Karta tytułowa z napisem NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B, z czterema panelami statystyk podającymi 403B łącznych parametrów Intern-S2-397B przy 10 aktywnych na token w 60 warstwach, jego około 807 GB wag BF16 i F32 w około 188 shardach, jego licencję Apache-2.0 w porównaniu z OpenMDW-1.1 Super VL oraz kontekst 1M tokenów Super VL w porównaniu z oknem tekstowym 256K Intern-S2-397B z oceną multimodalną przy 64K, z logo OrcaRouter w rogu.
Engineering & Research

NVIDIA Nemotron 3.5 Super VL 120B kontra Intern-S2-397B: dwa otwarte modele wizyjne, z których jeden można faktycznie wywołać już dziś

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Oba te modele mają otwarte wagi, oba są multimodalne, oba są objęte licencją w stylu Apache albo OpenMDW do użytku komercyjnego i oba są czymś, co się pobiera, a nie subskrybuje. Różnica, która rozstrzyga większość ocen, nie znajduje się na żadnej z tych specyfikacji. Intern-S2-397B, flagowy model InternLM o 403 miliardach parametrów, udostępniony na Hugging Face 13 września 2026 r., ma API hostowane przez dostawcę, na które możesz skierować klienta zgodnego z O​penAI już tego samego dnia, w którym o nim przeczytasz. N​VIDIA N​emotron 3.5 Super VL 120B A12B, wgrany na Hugging Face 12 października 2026 r. i potwierdzony w ogłoszeniu NVIDII z 15 października, nie ma go: N​VIDIA nie opublikowała dla niego żadnego endpointu ani ceny za token na żadnej ścieżce, w tym w swojej własnej mikrousłudze NIM. Tak więc jeden z nich możesz ocenić dziś po południu, mając token, a drugi wymaga H200 albo czterech H100, zanim wyślesz pierwszy prompt. Ta luka jest warta więcej niż jakakolwiek siedmiopunktowa różnica w tabeli benchmarków.

Poziom wdrożenia, obok siebie

Zacznij tutaj, ponieważ dla większości czytelników eliminuje to jeden z tych modeli, zanim w ogóle zaczniemy omawiać jakość.

• Parametry całkowite i aktywne — Intern-S2-397B: 403B łącznie z 10 aktywnymi na token w 60 warstwach i 512 ekspertach; N​emotron 3.5 Super VL 120B A12B: 120B łącznie z 12 aktywnymi na token w przeplatanych warstwach Mamba-2, MoE i uwagi.

• Rozmiar wag na dysku — Intern-S2-397B około 807 GB w około 188 shardach BF16/F32; wersja BF16 Super VL stanowi ułamek tego, a wersja NVFP4 jest na tyle mała, że można ją uruchomić na jednym DGX Spark.

• Minimalny niezbędny sprzęt — Intern-S2-397B potrzebuje prawdziwej floty wielu GPU; Super VL potrzebuje 4× H100 lub 2× GB200 w BF16 albo jednego H200, jednego GB200, 2× H100 lub jednego DGX Spark w NVFP4.

• Dostęp hostowany — Intern-S2-397B jest dostępny we własnym API Intern dostawcy pod adresem chat.intern-ai.org.cn/api/v1 z identyfikatorem modelu intern-s2-397b, udokumentowanym jako zgodny z O​penAI i zgodny z A​nthropic; Super VL nie ma żadnego publicznie udostępnionego endpointu.

• Licencja — Apache-2.0 dla Intern-S2-397B; OpenMDW-1.1 dla Super VL. Obie zezwalają na użycie komercyjne.

• Kontekst — 256K tokenów dla Intern-S2-397B, z ewaluacją multimodalną przy 64K; 1M tokenów dla Super VL.

• Wejście wideo — Super VL obsługuje pliki MP4 o długości do dwóch minut, próbkowane jako klatki; udokumentowane modalności Intern-S2-397B to tekst, obraz i surowe dane sygnałowe. Wideo nie należy do nich.

Przeczytaj tę listę dwa razy, a kształt stanie się jasny. Intern-S2-397B to większy, starszy, bardziej naukowy model z hostowanym wejściem. Super VL to mniejszy, nowszy, łatwiejszy do wdrożenia model z dłuższym oknem i wideo, i zupełnie bez wejścia.

Do czego tak naprawdę zbudowano Intern-S2-397B

InternLM opisuje ten model jako skalowanie wzdłuż trzech osi, a pierwsza z nich to teza techniczna warta zrozumienia: wstępne trenowanie wizyjno-językowe przeprowadzane bezpośrednio na surowych stronach literatury naukowej, wspólnie modelujące semantykę symboliczną i relacje wizualne we wspólnej przestrzeni reprezentacji, bez pośredniego etapu parsowania. Rysunek, tabela, widmo i zdanie je opisujące są uczone razem, zamiast wyodrębniania tekstu i dołączania obrazów później.

Ten projekt pojawia się w benchmarkach, które InternLM postanowił wysunąć na pierwszy plan, i dlatego liczby dotyczące wizji obu modeli nie są wymienne. Karta Intern-S2-397B raportuje ChartQAPro 71,12 i MMMU Pro 81,68 oraz prowadzi w wynikach specyficznych dla nauki — Biology-Instructions 55,71, Mol-Instructions 53,95, MolecularIQ 62,35, SciReasoner-1.5 63,28, TOMG-Bench 66,76. Karta Super VL prowadzi z OCR-Reasoning 65,08, OCRBench-v2 na poziomie 68,12 w języku angielskim i 59,15 w chińskim, MMLongBench-Doc 62,82, CharXiv-RQ 80,82 i MathVision 78,16. Różne zadania, różne rozkłady treningowe i żaden z tych zestawów nie został niezależnie odtworzony.

Trzecia oś sprawia, że Intern-S2-397B jest nietypowy dla obciążenia agentowego: agentowe uczenie ze wzmocnieniem w czarnej skrzynce w środowiskach sandbox, z agentem połączonym przez kilka frameworków i wyraźnie ukierunkowanym na granice możliwości w zadaniach długiego horyzontu. Równoważne twierdzenie firmy N​VIDIA dotyczące Super VL to potok po treningu kończący się RL z weryfikowalnymi nagrodami i wielonauczycielską destylacją on-policy, oceniany na SWE-bench i tau2-bench. Jedno i drugie to twierdzenie o metodzie, a nie pomiar wyniku.

Możliwość wprowadzania sygnału, której nie ma żaden z konkurentów

Intern-S2-397B przyjmuje surowe dane sygnałowe — .npy, .csv i .wav — jako typ danych wejściowych pierwszej klasy obok tekstu i obrazów, z udokumentowanym przykładem zdarzenia sejsmicznego wykrywającym indeksy przyjścia fali P i fali S oraz prognozowaniem punktowym i kwantylowym z użyciem forecast_horizon jako parametru. Jest to obecnie dostępne tylko w LMDeploy i stanowi funkcję czasu wnioskowania, a nie wynik benchmarku.

Żaden model w tym porównaniu nie robi niczego podobnego, podobnie jak żaden zamknięty model frontierowy. Jeśli Twoja praca obejmuje ślady z czujników, dane sejsmiczne lub prognozowanie szeregów czasowych, które wymaga rozumowania wraz z obrazami i tekstem, Intern-S2-397B nie jest lepszym wyborem spośród tych dwóch — jest jedynym wyborem, a 807 GB wag to cena wejścia.

Standardy odniesienia, z przypisanymi do każdego źródłami

Żaden z modeli nie ma czystej niezależnej oceny, a tabele obu dostawców nie pokrywają się ani w jednym wierszu, więc to, co następuje, jest odczytem twierdzeń, a nie rankingiem.

Intern-S2-397B, wszystkie raportowane przez dostawcę (InternLM) na jego własnych środowiskach testowych (OpenCompass, VLMEvalKit, AgentCompass), nieodtworzone, z GPT-5.5 jako zamkniętym punktem odniesienia: MMLU Pro 89,77, HMMT-2026 93,56, AdvancedIF 71,57, MMMU Pro 81,68, ChartQAPro 71,12, TerminalBench 2.1 64,04, SWE-bench-Pro 68,54, SWE-bench-Multilingual 84,00, SciCode 47,63, SGLBench 51,89, FrontierScience-Olympiad 87,00 i FrontierScience-Research 55,00. Artificial Analysis nie miał wpisu Intern-S2-397B w momencie premiery, a neutralne rankingi też nie miały takiego wpisu — ta luka mogła się od tego czasu zamknąć i warto to sprawdzić, zanim oprzesz się na którymkolwiek z tych wyników.

Nemotron 3.5 Super VL 120B A12B, podzielony między dwa źródła. Zgłoszone przez producenta (NVIDIA) w NeMo Gym: SWE-bench Verified 71,10, SWE-bench Multilingual 67,72, SWE-bench Pro 51,78, tau2-bench retail 69,24 i airline 76,50, BrowseComp 78,91, GraphWalks 89,71, GPQA-Diamond 89,52, HLE 31,79 bez narzędzi, OCRBench-v2 68,12 w języku angielskim, MMLongBench-Doc 62,82, Video-MME-v2 32,85. Pomiar panelowy wykonany przez Artificial Analysis, i jest to jedyna niezależnie uzyskana liczba w całym tym artykule: Intelligence Index wynoszący 26,49, z 0,0 w Terminal-Bench 4.0 i zmierzonym współczynnikiem halucynacji na poziomie 0,3585.

Dwie rzeczy zasługują na zwrócenie uwagi w tym drugim bloku. Wartość NVIDIA dla Terminal-Bench 2.1 figuruje jako 66,70 na karcie modelu i 60,67 w tabeli podsumowującej raportu technicznego, a wszystkie pozostałe wiersze w tych dokumentach są zgodne — jedna z tych dwóch wartości jest błędna i dopóki przepisy nie zostaną ponownie uruchomione, żadnej z nich nie można bezpiecznie cytować. A wynik panelu 0,0 w Terminal-Bench 4.0 w porównaniu z podanym przez dostawcę wynikiem 64,04 w TerminalBench 2.1 dla Intern-S2-397B, zmierzonym na innym zestawie przez jego własne laboratorium, przypomina, że wyników agentów terminalowych nie można porównywać między środowiskami testowymi, nawet gdy nazwy wyglądają podobnie.

A two-column comparison scoreboard titled NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B, with rows for Parameters, Context, Weight footprint, Licence, Hosted API, Video input and Independent score, carrying Super VL's 120B total and 12B active, 1M-token context, single-H200 NVFP4 serving, OpenMDW-1.1 licence, no published endpoint, MP4 video up to two minutes and its 26.49 panel index with 0.0 Terminal-Bench 4.0, against Intern-S2-397B's 403B total and 10 active across 512 experts, 256K text and 64K multimodal context, roughly 807 GB across about 188 shards, Apache-2.0 licence, vendor Intern API, no video input, and no panel entry at release.

Dlaczego okno 1M tokenów w porównaniu z 256K nie jest siedmiocyfrową wygraną

Karty specyfikacji podają, że Super VL obsługuje 1 mln tokenów, a Intern-S2-397B obsługuje 256K, z oceną multimodalną przy 64K. To wygląda na miażdżące zwycięstwo modelu N​VIDIA, dopóki nie weźmie się pod uwagę wyniku panelu w zakresie przywoływania długiego kontekstu: 0,69 w AA-LCR. Model z oknem miliona tokenów i wynikiem długiego kontekstu poniżej jedynki to model, który może przyjąć milion tokenów, ale niekoniecznie zrobi z nimi wiele na dalekim końcu.

Okno 256K modelu Intern-S2-397B jest udokumentowane jako 256K dla rozumowania tekstowego i 64K dla multimodalnego, a InternLM nie opublikował żadnych danych o przywołaniu w długim kontekście. Uczciwe stanowisko jest więc takie, że jeden model ma dłuższe okno i słabe zmierzone przywołanie w nim, a drugi ma krótsze okno i brak pomiaru. Jeśli przywołanie w długim kontekście ma kluczowe znaczenie dla twojego obciążenia, żadnego z nich nie należy wybierać ze względu na długość kontekstu.

Dostępność oraz to, jak OrcaRouter pasuje, gdy żaden z modeli nie znajduje się w naszym katalogu

Ani Intern-S2-397B, ani N​VIDIA N​emotron 3.5 Super VL 120B A12B nie są dziś obsługiwane przez OrcaRouter i ten artykuł nie będzie sugerować inaczej. Do Intern-S2-397B można dotrzeć przez własne API dostawcy oraz self-hosting z LMDeploy, vLLM lub SGLang, a przepisy wdrożeniowe są dołączone w karcie modelu. Super VL jest dostępny wyłącznie przez self-hosting — zapowiedzianą ścieżką jest mikroserwis NIM firmy N​VIDIA, a nie opublikowano dla niego żadnego punktu końcowego ani ceny.

To, ile warta jest brama, gdy nie ma w niej modeli, których chcesz, ma konkretną odpowiedź: to tam, gdzie już znajduje się reszta potoku. Triage dokumentów, który musi pozostać w Twojej sieci, działa na Twoim własnym wdrożeniu Intern-S2-397B lub Super VL; wywołania ekstrakcji, klasyfikacji i podsumowywania wokół niego działają na modelu hostowanym na tym samym kluczu. DSL routingu pozwala utrzymać tę granicę czytelną — wyrażoną jako warunek na poziomie promptu, a nie jako gałąź ukrytą w kodzie aplikacji — a automatyczne przełączanie awaryjne sprawia, że awaria samodzielnie hostowanej połowy nie powoduje utraty żądania. Zerowy narzut ma tu znaczenie w bardziej przyziemny sposób: cokolwiek hostowana połowa Twojego potoku kosztuje dziś, tyle kosztuje tutaj, ponieważ cena katalogowa dostawcy jest przekazywana bez zmian.

The OrcaRouter models index page, showing the catalogue of more than two hundred models with provider names and per-million-token pricing.

Wybór między nimi

Wybierz Intern-S2-397B, jeśli musisz działać już dziś, bez kupowania sprzętu, jeśli twoją domeną jest literatura naukowa i ryciny, jeśli surowy sygnał lub dane wejściowe w postaci szeregów czasowych są częścią obciążenia, albo jeśli utrzymywany przez dostawcę hostowany endpoint jest dla ciebie wart więcej niż kontrola nad wdrożeniem. 807 GB wag to realny koszt, ale hostowane API oznacza, że możesz ustalić, czy model jest dobry, zanim za niego zapłacisz.

Wybierz N​emotron 3.5 Super VL 120B A12B, jeśli wideo jest danymi wejściowymi, jeśli masz jeden H200 lub DGX Spark, a nie całą flotę, jeśli model musi znajdować się w Twojej sieci albo jeśli zamierzasz go dostrajać — N​VIDIA opublikowała zbiory danych po treningu i środowiska RL NeMo Gym razem z wagami, a to jest bardziej nadająca się do ponownego wykorzystania połowa wydania. Zanim podejmiesz decyzję, przepuść własny zestaw dokumentów przez wersję NVFP4 i przetestuj konkretnie przywoływanie długiego kontekstu, zamiast ufać wartości 1M tokenów.

Na razie nie wybieraj żadnego z nich, jeśli tak naprawdę potrzebujesz modelu z niezależną oceną, na której możesz się oprzeć. Wszystkie liczby modelu Intern-S2-397B pochodzą od dostawcy, a zakres jego pokrycia panelowego jest niejasny; Super VL ma dokładnie jeden wynik od strony trzeciej i jest to pojedyncza wartość indeksu. Dwa otwarte modele wizyjne, których wydania dzieli około sześciu tygodni, oba z nieodtworzonymi tabelami benchmarków i żaden nie znajduje się na neutralnej liście rankingowej w sposób, który pozwalałby je porównać — odpowiedzialnym krokiem jest przetestowanie ich na własnych dokumentach, a to API dostawcy sprawia, że połowa tego jest tania.

Na co zwrócić uwagę: wpis w niezależnym panelu dla Intern-S2-397B, który przekształciłby całą jego kartę z twierdzeń w dowody; cena i punkt końcowy dla Super VL, co usunęłoby H200 z wymagań wejściowych; oraz skorygowany wynik Terminal-Bench od NVIDIA, który rozwiązałby jedyne miejsce, w którym dwa podstawowe dokumenty samego dostawcy przeczą sobie nawzajem.

The Hugging Face model card for NVIDIA Nemotron 3.5 Super VL 120B A12B, showing the model summary and the vendor benchmark table with the vision-language evaluation rows.

Nic z tego nie jest powodem, by unikać tego modelu, a jedynie powodem, by poznać historię: udokumentowane incydenty AI i awarie agentów stojące za modelami z tej klasy zebrano w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, wagę, stopień pewności i oznaczenie sporności.