
Sage-S2.1-Flash lançado discretamente: 645 GB de pesos, um cartão de modelo de 21 bytes e uma tabela de benchmark que ninguém linkou
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 90 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 96 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 87 tok/s
- OrcaNOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 133 tok/s
- OrcaNOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 por 1M de tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 152 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligência
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligência
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 219 tok/s
Em 15 de novembro de 2026, às 02:34 UTC, uma conta pertencente ao Shanghai AI Laboratory carregou um repositório chamado internlm/Sage-S2.1-Flash no Hugging Face. Ele continha 120 shards safetensors totalizando cerca de 645 gigabytes, um arquivo de configuração, um template de chat e um README de 21 bytes. Não havia postagem de blog. A própria página inicial do laboratório não continha menção ao nome quando a acessamos em 16 de novembro. Não encontramos nenhum comunicado à imprensa e não havia entrada para Sage-S2.1-Flash no Artificial Analysis.
O que existia, ao fim daquele fim de semana, eram três coisas que um leitor pode verificar: os próprios pesos, um guia de implantação escrito para pessoas que pretendem servir a coisa em oito H200s, e uma tabela de benchmark hospedada em um microsite no GitHub Pages para o qual o repositório do modelo nunca aponta. Este texto é um inventário dessas três coisas, com uma linha clara entre o que os arquivos provam e o que a InternLM ainda não disse.

O repositório, arquivo por arquivo
As evidências são invulgarmente limpas porque há muito poucas. Uma listagem de diretório em 16 de novembro retorna 155 arquivos. Cento e vinte deles são fragmentos de pesos de aproximadamente 5,35 GB cada. O restante é o maquinário de um modelo multimodal: tokenizer.json com 20 megabytes, um chat_template.jinja de 10,5 KB, um config.json de 5,9 KB, uma configuração de geração com temperature 1.0 e top_p 0.95, um deployment_guide.md e dois diretórios — um contendo um patch do vLLM, outro contendo projetores para um modelo de percepção complementar.
Vale a pena nos determos no README. Vinte e um bytes, e cada um deles é frontmatter YAML:
• Uma linha horizontal, depois uma linha com o texto license: mit, depois outra linha horizontal.
Esse é o cartão do modelo inteiro. Não há descrição, nem tabela de benchmarks, nem trecho de uso, nem bloco de citação, nem link para um artigo. O Hugging Face o renderiza como uma página com um título, um selo MIT e um corpo vazio. O repositório tem uma curtida e, no momento em que este texto foi escrito, zero downloads — o que, para um modelo deste tamanho, é menos um sinal sobre qualidade do que sobre quão poucas pessoas podem arcar com o espaço em disco.
Dois detalhes menores da listagem de arquivos merecem registro, porque datam o lançamento melhor do que qualquer anúncio faria. O irmão quantizado em FP8, internlm/Sage-S2.1-Flash-FP8, foi criado em 13 de novembro às 15:04 UTC — cerca de 35 horas antes do repositório bfloat16. E o último commit do repositório bf16, às 03:01 UTC de 16 de novembro, é um simples "Upload folder using huggingface_hub", a mesma mensagem do upload inicial. Qualquer que tenha sido o fluxo de trabalho que produziu isto, não foi um lançamento curado.
O único documento que o laboratório realmente escreveu.
O deployment_guide.md é a única prosa que a InternLM incluiu no repositório, e é o arquivo mais informativo que há nele. Sua frase inicial é toda a especificação:
O lançamento do Sage-S2.1-Flash é um modelo MoE multimodal 320B-A18B armazenado no formato de pesos bfloat16 (cerca de 645 GB).
Três números, e os próprios metadados do Hub confirmam dois deles. A contagem de parâmetros na página do modelo indica 321 bilhões, uma diferença de um bilhão que quase certamente é uma convenção de arredondamento, e não uma divergência. O número de armazenamento confere com os metadados do repositório do internlm em 642,8 GB. "A18B" — 18 bilhões de parâmetros ativos por token — é um termo da própria InternLM e não pode ser derivado de forma independente a partir da configuração, então trate-o como um número do fornecedor.
O config.json preenche o restante, e é um documento genuinamente interessante. O modelo tem 45 camadas, e apenas 11 delas usam atenção esparsa convencional. As outras 34 usam um tipo de camada de atenção linear que o config chama de kda, indexado por uma lista por camada em linear_attn_config. O roteamento é de 288 especialistas com um especialista compartilhado e oito selecionados por token, com um fator de escala de roteamento de 2,5. O teto posicional é de 1.048.576 tokens. Há uma torre de visão — profundidade 24, imagens de 448 pixels, tamanho de patch 14 — e o vocabulário de tokens carrega tokens explícitos de imagem, vídeo, início de imagem, fim de imagem, início de vídeo e fim de vídeo.

A linha de arquitetura que mais importa
O guia de implantação contém uma frase que recontextualiza todo o lançamento. Ela diz que o Sage-S2.1-Flash "usa a arquitetura GLM-5.3-Flash" e instrui o leitor a instalar e ajustar o vLLM e o SGLang seguindo as receitas oficiais do GLM-5.3-Flash da Z.ai, substituindo o nome de um repositório pelo do outro.
Isso está confirmado na config: a classe de arquitetura é Glm5NextForConditionalGeneration e o tipo de modelo é glm5_next. Portanto, um modelo do Shanghai AI Laboratory é publicado sobre uma arquitetura da Z.ai, e o laboratório diz isso abertamente em vez de esconder. O GLM-5.3-Flash é, ele próprio, um MoE multimodal de 320 bilhões de parâmetros, com 18 bilhões ativos, contexto de 1M tokens e teto de saída de 128K — o que quer dizer que o formato dos parâmetros também não é coincidência.
Para quem está decidindo se implanta isso, essa frase é a coisa mais valiosa da versão. Isso significa que a história de serving não é nova. Significa que as receitas, o trabalho de kernel e os modos de falha conhecidos são os já documentados para um modelo que é público desde agosto. Também significa que os patches que a InternLM adicionou merecem uma leitura atenta, porque descrevem exatamente onde o modelo deles se diferencia da base.
Três formas de esta versão quebrar se você a servir de forma ingênua
O guia de implantação é, quando lido com atenção, uma lista de armadilhas. Cada uma é uma falha silenciosa, e não um erro, o que é o tipo perigoso.
• A ausência de --trust-remote-code quebra chamadas de ferramentas sem aviso. Rastros agênticos contêm strings como <|user|> e <tool_call> como texto comum. O repositório traz seu próprio código de tokenização que as trata como texto; sem a flag, o mecanismo carrega o tokenizador padrão, codifica-as como tokens de controle, e o modelo pode parar cedo ou corromper uma chamada de ferramenta. Nada é registrado.
• O vLLM precisa de um patch de um único arquivo, ou as imagens serão anexadas ao resultado de ferramenta errado. Quando chamadas de ferramentas paralelas retornam em uma ordem diferente daquela em que foram emitidas, o template de chat renderiza os resultados na ordem das chamadas, enquanto o vLLM coleta as imagens na ordem das mensagens. Cada imagem acaba silenciosamente no resultado errado e o modelo responde sobre a imagem errada. A correção substitui vllm/renderers/hf.py; a correção upstream está em andamento como vllm-project/vllm#67108.
• O SGLang não usará o template de chat do repositório, a menos que você forneça o arquivo a ele. O SGLang instala seu próprio template interno para essa arquitetura por padrão, o que ignora completamente o tokenizer do repositório; você precisa baixar chat_template.jinja e passá-lo com --chat-template.
` literal, non-streaming, streaming. Need likely Portuguese (Brazil? generic). Let's craft natural. Original: "There are two more constraints in the same document. FP8 KV cache is not supported on Hopper GPUs, so on H100s and H200s you keep the BF16 cache. And LMDeploy needs transformers between 5.17 and 5.19, because 5.19 renames the layer type deepseek_sparse_attention to indexed_attention and LMDeploy rejects the new name. The guide also flags an open vLLM issue — vllm-project/vllm#64326 — where a literal </think> in non-streaming responses can truncate reasoning or swallow a tool call; streaming is unaffected." Translate: "Há mais duas restrições no mesmo documento. O cache KV FP8 não é compatível com GPUs Hopper, então em H100s e H200s você mantém o cache BF16. E o LMDeploy precisa de transformers entre 5.17 e 5.19, porque a 5.19 renomeia o tipo de camada deepseek_sparse_attention para indexed_attention e o LMDeploy rejeita o novo nome. O guia também sinaliza um problema aberto do vLLM — vllm-project/vllm#64326 — em que um </think> literal em respostas sem streaming pode truncar o raciocínio ou engolir uma chamada de ferramenta; o streaming não é afetado." Need maybe "cache KV FP8" or "cache de KV FP8"; "não tem suporte em GPUs Hopper" better. "H100s e H200s" preserve. "você mantém" okay. "transformers" maybe lowercase as package. "entre 5.17 e 5.19" okay. "porque a versão 5.19 renomeia..." Could translate "a 5.19" okay. "swallow a tool call" = "engolir uma chamada de ferramenta" or "suprimir". "truncate reasoning" = "truncar o raciocínio". "sem streaming" = non-streaming. "streaming não é afetado." Good. Need output only translated text. No markers. Final.Há mais duas restrições no mesmo documento. O cache KV FP8 não é compatível com GPUs Hopper, então em H100s e H200s você mantém o cache BF16. E o LMDeploy precisa de transformers entre 5.17 e 5.19, porque a 5.19 renomeia o tipo de camada deepseek_sparse_attention para indexed_attention e o LMDeploy rejeita o novo nome. O guia também sinaliza um problema aberto do vLLM — vllm-project/vllm#64326 — em que um </think> literal em respostas sem streaming pode truncar o raciocínio ou engolir uma chamada de ferramenta; o streaming não é afetado.
Nada disso significa que o modelo seja ruim. Significa que o lançamento está no estágio em que as pessoas que o escreveram ainda são as únicas que o rodaram, e elas estão dizendo isso a você.
A tabela de benchmark que não está no repositório
A InternLM publicou, sim, números de avaliação — 35 deles, em Terminal-Bench 2.1, DeepSWE, SWE-bench Pro, APEX-Agents, GDPval, OfficeQA Pro V2, Harvey LAB, OSWorld-Verified, BrowseComp, BabyVision e mais duas dúzias. Eles não estão no card do modelo, porque o card do modelo está vazio. Eles ficam em um repositório separado no GitHub, InternLM/Sage-S2.1-Flash, criado em 16 de novembro às 03:34 UTC, descrito como "demos bilíngues de site e aplicativo do Sage 2.1 Flash", que gera um site estático em internlm.github.io/Sage-S2.1-Flash. Os dados de benchmark estão versionados lá como um arquivo separado por tabulações e um arquivo JSON, ao lado de vídeos de demonstração do modelo operando o 3D Slicer, o Blender e o Fiji.
A cópia em inglês desse site começa com "Hoje, apresentamos o Sage 2.1 Flash, um modelo agente multimodal científico de fronteira". Então o anúncio existe — só está em um host do GitHub Pages para o qual nada no repositório do Hugging Face aponta, e foi criado depois que os pesos já estavam disponíveis para download. Se você quiser o enquadramento do próprio fornecedor, é esse parágrafo: mais de dez tipos de entrada científica em um único modelo, incluindo grafos moleculares, estruturas cristalinas, sequências e estruturas 3D de proteínas, DNA e RNA, espectros, espectros de massa, difração de raios X, eletrocardiogramas, eletroencefalogramas e curvas de luz.
A tabela de avaliação compara o Sage 2.1 Flash com oito modelos: 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 e Claude Opus 5.5. Todos os números nela são relatados pelos fornecedores. Não há harness publicado, nem log de execução, nem detalhamento por tarefa, e nenhum terceiro reproduziu qualquer parte disso. Leia a tabela como uma declaração de intenção do laboratório, não como medição.
Onde a tabela de fornecedores é incomumente forte, e incomumente fraca
Dois padrões se destacam, e ambos são mais informativos do que as pontuações principais.
A primeira é que é nas linhas de ciência e visão que as margens são absurdas. O BabyVision registra 75,8 para o Sage, contra 51,3 para o GLM-5.3-Flash, 58,0 para o DeepSeek-V4.1-Flash-1017 e 63,1 para o Claude Opus 5. O OSWorld-G registra 84,8 contra 61,4 para o DeepSeek. O OfficeQA Pro V2 registra 72,2, o mais alto em sua própria tabela, à frente do Claude Opus 5, com 67,2. Quando um modelo vence uma linha por vinte e quatro pontos, ou a capacidade é real, ou o benchmark está sendo interpretado de forma diferente para este modelo do que para os outros — e, sem um harness publicado, não é possível saber qual.
O segundo ponto é que as linhas de codificação são o documento menos lisonjeiro do lançamento. O Terminal-Bench 2.1, com 87,9, é forte, mas não lidera; o Qwen3.8-Max está com 89,6 e o Claude Opus 5 com 90,2. O SWE-bench Pro, com 60,6, fica atrás do DeepSeek-V4.1-Flash-1017, com 64,7, e do Qwen3.8-Max, com 65,3. O DeepSWE, com 67,0, fica atrás do DeepSeek, com 73,9, por quase sete pontos. Para um modelo cujo marketing é agêntico, essa é uma tabela que os próprios autores escolheram publicar, o que vale alguma coisa.
O que a tabela não contém é igualmente digno de nota: Claude Haiku 5.5 e Gemini 3.8 Flash estão ambos ausentes, de modo que as duas comparações que a maioria das pessoas gostaria de fazer não podem ser feitas a partir de dados dos fornecedores, em absoluto, em nenhuma direção.

O que está confirmado e o que não está
Separar as evidências do fim de semana em duas pilhas é a coisa mais útil que um leitor pode fazer com elas.
• Confirmado pelos arquivos — os pesos existem e podem ser baixados sob MIT; 120 shards, cerca de 645 GB, bfloat16; 45 camadas com uma divisão de atenção linear para esparsa de 34/11; 288 especialistas roteados, top-8; um teto posicional de 1.048.576 tokens; uma torre de visão e tokens de imagem/vídeo; um irmão FP8 publicado dois dias antes.
• Confirmado pelo próprio guia do fornecedor — 320B no total, 18B ativos; a arquitetura GLM-5.3-Flash; 8×H200 como implantação de referência; cinco armadilhas documentadas de serving.
• Informado pelo fornecedor, não reproduzido — cada resultado de benchmark, incluindo a margem de 24 pontos do BabyVision e o 72,2 no OfficeQA Pro V2.
• Não confirmado — quanto custa. Não há preço em lugar algum: nem no Hub, nem no guia, nem no microsite. O botão "Try the API" aponta para discovery.intern-ai.org.cn, que retornou uma casca quase vazia a uma requisição sem JavaScript; não conseguimos estabelecer de fora se o modelo pode ser chamado ali, sob qual identificador ou a que taxa.
• Também não confirmado — se isto é sequer um lançamento, no sentido que a palavra costuma carregar. Nenhum anúncio, nenhum artigo com este nome, nenhum acesso de parceiros, e um cartão de modelo que um script poderia ter gerado.
Como encarar isso sem apostar um caminho de produção nisso
A pergunta prática para a maioria das equipes não é “isto é melhor do que o que eu uso”, mas “vale uma hora”. Com 645 GB em bfloat16, não é um download para laptop; o ponto de entrada honesto é um nó 8×H200 alugado, uma tarde com o guia de implantação e aceitar que você está executando um modelo para o qual ninguém publicou um harness.
O experimento mais barato, antes de tudo isso, é ler a linha da arquitetura como um atalho. O InternLM diz em seu próprio guia que o modelo é construído sobre a arquitetura GLM-5.3-Flash e que você deve seguir as receitas de serviço da Z.ai para ele, substituindo um nome de repositório pelo outro. Isso significa que a arquitetura base — mesmo formato 320B/18B, mesma atenção híbrida esparsa e linear, mesmo teto de um milhão de tokens — está disponível para testar hoje por meio de uma API hospedada em vez de por oito GPUs que você precisa encontrar primeiro. Se o modelo base já se comporta bem com seus documentos científicos, o derivado é um refinamento que vale o download. Se não, você economizou o fim de semana.
Onde o OrcaRouter realmente conquista seu lugar aqui é na lacuna entre "queremos experimentar" e "conseguimos servir". O failover automático permite colocar um endpoint experimental por trás de uma política sem torná-lo o único caminho: se o novo modelo retornar uma chamada de ferramenta malformada — e o guia de implantação informa exatamente como isso vai acontecer, se você pular a flag ou o patch — a requisição recai para um modelo em que você já confia, e você mantém o trace. Essa é uma forma melhor de coletar evidências do que um script de avaliação pontual, porque coleta evidências em tráfego real.
O que resolveria isso
Três eventos, em ordem crescente de utilidade. Uma ficha de modelo nos diria para que o laboratório acha que o modelo serve e provavelmente traria a mesma tabela que atualmente está encalhada em um host do GitHub Pages. Uma entrada em um ranking independente permitiria a alguém subtrair as margens do fornecedor de um conjunto de testes comum. E um preço — qualquer preço, em qualquer lugar — transformaria o Sage-S2.1-Flash de um download em uma decisão.
Até que um desses surja, a descrição precisa é a que os arquivos sustentam: um MoE multimodal grande, licenciado sob MIT, ajustado cientificamente, construído sobre uma arquitetura pública, publicado sem uma palavra de explicação, cujos próprios autores ainda estão corrigindo a pilha de serving. Isso não é pouca coisa. Também ainda não é um produto, e a diferença importa mais para as pessoas que teriam de executá-lo.
