Een hero-titelkaart voor de vergelijking 'Sage-S2.1-Flash vs Qwen 3.8 Flash', met de ondertitel 'De ene heeft een prijslijst. De andere heeft 645 GB aan gewichten en een lege modelkaart', drie kaarten met de tekst '321B totaal / 18B actief', '645 GB BF16 / 8x H200 om te serveren' en '/bin/bash.15 in / /bin/bash.47 out per 1 miljoen tokens', en een voettekst met de vermelding dat de cijfers voor Sage-S2.1-Flash afkomstig zijn uit de bijbehorende Hugging Face-repository en de lijstprijs van Qwen 3.8 Flash bij QwenCloud op 16 november 2026; het OrcaRouter-logo is in de rechteronderhoek gecompositeerd.
Guides & Insights

Sage-S2.1-Flash vs Qwen 3.8 Flash: acht H200's tegen vijftien cent

Auteur

Gideon Frost

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

De modelkaart voor Sage-S2.1-Flash is eenentwintig bytes lang. Hij begint met een licentieheader, vermeldt license: mit, en houdt daar op. Er is geen inleiding, geen benchmarktabel, geen contextlengte, geen beoogd gebruik, geen contactadres. De repository zelf is niet leeg — 120 shards met bfloat16-gewichten, samen ongeveer 645 GB, plus een configuratiebestand, een chatsjabloon, een implementatiehandleiding en vijf kleine wetenschappelijke adaptermappen — maar alles wat een lezer normaal gesproken zou gebruiken om te beslissen of het de moeite waard is, ontbreekt. De gewichten werden op 15 november 2026 geüpload en tot en met de 16e herzien. InternLM, de modelorganisatie van het Shanghai AI Laboratory, heeft niets aangekondigd: geen blogpost, geen paper, geen bericht op de eigen site van de familie. Op het moment van schrijven toont de repo nul downloads voor deze maand, één like en geen enkele inferentieprovider die het aanbiedt.

Qwen 3.8 Flash is het tegenovergestelde soort object. Alibaba verkoopt het sinds 26 augustus 2026 via QwenCloud voor $0,15 per miljoen inputtokens en $0,47 per miljoen outputtokens, heeft de snelheidslimieten en de lijst met tools gepubliceerd, heeft open gewichten uitgebracht onder de naam Qwen3.8-Flash-Next en heeft een benchmarktabel met twaalf rijen op die kaart gezet. Het is live op OrcaRouter als qwen/qwen3.8-flash tegen de eigen lijstprijs van de leverancier. Je kunt er de komende dertig seconden een request naartoe sturen.

Dit is dus geen vergelijking van twee modellen die je kunt kopen. Het is een vergelijking tussen een goedkoop gehost model met een gepubliceerde prijs en een open-weights mengsel van experts met 321 miljard parameters zonder prijs, zonder score en zonder aankondiging — en de eerlijke vraag is niet welk van de twee beter is, want dat kan nog niemand beantwoorden. De vraag is of acht H200's opzetten voor het ongemeten model een beter gebruik van geld is dan vijftien cent per miljoen tokens betalen voor het gemeten model, en voor hoeveel teams dat antwoord ooit ja is.

Wat de Sage-S2.1-Flash-repository eigenlijk bewijst

Eerst de feiten, want ze zijn talrijker dan de lege kaart suggereert. Het aantal parameters in de gewichtsindex is 321.323.031.390, en de deploymentgids rondt dat af naar "320B-A18B" — 320 miljard totaal, 18 miljard actief per token. De tekstconfiguratie bevat 45 lagen, waarvan 34 lineaire-attentielagen van het gated delta-net-type en 11 sparse-attentielagen uit de DeepSeek-lijn, met 288 gerouteerde experts, waarvan per token acht plus één gedeelde expert vuren, een verborgen grootte van 4.096 en een vocabulaire van 154.880 tokens. Maximale positie-embeddings zijn ingesteld op 1.048.576.

A two-column comparison scoreboard titled 'Sage-S2.1-Flash vs Qwen 3.8 Flash — the scoreboard': the left column Sage-S2.1-Flash reads Parameters '321B total, 18B active', Context '1,048,576 configured', Input price 'no hosted endpoint', Output price 'no hosted endpoint', Licence 'MIT, ungated', Published benchmarks 'none'; the right column Qwen 3.8 Flash reads Parameters '125B plus 51B n-gram, 6B active', Context '1,000,000 tokens', Input price '$0.15 per 1M', Output price '$0.47 per 1M', Licence 'Qwen community licence', Published benchmarks '12 rows, unreproduced'; the footer reads 'Sage-S2.1-Flash figures read from its repository; Qwen 3.8 Flash per Alibaba, vendor-reported.'; the OrcaRouter logo is composited in the bottom-right corner.

De licentie is MIT, zonder aanvullende clausule over acceptabel gebruik in de repository. Daar is het even bij stilstaan waard: een 321B multimodale MoE onder een permissieve licentie, zonder enige drempel bij het downloaden, is een zeldzamer verschijnsel dan de stilte eromheen doet vermoeden.

De afstamming is controleerbaar en enigszins verrassend. De architectuurstring is glm5_next, de klasse is Glm5NextForConditionalGeneration, en de implementatiehandleiding zegt ronduit dat het model de GLM-5.3-Flash-architectuur gebruikt en dat de te volgen frameworkrecepten de officiële GLM-5.3-Flash-recepten zijn, waarbij het modelpad is vervangen. De oudere, grotere Sage-S2.1 — 753B parameters, architectuur glm_moe_dsa, nog steeds met een "Atria Dawn"-modelkaart die beschrijft dat het is gebouwd op een 744B GLM-5.2-backbone — is een volledig andere generatie backbone. Flash is geen gedistilleerde S2.1. Het is een nieuw, kleiner model, gebouwd op een nieuwere architectuur van een ander lab, dat dezelfde familienaam draagt.

Die familienaam is zelf een bewegend doelwit. De oude repository internlm/Atria-Dawn verwijst nu door naar internlm/Sage-S2.1, en de kaart van het omleidingsdoel zegt nog steeds "Atria Dawn" in elke kop — de naamswijziging is doorgevoerd zonder dat de documentatie volgde. Wie eerder dit jaar de berichtgeving over Atria Dawn heeft gelezen en nu op zoek is naar "Sage", moet begrijpen dat het om dezelfde repository onder twee namen gaat, en dat Flash de nieuwe, slankere variant daarvan is.

De wetenschappelijke adapters zijn het deel van de repository dat een aankondiging van een leverancier hoe dan ook nooit zou hebben uitgelegd. Onder projectors/sage-s2.1-flash/ staan vijf kleine mappen — cif/jarvis, dna/splice, ecg/phu01, eeg/neu06, protein-seq/mpbind — elk met een configuratiebestand en een projector van vier tot achtentwintig megabyte die een wetenschappelijke kenmerkenstroom omzet naar de 4.096-brede ruimte van de backbone. Kristalstructuren gaan door een CHGNet 0.3.0-encoder, één 64-dimensionale toestand per atoom. Eiwitsequenties gaan door ESM2-t33-650M, één toestand van de laatste laag per residu. De DNA-adapter is een taak-aangepaste DNABERT2-uitlezing over drie kenmerken; de ECG- en EEG-adapters zijn vergelijkbaar klein en taakspecifiek. Totale gewichtskosten voor alle vijf: minder dan 90 MB, tegenover 645 GB voor het taalmodel.

Die configuratiebestanden geven ook de herkomst prijs die de modelkaart verzweeg. Ze vermelden de backbone-checkpointmap, de datumstempels van de trainingsruns en een vingerafdrukwaarde sage-s2.1-flash-hf111-bf16-norm-261113 — 13 november 2026, twee dagen voordat de gewichten verschenen. Zo wordt de afstamming hier vastgesteld: niet via een persbericht, maar via een configuratieveld dat bij het verpakken vergeten werd te verwijderen.

Wat Qwen 3.8 Flash publiceert, en wat niet

Het contrast is niet dat Q​wen eerlijk is en Sage niet. Het is dat de ene leverancier zijn product documenteert en de andere er nog niet aan toe is gekomen. A​libaba's modelkaart voor Q​wen 3.8 Flash specificeert een context van 1.000.000 tokens met een maximale invoer van 991.000 tokens, een maximale uitvoer van 131.072 tokens en een reasoningbudget van 262.144 tokens; multimodale invoer via tekst, afbeelding en video met tekstuitvoer; function calling, gestructureerde JSON-uitvoer, prefix completion, contextcaching, batchverwerking en fine-tuning; en zowel de O​penAI- als de A​nthropic-aanvraagprotocollen, waardoor het ongewijzigd in Claude Code en Codex past.

Het open-weights-artefact erachter is Qwen3.8-Flash-Next, gepubliceerd op 24 augustus 2026: 125B parameters, waarvan 6 miljard geactiveerd, plus een 51B n-gram-embeddingtabel en een 4B multi-token-prediction-head, 48 lagen gerangschikt als twaalf herhalingen van drie gated-delta-net-blokken en één sparse-attention-blok, 512 experts met per token tien gerouteerde plus één gedeelde actieve expert, en 262.144 tokens native context, uitbreidbaar tot een miljoen. Alibaba beschrijft de gehoste Qwen 3.8 Flash als die architectuur plus productiefuncties — het standaardvenster van 1M en de ingebouwde tools zijn de toevoegingen. De gewichten vallen onder de Qwen-communitylicentie, niet onder MIT.

De benchmarktabel op die kaart is door de leverancier gerapporteerd en niet onafhankelijk gereproduceerd. Lees die met dat label erbij: DeepSWE 1.1 op 58,7, SWE-bench Pro op 62,5, SWE-bench Multilingual op 81,0, NL2Repo-Bench op 48,1, CoWorkBench op 73,9, JobBench op 55,7, Toolathlon Verified op 73,5, IFBench op 81,3, GPQA Diamond op 91,7, HLE op 35,9, LiveCodeBench v6 op 91,9, en Agents' Last Exam op 24,3 pass@1 met een score van 51,2. Die cijfers zijn A​libaba dat zijn eigen huiswerk nakijkt binnen een vergelijkingsset met een 397B-voorganger en een Claude-model. Ze zijn nog steeds heel wat meer dan wat Sage-S2.1-Flash biedt, namelijk helemaal niets.

A screenshot of the Hugging Face repository page for internlm/Sage-S2.1-Flash, captured in English on 16 November 2026, showing the YAML frontmatter line 'license: mit', the Safetensors format tag with the repository's parameter count, and the file listing that includes the chat template, on a repository whose model card has no description, no benchmark table and no intended-use statement.

Zet de twee naast elkaar op de dimensies waar een aankoopbeslissing daadwerkelijk op draait:

• Totaal aantal parameters — Sage-S2.1-Flash 321B, waarvan 18B actief per token, tegenover Qwen 3.8 Flash 125B plus een n-gramtabel van 51B, waarvan 6B actief

• Context — 1.048.576 tokens geconfigureerd versus 1.000.000 gepubliceerd, met een maximale invoer van 991.000 en een maximale uitvoer van 131.072 aan de Q​wen-kant

• Invoerprijs — Sage-S2.1-Flash heeft er geen, omdat er niets voor beschikbaar is, tegenover $0,15 per miljoen tokens

• Uitvoerprijs — geen versus $0,47 per miljoen, met gecachte leesbewerkingen tegen $0,0184 per miljoen in onze vermelding

• Licentie — MIT, zonder toegangsbeperking, versus de Qwen-communitylicentie

• Gepubliceerde evaluatie — nul benchmarks tegenover een leverancierstabel van twaalf rijen, niet gereproduceerd

• Serveergewicht — 645 GB bfloat16 verdeeld over 120 shards, of 328 GB in de FP8-variant, tegenover een gehost endpoint

De prijsvergelijking die eigenlijk een kwestie van kapitaaluitgaven is

Er is geen prijs per token voor Sage-S2.1-Flash om te vergelijken met $0,15, omdat het model nergens een gehost endpoint heeft. Wat het wel heeft, is een serveervereiste: acht H200's voor het bfloat16-checkpoint, volgens de eigen referentieconfiguratie van de deploymentgids. De vergelijking is dus niet centen tegen centen, maar huur tegen tokens, en ze komt uit op één getal dat niemand heeft gepubliceerd.

Neem een representatieve $3 per GPU-uur voor een H200 — een aanname, geen prijsopgave, en het bedrag verschilt per cloud en per contractvorm. Acht daarvan kosten $24 per uur, $576 per dag, ongeveer $17.500 per maand voordat je ook maar één verzoek hebt afgehandeld. Bij Alibaba's tarieven koop je voor $576 3,84 miljard invoertokens of 1,23 miljard uitvoertokens. De break-evenvraag is dus of je verkeer anders meer dan $576 per dag aan Qwen 3.8 Flash zou besteden — ruwweg de waarde van 3,8 miljard invoertokens, elke dag, volgehouden.

Die vergelijking is alleen geldig als je weet hoeveel tokens per seconde Sage-S2.1-Flash op acht H200s produceert. Niemand heeft dat gemeten en de repository vermeldt het niet. Het aantal actieve parameters geeft je een ruw gevoel — 18B actief tegenover 6B actief suggereert dat het Sage-model per gegenereerd token ongeveer drie keer meer rekenkracht kost — maar een gevoel is geen doorvoercijfer, en zonder zo'n cijfer heeft de break-even-berekening hierboven aan beide kanten een onbekende. De FP8-tegenhanger verlaagt het residente gewicht van 645 GB naar 328 GB, wat verandert welke hardware je nodig hebt; het zegt je niet hoe snel het resultaat draait.

Voor de meeste teams is dat onbekende het hele argument. Een model waarvan je de doorvoer niet kunt benchmarken, is een model waarvan je de kosten niet kunt bepalen, en een model waarvan je de kosten niet kunt bepalen is geen kandidaat voor een productietraject — het is een onderzoeksobject. Dat is geen kritiek op de release; dat is precies waar een onaangekondigde release voor dient.

De bewijzasymmetrie, ronduit gesteld

Twee modellen, twee faalwijzen van bewijs. Qwen 3.8 Flash heeft door de leverancier gerapporteerde benchmarks en tweeëntachtig dagen gebruik door derden, wat betekent dat de cijfers niet geaudit zijn, maar het gedrag ervan tenminste waarneembaar is: er zijn mensen die het draaien, erover rapporteren en in het openbaar tegen de grenzen ervan aanlopen. Sage-S2.1-Flash heeft geen van beide. De 645 GB aan gewichten is meer bewijs voor een echt model dan een lek of een screenshot zou zijn — dit is een uitgeleverd artefact, geen gerucht — maar gewichten zijn bewijs van bestaan, niet van kwaliteit.

De specifieke dingen die vandaag de dag onkenbaar blijven: wat Sage-S2.1-Flash op wat dan ook scoort; hoe snel hij decodeert; of zijn 1M-positie-embeddings standhouden bij lange lengtes of degraderen zoals de meeste long-contextuitbreidingen; of de vision-tower in zijn configuratie getraind is volgens productiestandaard of overgenomen is van de backbone; of de wetenschappelijke projectors geëvalueerd worden op iets anders dan hun eigen trainingsdistributies; en wat InternLM eventueel in rekening wil brengen voor een gehoste versie. De repository beantwoordt geen van deze vragen. Iedereen die je iets anders vertelt, extrapoleert vanuit de reputatie van de backbone, wat een redelijke prior is en geen meting.

Waar het model eigenlijk voor bedoeld is

De projectors zijn de aanwijzing. Niemand schroeft vijf wetenschappelijke modaliteitsadapters als bijzaak op een algemeen chatmodel; de mapstructuur, de promptsjablonen per taak en de keuzes van encoders beschrijven een model dat gebouwd is om kristallen, spliceplaatsen, hartsporen, hersenensporen en eiwitsequenties als eersteklas invoer te lezen in plaats van als tekstbeschrijvingen daarvan. Kristalstructuren worden getokeniseerd als atoomtoestanden met een limiet van 512 atomen; eiwitsequenties dragen per-residu-toestanden met een optionele wetenschappelijke readout-head; de DNA-adapter is een waarschijnlijkheidsreadout over één enkel object.

Qwen 3.8 Flash doet dit niet. Het leest afbeeldingen, video en tekst, en doet dat met gepubliceerde cijfers op visuele benchmarks — CharXiv, MathVision, ERQA, LVBench, OSWorld 2.0 — maar een kristalrooster weergegeven als een PNG is geen kristalrooster. Als je werklast structurele biologie, materiaalscreening of analyse van fysiologische signalen is, is de eerlijke lezing dat deze twee modellen niet voor dezelfde taak concurreren en dat de Qwen-vergelijking een prijsanker is in plaats van een substituut. Als je werklast tekst en code is, zijn de projectors irrelevant en is Sage-S2.1-Flash een 321B-chatmodel zonder kaart.

Eén waarschuwing bij de multimodale kwestie, want de configuratie nodigt uit tot overinterpretatie. De repo bevat een visiontower van 24 lagen met hidden size 1.024, invoer van 448 pixels en patches van 14 pixels, start- en eindtokens voor beeld en video, en een chattemplate met slots voor beeld, video en audio. Maar de template is de GLM-5.3-familjetemplate, de audioslots hebben geen bijbehorende audioconfiguratie, en de enige media-specifieke instructie in de deployment guide gaat over afbeeldingen die binnen toolresultaten aankomen. Behandel de tower als aanwezig maar ongedocumenteerd: de gewichten zijn gebouwd om meer dan tekst te verwerken, en wat de release bedoelt dat je erin stopt, wordt niet vermeld.

De wrijving, die niet nul is

Het zelf hosten van Sage-S2.1-Flash is niet louter vLLM op een repository richten. Drie vereisten komen uit de deploymenthandleiding, en de tweede is de lastige.

• --trust-remote-code is verplicht voor elke engine — de repository levert zijn eigen tokenizer en processor mee, en zonder de flag laden de engines stilletjes een standaard tokenizer die strings zoals <tool_call> als control tokens codeert in plaats van als tekst, waardoor redeneren en tool calls zonder waarschuwing kapotgaan

vLLM 0.33.0 heeft een aangeleverde patch voor vllm/renderers/hf.py nodig, omdat wanneer parallelle toolresultaten in een andere volgorde dan de aanroepen terugkomen, de sjabloon ze in aanroepvolgorde weergeeft terwijl vLLM hun afbeeldingen in berichtvolgorde verzamelt, waardoor elke afbeelding stilzwijgend aan het verkeerde resultaat wordt gekoppeld; de upstream-oplossing is nog steeds een concept-pullrequest.

• LMDeploy heeft transformers tussen 5.17 en 5.19 nodig, omdat 5.19 het laagtype hernoemt dat de engine niet accepteert; SGLang heeft 0.5.20 of later nodig, plus de chat-template van de repository die expliciet moet worden doorgegeven, omdat SGLang anders zijn eigen ingebouwde template voor de architectuur installeert

Elk daarvan is een gedocumenteerde workaround voor een model dat één dag oud is, en de gids is openhartig dat de frameworks nog in beweging zijn. Niets ervan is onredelijk; het is allemaal engineeringtijd die Qwen 3.8 Flash niet vraagt, omdat het aan de gehoste kant een base-URL en een API-key is.

Eén sleutel, twee heel verschillende niveaus van betrokkenheid

Qwen 3.8 Flash staat op OrcaRouter als qwen/qwen3.8-flash tegen A​libaba's listprijs doorgegeven zonder opslag — $0,15 per miljoen inputtokens, $0,47 per miljoen outputtokens, $0,0184 per miljoen voor gecachte reads, een context van 1.000.000 tokens en een uitvoerplafond van 131.072 tokens. QwenCloud's eigen pagina vermeldt $0,016 voor de impliciete cachevariant; de doorgeefregel betekent dat je wat A​libaba ook wijzigt dezelfde dag krijgt in plaats van bij de volgende contractverlenging. Sage-S2.1-Flash staat niet in de catalogus en niets biedt het aan, dus er is hier geen route ernaartoe en geen reden om te doen alsof het anders is.

A screenshot of the OrcaRouter model page for qwen/qwen3.8-flash, captured in English on 16 November 2026, showing the model name and model id, the per-million-token input and output pricing, the context window and maximum output limits, and the API access details for the model.

Waar de routeringslaag in deze situatie echt goed voor is, is de evaluatie goedkoop en omkeerbaar houden. Voer het Sage-experiment uit op je eigen hardware als je die hebt, houd Qwen 3.8 Flash als productieroute, en laat een failoverketen achter het nieuwe pad zitten, zodat een model met een lege kaart nooit een single point of failure wordt op de eerste dag dat het echt verkeer verwerkt. Hetzelfde idee geldt voor de moeilijkere vraag — modelfusie, waarbij een panel één prompt met meerdere modellen beantwoordt en een rechter ze met elkaar verzoent, is de goedkoopste manier om erachter te komen of een 321B wetenschappelijke MoE zijn huur waard is: je migreert niet, je vraagt het beide, en je leest de antwoorden.

Wie moet welke kiezen

Als je dit kwartaal tekst of code uitlevert, is Qwen 3.8 Flash het verdedigbare antwoord en Sage-S2.1-Flash helemaal geen antwoord. Het Q​wen-model is per token goedkoper dan bijna alles op zijn capaciteitsniveau, voldoende gedocumenteerd om op te plannen, duidelijk genoeg gelicentieerd om uit te rollen, en publiekelijk waarneembaar. De benchmarks zijn van A​libaba zelf en moeten als beweringen worden behandeld, maar een bewering plus tweeëntachtig dagen ervaring van anderen verslaat een stilte plus drie dagen van niemand.

Als je aan structurele biologie, eiwitontwerp, materialen of fysiologische signalen werkt, keert de afweging om. De vijf projectoren in de Sage-S2.1-Flash-repository zijn een capaciteit die noch Qwen 3.8 Flash noch de meeste open modellen tegen welke prijs dan ook bieden, de licentie is MIT, en de hardwarevereiste — acht H200's, of minder met de FP8-checkpoint — is het soort kosten dat een onderzoeksgroep al draagt. De juiste zet is om het te downloaden, de CPU-zijdige projectorcontroles uit te voeren die de repository meelevert, en de twee dingen te meten die het je niet vertelt: decode-throughput op jouw hardware, en nauwkeurigheid op je eigen held-out set. Dat is een week werk, en het is de enige manier waarop dit model een beslissing wordt in plaats van een curiositeit.

Het derde geval is het grootste. Als je alleen nieuwsgierig bent, is de juiste houding om op een modelkaart te wachten. Wanneer InternLM er een publiceert, zullen de cijfers die ertoe doen degene zijn die deze repository niet kan leveren — doorvoer, degradatie bij lange context, of de vision-tower live is, en wat de projectors scoren buiten hun trainingsdistributies. Tot dan is Sage-S2.1-Flash een echt artefact met een ongelezen specificatie, en het nuttigste eraan is dat de gewichten bestaan, niet achter een poort zitten en MIT zijn — wat betekent dat wanneer iemand het meet, je geen toestemming nodig hebt om hun werk te controleren.