Wygenerowana karta tytułowa z napisem „Sage-S2.1-Flash” nad podtytułem „645 GB wag, karta modelu o rozmiarze 21 bajtów, bez zapowiedzi”, z trzema małymi etykietami poniżej: „przesłano 15 lis 2026”, „licencja MIT” i „320B-A18B MoE”. Białe tło, niebiesko-cyjanowe akcenty gradientowe, płaskie ikony liniowe. Logo OrcaRouter jest nałożone w prawym dolnym rogu.
Guides & Insights

Sage-S2.1-Flash wydano po cichu: 645 GB wag, 21-bajtowa karta modelu i tabela benchmarków, której nikt nie podlinkował

Autor

jinhao.song

Data publikacji

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

15 listopada 2026 r. o 02:34 UTC konto należące do Shanghai AI Laboratory przesłało do Hugging Face repozytorium o nazwie internlm/Sage-S2.1-Flash. Zawierało ono 120 shardów safetensors o łącznym rozmiarze około 645 gigabajtów, plik konfiguracyjny, szablon czatu oraz README o rozmiarze 21 bajtów. Nie było wpisu na blogu. Strona główna samego laboratorium nie zawierała wzmianki o tej nazwie, gdy pobraliśmy ją 16 listopada. Nie znaleźliśmy żadnego komunikatu prasowego ani wpisu dotyczącego Sage-S2.1-Flash w Artificial Analysis.

To, co faktycznie istniało pod koniec tamtego weekendu, to trzy rzeczy, które czytelnik może sprawdzić: same wagi, przewodnik wdrożeniowy napisany dla osób, które zamierzają serwować to na ośmiu H200, oraz tabela wyników benchmarków hostowana na mikrostronie GitHub Pages, do której repozytorium modelu nigdy nie linkuje. Ten tekst to zestawienie tych trzech rzeczy, z wyraźną granicą między tym, co dowodzą pliki, a tym, czego InternLM jeszcze nie powiedział.

Screenshot of the Hugging Face 'Files and versions' tab for internlm/Sage-S2.1-Flash. The header shows the safetensors and glm5_next tags, the MIT licence, and a repository size of 643 GB. The file list shows .gitattributes, README.md, chat_template.jinja, config.json, deployment_guide.md, generation_config.json, and shards numbered model-00001-of-00120 through model-00013-of-00120 and beyond.

Repozytorium, plik po pliku

Dowody są nietypowo czyste, bo jest ich tak mało. Listing katalogu z 16 listopada zwraca 155 plików. Sto dwadzieścia z nich to shardy wag o rozmiarze około 5,35 GB każdy. Reszta to mechanika modelu multimodalnego: tokenizer.json o rozmiarze 20 megabajtów, chat_template.jinja o rozmiarze 10,5 KB, config.json o rozmiarze 5,9 KB, konfiguracja generowania z temperature 1.0 i top_p 0.95, deployment_guide.md oraz dwa katalogi — jeden zawierający łatkę vLLM, drugi zawierający projektory dla towarzyszącego modelu percepcji.

Warto zatrzymać się na chwilę przy README. Dwadzieścia jeden bajtów i każdy z nich to YAML frontmatter:

• Pozioma linia, następnie jedna linia o treści license: mit, a następnie kolejna pozioma linia.

To cała karta modelu. Nie ma opisu, tabeli benchmarków, fragmentu użycia, bloku cytowania ani linku do artykułu. Hugging Face renderuje ją jako stronę z tytułem, plakietką MIT i pustą treścią. Repozytorium ma jedno polubienie i — w chwili pisania — zero pobrań, co w przypadku modelu tej wielkości jest mniej sygnałem o jakości, a bardziej o tym, jak niewiele osób stać na miejsce na dysku.

Dwa mniejsze szczegóły z listingu plików warto odnotować, ponieważ lepiej datują wydanie niż jakiekolwiek ogłoszenie. Siostrzany model skwantyzowany w FP8, internlm/Sage-S2.1-Flash-FP8, utworzono 13 listopada o 15:04 UTC — około 35 godzin przed repozytorium bfloat16. A ostatni commit repozytorium bf16, z 16 listopada o 03:01 UTC, to po prostu „Upload folder using huggingface_hub”, ta sama wiadomość co przy początkowym przesłaniu. Niezależnie od tego, jaki proces roboczy to wytworzył, nie było to starannie przygotowane wydanie.

Jedyny dokument, który laboratorium faktycznie napisało

deployment_guide.md to jedyny tekst prozatorski, jaki InternLM umieścił w repozytorium, i jest to najbardziej informacyjny plik w nim. Jego zdanie otwierające stanowi całą specyfikację:

Wydanie Sage-S2.1-Flash to multimodalny model MoE 320B-A18B przechowywany w formacie wag bfloat16 (około 645 GB).

Trzy liczby, a własne metadane Hub-a potwierdzają dwie z nich. Liczba parametrów na stronie modelu wynosi 321 miliardów — różnica jednego miliarda niemal na pewno wynika z konwencji zaokrąglania, a nie z rozbieżności. Wielkość przechowywania zgadza się z metadanymi repozytorium internlm i wynosi 642,8 GB. „A18B” — 18 miliardów aktywnych parametrów na token — to własne określenie InternLM, którego nie można niezależnie wyprowadzić z konfiguracji, więc należy traktować je jako dane dostawcy.

config.json uzupełnia resztę, a jest to naprawdę interesujący dokument. Model ma 45 warstw, a tylko 11 z nich korzysta z konwencjonalnej uwagi rzadkiej. Pozostałe 34 korzystają z typu warstwy uwagi liniowej, który konfig określa jako kda, wskazywanego przez listę dla poszczególnych warstw w linear_attn_config. Routing obejmuje 288 ekspertów, jednego wspólnego eksperta i ośmiu wybieranych na token, przy współczynniku skalowania routingu wynoszącym 2,5. Limit pozycyjny wynosi 1 048 576 tokenów. Jest wieża wizyjna — głębokość 24, obrazy o rozmiarze 448 pikseli, rozmiar patcha 14 — a słownik tokenów zawiera jawne tokeny image, video, image-start, image-end, video-start i video-end.

Screenshot of deployment_guide.md rendered in the Hugging Face file viewer for internlm/Sage-S2.1-Flash. The opening sentence reads 'The Sage-S2.1-Flash release is a 320B-A18B multimodal MoE model stored in bfloat16 weight format (about 645 GB).' Below it, the guide states the vLLM and SGLang examples use 8x H200 GPUs and that the model uses the GLM-5.3-Flash architecture, followed by the 'Required for Sage-S2.1-Flash' section on --trust-remote-code and the vLLM patch.

Linia architektury, która liczy się najbardziej

Przewodnik wdrożeniowy zawiera jedno zdanie, które przedstawia całe wydanie w nowym świetle. Mówi ono, że Sage-S2.1-Flash „wykorzystuje architekturę GLM-5.3-Flash”, i instruuje czytelnika, aby zainstalował i dostroił vLLM oraz SGLang, postępując zgodnie z oficjalnymi recepturami GLM-5.3-Flash firmy Z.ai, zastępując jedną nazwę repozytorium drugą.

Potwierdza to konfiguracja: klasa architektury to Glm5NextForConditionalGeneration, a typ modelu to glm5_next. Zatem model Shanghai AI Laboratory jest publikowany na architekturze Z.ai, a laboratorium mówi o tym wprost, zamiast to ukrywać. Sam GLM-5.3-Flash jest multimodalnym MoE z 320 miliardami parametrów, z których 18 miliardów jest aktywnych, z kontekstem 1 mln tokenów i limitem wyjścia 128K — co oznacza, że kształt parametrów również nie jest przypadkiem.

Dla każdego, kto zastanawia się nad wdrożeniem tego, to zdanie jest najcenniejszą rzeczą w wydaniu. Oznacza to, że historia serwowania nie jest nowa. Oznacza to, że przepisy, prace nad jądrem i znane tryby awarii to te już udokumentowane dla modelu, który jest publicznie dostępny od sierpnia. Oznacza to również, że poprawki dodane przez InternLM są warte uważnego przeczytania, ponieważ opisują dokładnie, gdzie ich model odbiega od modelu bazowego.

Trzy sposoby, w jakie to wydanie się zepsuje, jeśli będziesz je serwować naiwnie

Przewodnik po wdrożeniu, czytany uważnie, jest listą pułapek. Każda z nich to cicha awaria, a nie błąd, czyli ten niebezpieczny rodzaj.

• Brak --trust-remote-code psuje wywołania narzędzi bez ostrzeżenia. Ślady agentowe zawierają ciągi takie jak <|user|> i <tool_call> jako zwykły tekst. Repozytorium dostarcza własny kod tokenizacji, który traktuje je jako tekst; bez tej flagi silnik ładuje standardowy tokenizer, koduje je jako tokeny kontrolne, a model może zakończyć przedwcześnie lub uszkodzić wywołanie narzędzia. Nic nie jest rejestrowane w logach.

• vLLM wymaga poprawki w jednym pliku, inaczej obrazy zostaną przypisane do niewłaściwego wyniku narzędzia. Gdy równoległe wywołania narzędzi zwracają wyniki w innej kolejności niż zostały wydane, szablon czatu renderuje wyniki w kolejności wywołań, podczas gdy vLLM zbiera obrazy w kolejności wiadomości. Każdy obraz po cichu trafia do niewłaściwego wyniku, a model odpowiada na temat niewłaściwego obrazu. Poprawka zastępuje vllm/renderers/hf.py; poprawka upstream jest w drodze jako vllm-project/vllm#67108.

• SGLang nie użyje szablonu czatu z repozytorium, chyba że przekażesz mu plik. Domyślnie SGLang instaluje własny wbudowany szablon dla tej architektury, co całkowicie omija tokenizer z repozytorium; musisz pobrać chat_template.jinja i przekazać go za pomocą --chat-template.

in non-streaming responses can truncate reasoning or swallow a tool call; streaming is unaffected." Need literal </think> preserve exactly. "Przewodnik wskazuje też otwarty problem vLLM — vllm-project/vllm#64326 — w którym dosłowny </think> w odpowiedziach nieprzesyłanych strumieniowo może obciąć rozumowanie lub pochłonąć wywołanie narzędzia; strumieniowanie nie jest tym dotknięte." Need "non-streaming responses" "odpowiedziach nieprzesyłanych strumieniowo" okay. "swallow a tool call" "połknąć wywołanie narzędzia". Maybe "przełknąć". "streaming is unaffected" "tryb strumieniowy nie jest objęty problemem". Need no markers. Output only translated. Need maybe preserve "Hopper GPUs" as "GPU Hopper". "H100s and H200s" "H100 i H200". Good. Need check "two more constraints" could mean "Są jeszcze dwa ograniczenia w tym samym dokumencie." Good. Let's produce Polish only.W tym samym dokumencie są jeszcze dwa ograniczenia. Pamięć podręczna KV FP8 nie jest obsługiwana na GPU Hopper, więc na H100 i H200 pozostaje pamięć podręczna BF16. A LMDeploy wymaga transformers w wersji od 5.17 do 5.19, ponieważ 5.19 zmienia nazwę typu warstwy deepseek_sparse_attention na indexed_attention, a LMDeploy odrzuca nową nazwę. Przewodnik wskazuje też otwarty problem vLLM — vllm-project/vllm#64326 — w którym dosłowny </think> w odpowiedziach nieprzesyłanych strumieniowo może obciąć rozumowanie lub połknąć wywołanie narzędzia; tryb strumieniowy nie jest tym dotknięty.

Nic z tego nie oznacza, że model jest zły. Oznacza to, że wydanie jest na etapie, na którym jedynymi osobami, które je uruchomiły, są wciąż osoby, które je napisały, i mówią wam o tym.

Tabela benchmarków, której nie ma w repozytorium

InternLM jednak opublikował liczby z ewaluacji — 35 takich liczb, obejmujących Terminal-Bench 2.1, DeepSWE, SWE-bench Pro, APEX-Agents, GDPval, OfficeQA Pro V2, Harvey LAB, OSWorld-Verified, BrowseComp, BabyVision i dwa tuziny kolejnych. Nie ma ich w karcie modelu, ponieważ karta modelu jest pusta. Znajdują się w osobnym repozytorium GitHub, InternLM/Sage-S2.1-Flash, utworzonym 16 listopada o 03:34 UTC, opisanym jako „Sage 2.1 Flash bilingual website and application demos”, które buduje statyczną witrynę pod adresem internlm.github.io/Sage-S2.1-Flash. Dane benchmarkowe są tam zacommitowane jako plik rozdzielany tabulatorami i plik JSON, wraz z filmami demonstracyjnymi, na których model obsługuje 3D Slicer, Blender i Fiji.

Angielska wersja tekstu na tej stronie zaczyna się od: „Dziś przedstawiamy Sage 2.1 Flash, czołowy naukowy multimodalny model agentowy”. Ogłoszenie więc istnieje — znajduje się po prostu na hoście GitHub Pages, do którego nic w repozytorium Hugging Face nie prowadzi, i powstało już po tym, jak wagi były dostępne do pobrania. Jeśli chcesz poznać sposób ujęcia samego dostawcy, to właśnie ten akapit: ponad dziesięć rodzajów naukowych danych wejściowych w jednym modelu, w tym grafy molekularne, struktury krystaliczne, sekwencje i struktury 3D białek, DNA i RNA, widma, widma mas, dyfrakcja rentgenowska, elektrokardiogramy, elektroencefalogramy i krzywe jasności.

Tabela oceny porównuje Sage 2.1 Flash z ośmioma modelami: GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017, Qwen3.8-Max, GPT-5.6 Sol, Claude Opus 5, GPT-6 Astra, GPT-6.1 Sol i Claude Opus 5.5. Każda liczba w niej jest podana przez dostawcę. Nie opublikowano środowiska testowego, dziennika uruchomień ani zestawienia wyników dla poszczególnych zadań, a żadna strona trzecia nie odtworzyła żadnej z tych danych. Tabelę należy czytać jako deklarację intencji laboratorium, a nie jako pomiar.

Gdzie tabela dostawców jest wyjątkowo mocna i wyjątkowo słaba

Wyróżniają się dwa wzorce i oba niosą więcej informacji niż wyniki z nagłówków.

Po pierwsze, to właśnie w wierszach naukowych i wizyjnych marginesy są absurdalne. BabyVision wskazuje 75,8 dla Sage wobec 51,3 dla GLM-5.3-Flash, 58,0 dla DeepSeek-V4.1-Flash-1017 i 63,1 dla Claude Opus 5. OSWorld-G wskazuje 84,8 wobec 61,4 dla DeepSeek. OfficeQA Pro V2 wskazuje 72,2, najwyższy wynik w swojej tabeli, przed Claude Opus 5 z 67,2. Kiedy model wygrywa wiersz z przewagą dwudziestu czterech punktów, albo zdolność jest prawdziwa, albo benchmark jest odczytywany inaczej dla tego modelu niż dla pozostałych — a bez opublikowanego harnessu nie można stwierdzić, który przypadek zachodzi.

Po drugie, wiersze dotyczące kodowania są najmniej pochlebnym dokumentem w tym wydaniu. Terminal-Bench 2.1 z wynikiem 87,9 jest mocny, ale nie prowadzi; Qwen3.8-Max ma 89,6, a Claude Opus 5 — 90,2. SWE-bench Pro z wynikiem 60,6 ustępuje DeepSeek-V4.1-Flash-1017 z 64,7 i Qwen3.8-Max z 65,3. DeepSWE z wynikiem 67,0 pozostaje o blisko siedem punktów za DeepSeek z 73,9. W przypadku modelu, którego marketing koncentruje się na agentowości, to tabela, którą jego własni autorzy zdecydowali się opublikować, co ma swoją wartość.

To, czego tabela nie zawiera, jest równie godne uwagi: zarówno Claude Haiku 5.5, jak i Gemini 3.8 Flash są nieobecne, więc dwóch porównań, których większość ludzi by oczekiwała, nie da się w ogóle przeprowadzić na podstawie danych dostawców — w żadnym kierunku.

A generated infographic titled 'Sage-S2.1-Flash - what the weekend actually established', listing four tiers as cards. 'Confirmed by the files': 120 shards, 645 GB, bfloat16, MIT licence, 45 layers, 1,048,576-token ceiling. 'Confirmed by the vendor guide': 320B total, 18B active, GLM-5.3-Flash architecture, 8xH200 reference. 'Vendor-reported, unreproduced': 35 benchmark rows, harness undocumented. 'Not confirmed': no price, no hosted endpoint, no independent score. Footer: 'Sage-S2.1-Flash figures unaudited; file and licence facts from the Hugging Face repository.' The OrcaRouter logo is composited in the bottom-right corner.

Co jest potwierdzone, a co nie

Najbardziej użyteczną rzeczą, jaką czytelnik może zrobić z weekendowymi dowodami, jest podzielenie ich na dwa stosy.

• Potwierdzone przez pliki — wagi istnieją i można je pobrać na licencji MIT; 120 shardów, około 645 GB, bfloat16; 45 warstw z podziałem uwagi liniowej i rzadkiej w proporcji 34/11; 288 ekspertów routowanych, top-8; limit pozycji wynoszący 1 048 576 tokenów; wieża wizyjna oraz tokeny obrazów/wideo; wariant FP8 opublikowany dwa dni wcześniej.

• Potwierdzone w oficjalnym przewodniku dostawcy — 320B łącznie, 18B aktywnych; architektura GLM-5.3-Flash; 8×H200 jako wdrożenie referencyjne; pięć udokumentowanych pułapek związanych z serwowaniem.

• Zgłoszone przez producenta, nieodtworzone — każdy wynik benchmarku, w tym 24-punktowa przewaga w BabyVision i 72,2 w OfficeQA Pro V2.

• Niepotwierdzone — ile to kosztuje. Nigdzie nie ma ceny: ani w Hub, ani w przewodniku, ani na mikrostronie. Przycisk „Try the API” prowadzi do discovery.intern-ai.org.cn, który w przypadku pobrania bez JavaScriptu zwrócił prawie pustą powłokę; nie mogliśmy z zewnątrz ustalić, czy model można tam wywołać, pod jakim identyfikatorem ani w jakiej stawce.

• Również niepotwierdzone — czy to w ogóle premiera, w tym sensie, jaki to słowo zwykle niesie. Żadnego ogłoszenia, żadnej publikacji pod tą nazwą, żadnego dostępu dla partnerów, a karta modelu wygląda tak, jakby mogła ją wygenerować jakaś skryptowa procedura.

Jak na to patrzeć, nie stawiając na szali ścieżki produkcyjnej

Praktyczne pytanie dla większości zespołów nie brzmi: „czy to jest lepsze od tego, co uruchamiam”, lecz „czy warto poświęcić na to godzinę”. Przy 645 GB w bfloat16 to nie jest plik do pobrania na laptopa; uczciwym punktem wejścia jest wynajęty węzeł 8×H200, popołudnie z przewodnikiem wdrożeniowym i pogodzenie się z tym, że uruchamiasz model, dla którego nikt nie opublikował harnessu.

Tańszym eksperymentem, zanim cokolwiek z tego zrobisz, jest odczytanie wiersza architektury jako skrótu. InternLM podaje we własnym przewodniku, że model jest zbudowany na architekturze GLM-5.3-Flash i że należy stosować dla niego receptury serwowania Z.ai, zastępując nazwę jednego repozytorium nazwą drugiego. Oznacza to, że bazowa architektura — ten sam kształt 320B/18B, ta sama hybrydowa uwaga rzadka i liniowa, ten sam limit miliona tokenów — jest dostępna do testowania już dziś za pośrednictwem hostowanego API, a nie przez osiem GPU, które najpierw trzeba znaleźć. Jeśli model bazowy już sprawdza się na twoich dokumentach naukowych, pochodna jest udoskonaleniem wartym pobrania. Jeśli nie, zaoszczędziłeś weekend.

To, gdzie OrcaRouter naprawdę zasługuje na swoje miejsce, to przestrzeń między „chcemy to wypróbować” a „możemy to udostępniać”. Automatyczne przełączanie awaryjne pozwala umieścić eksperymentalny punkt końcowy za polityką bez czynienia go jedyną ścieżką: jeśli nowy model zwróci nieprawidłowo sformowane wywołanie narzędzia — a przewodnik wdrożeniowy dokładnie mówi, jak to zrobi, jeśli pominiesz flagę lub poprawkę — żądanie trafia do modelu, któremu już ufasz, a Ty zachowujesz ślad. To lepszy sposób gromadzenia dowodów niż jednorazowy skrypt ewaluacyjny, ponieważ zbiera dowody na rzeczywistym ruchu.

Co by to rozstrzygnęło?

Trzy wydarzenia w rosnącej kolejności użyteczności. Karta modelu powiedziałaby nam, do czego według laboratorium służy model, i prawdopodobnie zawierałaby tę samą tabelę, która obecnie utknęła na hoście GitHub Pages. Wpis na niezależnym rankingu pozwoliłby komuś odjąć marże dostawcy od wspólnego zestawu testowego. A cena — jakakolwiek cena, gdziekolwiek — zamieniłaby Sage-S2.1-Flash z pliku do pobrania w decyzję.

Dopóki któreś z nich się nie pojawi, trafny opis to ten, który potwierdzają pliki: duży, objęty licencją MIT, naukowo dostrojony multimodalny MoE, zbudowany na publicznej architekturze, opublikowany bez słowa wyjaśnienia, którego własni autorzy wciąż łatają stos obsługi. To nie jest nic. To również nie jest jeszcze produktem, a ta różnica ma największe znaczenie dla ludzi, którzy musieliby go uruchamiać.