and time-series input, produces forecasts from the time-series path, serves on LMDeploy, vLLM and SGLang, supports tool calling, and thinks by default unless you pass enable_thinking=False per request. In BF16 the checkpoint is roughly 807 GB, so self-hosting means a serious multi-GPU node.

Muse Wonder is de grensverleggende release van Meta Superintelligence Labs van 12 oktober 2026, aangekondigd als een serie van twee checkpoints. Alleen muse-wonder-1.0 heeft een per-token-endpoint, op de Meta Model API en binnen Muse Code; Muse Wonder Full, de configuratie met de hogere score, wordt alleen verkocht via een Muse Code-abonnement en heeft geen openbare tariefkaart. Het aanroepbare checkpoint accepteert tekst-, afbeeldings-, spraak- en video-invoer, retourneert tekst, heeft een contextvenster van 1.048.576 tokens, beperkt een enkel antwoord tot 943.718 tokens, kost $4,00 per miljoen invoertokens, $0,20 voor gecachte en $20,00 voor uitvoer, en voert redenering verplicht uit op een inspanningstrap van minimaal tot max die standaard op medium staat. Er zijn geen gewichten, geen licentie en geen versie die je kunt blijven draaien als het endpoint verandert.

Dat is het eerste echte verschil tussen hen, en het is geen benchmarkrij. De ene is een bestand. De andere is een contract.

Contextvenster, dat de twee modellen anders opvatten

Dit is waar een specsheet-vergelijking het meest misleidt, omdat beide modellen steevast als long-context worden beschreven.

• Tekstcontext — Muse Wonder 1.048.576 tokens in één venster; Intern-S2-397B 256K voor tekstredenering

• Multimodale context — het volledige venster van Muse Wonder beslaat de beeld-, spraak- en video-invoer; Intern-S2-397B heeft een aparte multimodale context van 64K

• Maximale uitvoer in één antwoord — Muse Wonder 943.718 tokens; voor Intern-S2-397B is geen vergelijkbaar cijfer gepubliceerd

• Invoeroppervlak — Muse Wonder tekst, afbeelding, spraak, video; Intern-S2-397B tekst, afbeelding, tijdreeks

• Tijdreeksvoorspelling — Muse Wonder: geen; Intern-S2-397B: ondersteund, momenteel alleen via LMDeploy gekoppeld

• Tarief — Muse Wonder: $4,00 voor invoer, $0,20 voor gecachet, $20,00 voor uitvoer per miljoen tokens; Intern-S2-397B: geen gepubliceerd tarief per token, omdat het distributiemodel een download is

De voorspellingsrij is degene die geen tegenhanger heeft aan de andere kant, en het is geen marketingfunctie — het is de reden dat het model bestaat in de vorm die het heeft. Een model dat een tijdreekssignaal opneemt en een voorspelling produceert, doet iets wat een tekstmodel niet gevraagd kan worden te doen, ongeacht zijn venstergrootte. Als dat jouw workload is, is de vergelijking al voorbij.

Voor alle anderen is de relevante vraag wat er werkelijk in past. Een venster van 1.048.576 tokens tegen een vast tarief is een ander product dan een tekstvenster van 256K op hardware die je zelf bezit, en het verschil komt precies tot uiting in de workloads die lange context interessant maakten — een codebase in de prompt, een corpus van papers, een lange agentische sessie die zijn geschiedenis behoudt.

De bewijsbases, die elkaar niet raken

De gepubliceerde cijfers van de twee modellen kunnen niet op dezelfde as worden geplaatst, en het is de moeite waard om ronduit te zijn over waarom.

Intern-S2-397B's benchmark card is I​nternLM's own, run through OpenCompass, VLMEvalKit and AgentCompass by the team that built the model, with no independent reproduction. Its columns are Qwen3.5-397B-A17B, D​eepSeek V4 Pro, Kimi K2.7-Code, GLM-5.2, GPT-5.5, Gemini 3.1 Pro and Claude Opus 4.8 — no model from M​eta, and no Muse Wonder, so the vendor's own table does not contain a single Muse comparison. and any "Intern-S2 versus Muse Wonder" figure circulating anywhere is an extrapolation across two unrelated tables.

What that card does publish, all of it I​nternLM-reported: 89.77 on MMLU Pro, 93.56 on HMMT-2026, 81.68 on MMMU Pro, 68.54 on SWE-bench-Pro, 64.04 on TerminalBench 2.1, and on the scientific sets 55.71 on Biology-Instructions, 63.28 on SciReasoner 1.5 and 53.95 on Mol-Instructions. Read that as a portrait: strong on knowledge, maths and multimodal reasoning, leading on software engineering, and twenty points behind Claude Opus 4.8 on terminal work — the exact axis a production agent spends its day on.

Muse Wonder's evidence is the inverse shape. M​eta's launch table covers both checkpoints at maximum reasoning and is built largely from sustained-agent benchmarks — DeepSWE 1.1, SWE-Marathon, Terminal-Bench 4.0-AA, OSWorld V2.1 — all of it vendor-reported, in M​eta's harness, unreproduced. Independent commentary has repeated the strongest rows without the caveat, which is how a vendor harness becomes a fact in public. The one genuinely independent row is Artificial Analysis' Intelligence Index at 52 at maximum effort, ninth of more than 200 models, with about $4.52 of measured cost per completed index task and roughly 130 million output tokens consumed against a board median near 85 million.

Dus: de sterkte van het ene model wordt door zijn maker beweerd op wetenschappelijke benchmarks die geen enkele derde partij opnieuw heeft gedraaid. Die van het andere, op agentische benchmarks, hetzelfde. Geen van beide is door wie dan ook met het andere vergeleken. Het enige wat een eerlijke pagina daarmee kan doen, is het hardop zeggen.

Waar de vergelijking door de prijs wordt bepaald, en waar niet

Intern-S2-397B has no rate card. That is the whole pricing section, and it is a real finding rather than a missing value: you either self-host roughly 807 GB of BF16 weights on hardware you own, or you register for a token on I​nternLM's own API and live within whatever quota is granted. There is no per-token number to put beside Muse Wonder's $4.00 and $20.00, and no invoice to compare with a pay-per-token bill.

Wat dat met de beslissing doet, is subtieler dan 'gratis versus betaald'. Een gedownload checkpoint verandert variabele kosten in kapitaalkosten, en het verandert een leveranciersrelatie in een artefact dat je bezit. Dat is veel waard wanneer je data je perimeter niet kunnen verlaten, wanneer je werklast stabiel genoeg is om de GPU's te rechtvaardigen, of wanneer reproduceerbaarheid belangrijker is dan een benchmarkpunt. Het is heel weinig waard als je verkeer pieken vertoont, als je team geen servingstack heeft, of als je wilt dat het model verbetert zonder dat je iets hoeft te doen.

Neither model is served by us, and it is worth saying so plainly rather than implying otherwise: Intern-S2-397B is a brand-new Apache-2.0 checkpoint with no routing coverage, and Muse Wonder is on M​eta's API and inside Muse Code with no third-party serving we can verify. What a router does help with is the half of this that is callable. OrcaRouter carries more than 200 models behind one key at provider list price with 0% markup — no middleman delta, so a vendor price cut is live the same day — including M​eta's own Muse Spark 1.2 and Muse Spark 1.1, so the M​eta models you can reach today sit next to everything else on the same credential. If your production traffic lands on a routed model and your scientific batch work runs on Intern-S2-397B somewhere you control, that seam is a routing decision rather than a second integration.

Wie moet welke kiezen

Kies Intern-S2-397B wanneer het werk bestaat uit het lezen van wetenschap: een figuurrijke paper, een moleculair diagram, een gescande tabel, een voorspelling op basis van een tijdreekssignaal, of een agent die door moet blijven werken aan een onderzoekstaak. De Apache-2.0-licentie betekent dat je het kunt fine-tunen op propriëtaire data en het resultaat binnen je eigen perimeter kunt houden, wat het deel van deze vergelijking is dat geen enkele tariefkaart vastlegt. Begroot voor de hardware en verwacht enkele maanden geen onafhankelijke benchmark — de repository is pas weken oud en bevat geen metingen door derden.

Take Muse Wonder when the work is general, long and agentic, and when you would rather rent than own: a 1,048,576-token window at a flat rate with no step, a 943,718-token response ceiling that nothing in Intern-S2's published material answers, mandatory reasoning for hard multi-step tasks, and a pay-per-token bill you can put in a spreadsheet today. The caveat is the same one that applies to every row M​eta published: two days of independent measurement is two days, and one evaluator is one evaluator.

Het team dat beide nodig heeft, moet de grens daartussen als een routeringsvraagstuk behandelen, niet als een migratie. Laat het algemene verkeer draaien op een model dat je kunt aanroepen, houd het wetenschappelijke werk op het checkpoint dat je kunt vasthouden, en voer je eigen evaluaties opnieuw uit op Intern-S2-397B voordat je een leverancierscijfer over de terminalprestaties ervan gelooft — want de eigen tabel van de leverancier is de minst flatteuze rij erin.