Intern-S2-397B vs Intern-S2 Mobius: o carro-chefe de 397B e o raciocinador de 35B

Intern-S2-397B e Intern-S2 Mobius são ambos modelos da InternLM, ambos com licença Apache-2.0, ambos chamados de Intern-S2, e dificilmente poderiam ser mais diferentes sob o nome. O Intern-S2-397B é o carro-chefe: um modelo de mistura de especialistas com 403 bilhões de parâmetros para inteligência científica e agentes de horizonte longo, lançado pela InternLM em 13 de setembro de 2026. O Intern-S2 Mobius é um experimento de raciocínio com 35 bilhões de parâmetros que chegou em 29 de julho de 2026, construído sobre a arquitetura Mobius-v0, com memória compartilhada globalmente e raciocinadores iterativos, pré-treinado continuamente a partir do Qwen3.5-35B. A colisão de nomes é a razão inteira pela qual esta comparação precisa existir, porque uma busca por "Intern-S2 review" trará ambos os modelos, e os dois não são substitutos um do outro em nenhuma direção.

Duas arquiteturas, duas funções

Intern-S2-397B é um transformer MoE convencional, amplo onde importa: 60 camadas, 512 especialistas com 10 ativos por token, um contexto de raciocínio de texto de 256K e um multimodal de 64K, e uma superfície de entrada que aceita texto, imagem e séries temporais. Seu paradigma de pré-treinamento lê páginas brutas de literatura científica — figuras, layout, notação simbólica e prosa em conjunto — e seu aprendizado por reforço abrange mais de vinte domínios científicos, além de treinamento de agentes de horizonte longo em ambientes de sandbox. É um especialista que também é um modelo geral: MMLU Pro 89,77, MMMU Pro 81,68, SWE-bench-Pro 68,54 em seu próprio card, todos reportados pela InternLM e não reproduzidos.

O Intern-S2 Mobius é uma aposta diferente em uma questão diferente. Em vez de vincular armazenamento de conhecimento e computação de raciocínio camada por camada, a arquitetura Mobius-v0 mantém uma Memória globalmente compartilhada de vetores de conhecimento e permite que múltiplos Raciocinadores iterem contra ela, refinando estados ocultos sobre representações contínuas de alta densidade. O argumento de venda é a eficiência de inferência: uma aceleração ponta a ponta de quase 4x em relação ao baseline Qwen3.5-35B do qual ele deriva, com pontuações de raciocínio comparáveis ou mais fortes. Essa é uma afirmação de throughput sobre um baseline específico — e uma alegação do fornecedor, sem reprodução independente — mas é a razão pela qual o modelo existe.

• Arquitetura — Intern-S2-397B: transformer MoE padrão, 60 camadas, 512 especialistas / 10 ativos vs Intern-S2 Mobius: Mobius-v0, Memória compartilhada + Raciocinadores iterativos.

• Escala — Intern-S2-397B: 403B no total, ~807 GB de pesos em BF16 vs Intern-S2 Mobius: 35B no total.

• Linhagem — Intern-S2-397B: paradigma original de pré-treinamento científico vs. Intern-S2 Mobius: pré-treinado continuamente a partir do Qwen3.5-35B.

• Entradas — Intern-S2-397B: texto, imagem, série temporal vs Intern-S2 Mobius: texto, imagem.

• Contexto — Intern-S2-397B: 256K de texto / 64K multimodal vs. Intern-S2 Mobius: ainda sem valor de contexto declarado de forma independente.

• Reivindicação de velocidade — Intern-S2-397B: nenhuma anunciada vs Intern-S2 Mobius: quase 4x de aceleração de raciocínio de ponta a ponta sobre a linha de base Qwen3.5-35B, segundo o fornecedor.

• Evidência independente — nenhum dos modelos tem uma pontuação de terceiros.

Qual número pertence a qual modelo

A colisão de nomes torna-se um risco prático no momento em que você lê uma avaliação. Uma afirmação de benchmark sobre "Intern-S2" — MMLU Pro 89.77, HMMT-2026 93.56, Biology-Instructions 55.71 — refere-se ao flagship de 397B, porque é a esse modelo que a tabela de lançamento pertence. Uma afirmação de throughput sobre "Intern-S2" — o ganho de velocidade de quase 4x — refere-se ao Mobius, porque é o modelo cuja arquitetura é voltada à eficiência de inferência. Confira a contagem de parâmetros antes de citar qualquer um dos números. Uma avaliação que diz "Intern-S2 é 4x mais rápido" e outra que diz "Intern-S2 supera o Grok 4.6 no TerminalBench" estão falando de modelos diferentes, e a segunda alegação não sobrevive nem à própria tabela do fornecedor.

Do lado das evidências, nenhum dos modelos foi testado por alguém fora da InternLM. A ficha do carro-chefe é uma tabela de benchmark do fornecedor executada por meio do OpenCompass, VLMEvalKit e AgentCompass; a ficha do Mobius é uma descrição mais uma alegação de ganho de velocidade em relação a uma linha de base a partir da qual o modelo recebeu fine-tuning. A ausência de verificação independente importa mais aqui do que na maioria das comparações porque as alegações mais fortes dos dois modelos estão em eixos completamente diferentes — capacidade para um, vazão para o outro — e nenhum dos eixos tem uma medição externa até agora.

Qual deles executar

Execute o Intern-S2-397B quando a tarefa for compreensão científica: ler um artigo repleto de figuras, analisar um diagrama molecular, fazer previsões a partir de um sinal de série temporal ou executar um agente de longa execução que precise continuar trabalhando em uma tarefa de pesquisa. É o modelo de que trata a cobertura desta semana, e suas linhas gerais são respeitáveis o bastante para que você não esteja comprando um pônei de um truque só. O preço é o hardware: um checkpoint de 403B exige um nó multi-GPU de respeito, e, se você não tiver um, a API oficial do Intern é a alternativa.

Considere o Intern-S2 Mobius quando a tarefa for raciocínio em alto volume em hardware que você já possui e você se importar mais com o custo por token do que com um ou dois pontos na pontuação de benchmark. Um modelo de 35B com uma vantagem plausível de 4x em throughput sobre sua linha de base é uma proposta de serving genuinamente interessante — mas valide o ganho de velocidade nos seus próprios traces antes de construir em torno dele, porque ninguém fora da InternLM o reproduziu ainda. De qualquer forma, rotule o modelo explicitamente em todo texto que escrever, porque o nome sozinho já não diz qual deles você quer dizer.