Intern-S2-397B kontra Intern-S2 Mobius: flagowy model 397B i model rozumujący 35B

Intern-S2-397B i Intern-S2 Mobius to oba modele InternLM, oba na licencji Apache-2.0, oba nazywane Intern-S2, a pod nazwą trudno o bardziej różne modele. Intern-S2-397B to model flagowy: 403-miliardowy model typu mixture-of-experts do inteligencji naukowej i agentów długiego horyzontu, który InternLM wydał 13 września 2026 r. Intern-S2 Mobius to 35-miliardowy eksperyment rozumowania, który pojawił się 29 lipca 2026 r., zbudowany na architekturze Mobius-v0 z globalnie współdzieloną pamięcią i iteracyjnymi modułami rozumowania, wstępnie trenowany w trybie ciągłym na bazie Qwen3.5-35B. Ta kolizja nazw jest całym powodem, dla którego to porównanie musi istnieć, ponieważ wyszukiwanie „Intern-S2 review” pokaże oba modele, a te dwa modele nie są dla siebie zamiennikami w żadnym kierunku.

Dwie architektury, dwa zadania

Intern-S2-397B to konwencjonalny transformer MoE, szeroki tam, gdzie to ważne: 60 warstw, 512 ekspertów z 10 aktywnymi na token, 256K kontekstu rozumowania tekstowego i 64K multimodalnego, oraz powierzchnia wejściowa, która przyjmuje tekst, obraz i szeregi czasowe. Jego paradygmat wstępnego trenowania czyta surowe strony literatury naukowej — ryciny, układ, notację symboliczną i prozę razem — a jego uczenie ze wzmocnieniem obejmuje ponad dwadzieścia dziedzin naukowych, plus trening agentów długiego horyzontu w środowiskach sandboxowych. Jest specjalistą, który jest również modelem ogólnym: MMLU Pro 89,77, MMMU Pro 81,68, SWE-bench-Pro 68,54 na jego własnej karcie, wszystkie raportowane przez InternLM i niepowtórzone.

Intern-S2 Mobius to inny zakład dotyczący innego pytania. Zamiast wiązać przechowywanie wiedzy i obliczenia rozumowania warstwa po warstwie, architektura Mobius-v0 utrzymuje globalnie współdzieloną pamięć wektorów wiedzy i pozwala wielu modułom rozumującym iterować względem niej, udoskonalając stany ukryte na reprezentacjach ciągłych o wysokiej gęstości. Zachęta to wydajność wnioskowania: prawie 4-krotne przyspieszenie end-to-end względem modelu bazowego Qwen3.5-35B, od którego się wywodzi, przy porównywalnych lub lepszych wynikach rozumowania. To twierdzenie o przepustowości dotyczące konkretnego modelu bazowego — i twierdzenie dostawcy, bez niezależnej reprodukcji — ale to właśnie powód, dla którego ten model istnieje.

• Architektura — Intern-S2-397B: standardowy transformer MoE, 60 warstw, 512 ekspertów / 10 aktywnych vs Intern-S2 Mobius: Mobius-v0, współdzielona Memory + iterujące Reasoners.

• Skala — Intern-S2-397B: łącznie 403B, ~807 GB wag w BF16 vs Intern-S2 Mobius: łącznie 35B.

• Rodowód — Intern-S2-397B: oryginalny paradygmat naukowego wstępnego trenowania vs Intern-S2 Mobius: poddany ciągłemu wstępnemu trenowaniu na bazie Qwen3.5-35B.

• Dane wejściowe — Intern-S2-397B: tekst, obraz, szeregi czasowe vs Intern-S2 Mobius: tekst, obraz.

• Kontekst — Intern-S2-397B: 256K tekstu / 64K danych multimodalnych vs Intern-S2 Mobius: brak na razie niezależnie podanej wartości kontekstu.

• Deklaracja szybkości — Intern-S2-397B: nie reklamowano żadnej, natomiast Intern-S2 Mobius: prawie 4-krotne przyspieszenie rozumowania end-to-end względem bazowego Qwen3.5-35B, według dostawcy.

• Niezależne dowody — żaden z modeli nie ma oceny zewnętrznej.

Który numer należy do którego modelu?

Kolizja nazw staje się praktycznym zagrożeniem w chwili, gdy czytasz recenzję. Twierdzenie benchmarkowe o „Intern-S2” — MMLU Pro 89.77, HMMT-2026 93.56, Biology-Instructions 55.71 — dotyczy flagowego modelu 397B, ponieważ to właśnie ten model figuruje w tabeli premiery. Twierdzenie o przepustowości dotyczące „Intern-S2” — niemal 4-krotne przyspieszenie — dotyczy Mobiusa, ponieważ to model, którego architektura koncentruje się na wydajności wnioskowania. Sprawdź liczbę parametrów, zanim zacytujesz którąkolwiek z tych liczb. Recenzja, która mówi „Intern-S2 jest 4 razy szybszy”, i ta, która mówi „Intern-S2 pokonuje Grok 4.6 w TerminalBench”, dotyczą różnych modeli, a drugie twierdzenie nie wytrzymuje nawet konfrontacji z własną tabelą dostawcy.

Jeśli chodzi o dowody, żadnego z modeli nie testował nikt spoza InternLM. Karta modelu flagowego to tabela wyników benchmarków dostawcy wygenerowana za pomocą OpenCompass, VLMEvalKit i AgentCompass; karta Mobiusa to opis plus deklaracja przyspieszenia względem modelu bazowego, na podstawie którego model dostrojono. Brak niezależnej weryfikacji ma tu większe znaczenie niż w większości porównań, ponieważ najmocniejsze twierdzenia obu modeli dotyczą zupełnie różnych osi — możliwości w przypadku jednego, przepustowości w przypadku drugiego — a żadna z tych osi nie ma jeszcze zewnętrznego pomiaru.

Który uruchomić

Uruchom Intern-S2-397B, gdy zadanie dotyczy rozumienia naukowego: czytania artykułu pełnego rycin, analizowania diagramu molekularnego, prognozowania na podstawie sygnału szeregu czasowego albo prowadzenia długotrwałego agenta, który musi nieprzerwanie pracować nad zadaniem badawczym. To model, o którym mówi tegoroczne omówienie, a jego ogólne wyniki są wystarczająco przyzwoite, że nie kupujesz konia jednej sztuczki. Cena to sprzęt: checkpoint 403B wymaga poważnego węzła z wieloma GPU, a jeśli go nie posiadasz, alternatywą jest oficjalne API Intern.

Rozważ Intern-S2 Mobius, gdy zadaniem jest wnioskowanie o dużym wolumenie na sprzęcie, który już posiadasz, i zależy ci bardziej na koszcie za token niż na jednym czy dwóch punktach wyniku benchmarku. Model 35B z wiarygodną 4-krotną przewagą przepustowości nad swoją wartością bazową to naprawdę interesująca propozycja serwowania — ale zweryfikuj to przyspieszenie na własnych śladach, zanim zbudujesz wokół tego rozwiązanie, ponieważ nikt poza InternLM jeszcze go nie odtworzył. Tak czy inaczej, oznaczaj model wprost w każdym opracowaniu, ponieważ sama nazwa nie wskazuje już, który model masz na myśli.