Um card de título principal para a comparação Sage-S2.1-Flash vs Qwen 3.8 Flash, com o subtítulo Um tem uma lista de preços. O outro tem 645 GB de pesos e um card de modelo vazio, três cards com os textos 321B no total / 18B ativos, 645 GB BF16 / 8x H200 para servir e /bin/bash.15 de entrada / /bin/bash.47 de saída por 1M de tokens, e um rodapé observando que os números do Sage-S2.1-Flash vêm do seu repositório no Hugging Face e o preço de tabela do Qwen 3.8 Flash vem do QwenCloud em 16 de novembro de 2026; o logotipo da OrcaRouter é composto no canto inferior direito.
Guides & Insights

Sage-S2.1-Flash vs Qwen 3.8 Flash: Oito H200s contra quinze centavos

Autor

Gideon Frost

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

O cartão do modelo de Sage-S2.1-Flash tem vinte e um bytes de comprimento. Ele começa com um cabeçalho de licença, diz license: mit e termina. Não há introdução, nem tabela de benchmarks, nem comprimento de contexto, nem uso pretendido, nem endereço de contato. O próprio repositório não está vazio — 120 shards de pesos bfloat16, cerca de 645 GB deles, além de um arquivo de configuração, um template de chat, um guia de implantação e cinco pequenas pastas de adaptadores científicos —, mas tudo o que um leitor normalmente usaria para decidir se deve se importar foi deixado de fora. Os pesos foram publicados em 15 de novembro de 2026 e revisados até o dia 16. A InternLM, organização de modelos do Laboratório de IA de Xangai, não anunciou nada: nenhuma postagem de blog, nenhum artigo, nenhuma publicação no site da própria família. No momento da escrita, o repositório mostra zero downloads no mês, uma curtida e nenhum provedor de inferência servindo-o.

Qwen 3.8 Flashé o tipo oposto de objeto. A Alibaba o vende por meio do QwenCloud desde 26 de agosto de 2026 a US$ 0,15 por milhão de tokens de entrada e US$ 0,47 por milhão de saída, publicou seus limites de taxa e sua lista de ferramentas, lançou pesos abertos sob o nome Qwen3.8-Flash-Next e colocou uma tabela de benchmark de doze linhas naquele card. Está ativo no OrcaRouter como qwen/qwen3.8-flash pelo preço de tabela do próprio fornecedor. Você pode enviar-lhe uma solicitação nos próximos trinta segundos.

Portanto, isto não é uma comparação entre dois modelos que você pode comprar. É uma comparação entre um modelo hospedado barato, com preço publicado, e uma mistura de especialistas de pesos abertos com 321 bilhões de parâmetros, sem preço, sem pontuação e sem anúncio — e a pergunta honesta não é qual dos dois é melhor, porque ninguém consegue responder isso ainda. É se montar oito H200s para o que não foi medido é um uso melhor do dinheiro do que pagar quinze centavos por milhão de tokens pelo que foi medido, e para quantas equipes essa resposta algum dia será sim.

O que o repositório Sage-S2.1-Flash realmente prova

Os factos primeiro, porque são mais abundantes do que sugere o cartão vazio. A contagem de parâmetros no índice de pesos é 321 323 031 390, e o guia de implementação arredonda esse valor para "320B-A18B" — 320 mil milhões no total, 18 mil milhões ativos por token. A configuração de texto tem 45 camadas, das quais 34 são camadas de atenção linear do tipo gated delta-net e 11 são camadas de atenção esparsa da linhagem D​eepSeek, com 288 especialistas encaminhados, oito deles mais um especialista partilhado ativados por token, um tamanho oculto de 4096 e um vocabulário de 154 880 tokens. Os embeddings de posição máximos estão definidos para 1 048 576.

A two-column comparison scoreboard titled 'Sage-S2.1-Flash vs Qwen 3.8 Flash — the scoreboard': the left column Sage-S2.1-Flash reads Parameters '321B total, 18B active', Context '1,048,576 configured', Input price 'no hosted endpoint', Output price 'no hosted endpoint', Licence 'MIT, ungated', Published benchmarks 'none'; the right column Qwen 3.8 Flash reads Parameters '125B plus 51B n-gram, 6B active', Context '1,000,000 tokens', Input price '$0.15 per 1M', Output price '$0.47 per 1M', Licence 'Qwen community licence', Published benchmarks '12 rows, unreproduced'; the footer reads 'Sage-S2.1-Flash figures read from its repository; Qwen 3.8 Flash per Alibaba, vendor-reported.'; the OrcaRouter logo is composited in the bottom-right corner.

A licença é MIT, sem nenhuma cláusula de uso aceitável no repositório. Vale a pena parar para pensar nisso: um MoE multimodal de 321B sob uma licença permissiva, sem qualquer barreira no download, é um objeto mais raro do que o silêncio ao seu redor sugere.

A linhagem é verificável e ligeiramente surpreendente. A string de arquitetura é glm5_next, a classe é Glm5NextForConditionalGeneration, e o guia de implantação afirma categoricamente que o modelo usa a arquitetura GLM-5.3-Flash e que as receitas de framework a seguir são as oficiais do GLM-5.3-Flash, com o caminho do modelo trocado. O Sage-S2.1 mais antigo e maior — 753B parâmetros, arquitetura glm_moe_dsa, ainda com um cartão de modelo "Atria Dawn" que o descreve como construído sobre um backbone GLM-5.2 de 744B — é uma geração de backbone completamente diferente. O Flash não é um S2.1 destilado. É um modelo novo e menor, construído sobre uma arquitetura mais recente de um laboratório diferente, usando o mesmo nome de família.

Esse nome de família é, por si só, um alvo móvel. O antigo repositório internlm/Atria-Dawn agora redireciona para internlm/Sage-S2.1, e o card do destino do redirecionamento ainda diz "Atria Dawn" em todos os títulos — a renomeação aconteceu sem que a documentação a acompanhasse. Quem leu a cobertura do Atria Dawn no início do ano e agora procura por "Sage" deve entender que esses são o mesmo repositório sob dois nomes, e que o Flash é seu novo irmão mais enxuto.

Os adaptadores científicos são a parte do repositório que nenhum anúncio de fornecedor teria explicado de qualquer forma. Em projectors/sage-s2.1-flash/ ficam cinco pequenas pastas — cif/jarvis, dna/splice, ecg/phu01, eeg/neu06, protein-seq/mpbind —, cada uma contendo um arquivo de configuração e um projetor de quatro a vinte e oito megabytes que mapeia um fluxo de características científicas para o espaço de 4.096 dimensões do backbone. Estruturas cristalinas passam por um codificador CHGNet 0.3.0, um estado de 64 dimensões por átomo. Sequências de proteínas passam pelo ESM2-t33-650M, um estado da última camada por resíduo. O adaptador de DNA é uma leitura de DNABERT2 adaptada à tarefa sobre três características; os adaptadores de ECG e EEG são igualmente pequenos e específicos para a tarefa. O custo total de pesos para todos os cinco: menos de 90 MB, contra 645 GB do modelo de linguagem.

Esses arquivos de configuração também revelam a proveniência que o cartão do modelo omitiu. Eles indicam o diretório do checkpoint do backbone, os carimbos de data das execuções de treinamento e uma impressão digital que indica sage-s2.1-flash-hf111-bf16-norm-261113 — 13 de novembro de 2026, dois dias antes de os pesos surgirem. É assim que a linhagem é estabelecida aqui: não a partir de um comunicado à imprensa, mas de um campo de configuração que o empacotamento esqueceu de remover.

O que o Qwen 3.8 Flash publica, e o que não publica

O contraste não é que o Qwen seja honesto e o Sage não. É que um fornecedor documenta o seu produto e o outro ainda não encontrou tempo para isso. A ficha da Alibaba para o Qwen 3.8 Flash especifica um contexto de 1.000.000 de tokens com entrada máxima de 991.000 tokens, saída máxima de 131.072 tokens e um orçamento de raciocínio de 262.144 tokens; entrada multimodal em texto, imagem e vídeo com saída em texto; chamada de funções, saída JSON estruturada, conclusão de prefixo, cache de contexto, processamento em lote e ajuste fino; e ambos os protocolos de requisição da OpenAI e da Anthropic, razão pela qual ele se integra ao Claude Code e ao Codex sem alterações.

O artefacto de pesos abertos por trás disto é o Qwen3.8-Flash-Next, publicado a 24 de agosto de 2026: 125B de parâmetros com 6 mil milhões ativados, mais uma tabela de embeddings n-gram de 51B e uma cabeça de previsão multi-token de 4B, 48 camadas organizadas como doze repetições de três blocos gated-delta-net e um bloco de atenção esparsa, 512 especialistas com dez encaminhados mais um partilhado ativos por token, e 262 144 tokens de contexto nativo extensíveis a um milhão. A Alibaba descreve o Qwen 3.8 Flash alojado como essa arquitetura mais funcionalidades de produção — a janela padrão de 1M e as ferramentas integradas são os acrescentos. Os pesos estão sob a licença da comunidade Qwen, não sob a MIT.

A tabela de benchmark naquele cartão é informada pelo fornecedor e não foi reproduzida de forma independente. Leia-a com essa ressalva: DeepSWE 1.1 em 58,7, SWE-bench Pro em 62,5, SWE-bench Multilingual em 81,0, NL2Repo-Bench em 48,1, CoWorkBench em 73,9, JobBench em 55,7, Toolathlon Verified em 73,5, IFBench em 81,3, GPQA Diamond em 91,7, HLE em 35,9, LiveCodeBench v6 em 91,9 e Agents' Last Exam em 24,3 pass@1, com pontuação de 51,2. Esses números são a Alibaba corrigindo a própria prova em um conjunto de comparação que inclui um predecessor de 397B e um modelo Claude. Ainda assim, são muito mais do que o Sage-S2.1-Flash oferece, que é absolutamente nada.

A screenshot of the Hugging Face repository page for internlm/Sage-S2.1-Flash, captured in English on 16 November 2026, showing the YAML frontmatter line 'license: mit', the Safetensors format tag with the repository's parameter count, and the file listing that includes the chat template, on a repository whose model card has no description, no benchmark table and no intended-use statement.

Coloque os dois lado a lado nas dimensões das quais uma decisão de compra realmente depende:

• Parâmetros totais — Sage-S2.1-Flash 321B, dos quais 18B ativos por token, em comparação com Qwen 3.8 Flash 125B mais uma tabela n-gram de 51B, dos quais 6B ativos

• Contexto — 1,048,576 tokens configurados versus 1,000,000 publicados, com máximo de entrada de 991,000 e máximo de saída de 131,072 do lado do Q​wen

• Preço de entrada — Sage-S2.1-Flash não tem nenhum, porque nada o atende, versus US$ 0,15 por milhão de tokens

Preço de saída — nenhum versus US$ 0,47 por milhão, com leituras em cache a US$ 0,0184 por milhão em nossa listagem

• Licença — MIT, sem restrições, versus a licença comunitária do Q​wen

• Avaliação publicada — zero benchmarks versus uma tabela de fornecedor com doze linhas, não reproduzida

Peso para serving — 645 GB bfloat16 em 120 shards, ou 328 GB na versão irmã FP8, em comparação com um endpoint hospedado

A comparação de preços que é, na verdade, uma questão de investimento de capital

Não há preço por token para o Sage-S2.1-Flash com o qual comparar com US$ 0,15, porque o modelo não tem endpoint hospedado em lugar nenhum. O que ele tem é um requisito de serving: oito H200s para o checkpoint bfloat16, conforme a própria configuração de referência do guia de implantação. Portanto, a comparação não é centavos contra centavos, é aluguel contra tokens, e resume-se a um único número que ninguém publicou.

Considere um valor representativo de US$ 3 por hora de GPU para uma H200 — uma suposição, não uma cotação, e o valor varia conforme a nuvem e o compromisso. Oito delas custam US$ 24 por hora, US$ 576 por dia, cerca de US$ 17.500 por mês antes de você atender uma única solicitação. Nas tarifas da Alibaba, US$ 576 compram 3,84 bilhões de tokens de entrada ou 1,23 bilhão de tokens de saída. Então, a questão do ponto de equilíbrio é se o seu tráfego, de outra forma, gastaria mais de US$ 576 por dia com o Qwen 3.8 Flash — o equivalente a cerca de 3,8 bilhões de tokens de entrada, todos os dias, de forma sustentada.

Essa comparação só é válida se você souber quantos tokens por segundo o Sage-S2.1-Flash produz em oito H200s. Ninguém mediu isso, e o repositório não informa. A contagem de parâmetros ativos dá uma intuição aproximada — 18B ativos contra 6B ativos sugere que o modelo Sage custa cerca de três vezes mais computação por token gerado —, mas intuição não é um número de throughput, e sem um número a aritmética de ponto de equilíbrio acima tem uma incógnita dos dois lados. A variante FP8 reduz o peso residente de 645 GB para 328 GB, o que muda o hardware necessário; isso não informa quão rápido o resultado é executado.

Para a maioria das equipes, essa incógnita é todo o argumento. Um modelo que você não consegue avaliar em termos de throughput é um modelo cujo custo você não consegue calcular, e um modelo cujo custo você não consegue calcular não é candidato a um caminho de produção — é um objeto de pesquisa. Isso não é uma crítica ao lançamento; é para isso que serve um lançamento não anunciado.

A assimetria das evidências, dita sem rodeios

Dois modelos, dois modos de falha da evidência. O Qwen 3.8 Flash tem benchmarks relatados pelo fornecedor e oitenta e dois dias de uso por terceiros, o que significa que seus números não são auditados, mas seu comportamento é ao menos observável: há pessoas executando-o, relatando sobre ele e atingindo seus limites em público. O Sage-S2.1-Flash não tem nenhum dos dois. Seus 645 GB de pesos são mais evidência de um modelo real do que um vazamento ou uma captura de tela seriam — este é um artefato entregue, não um boato —, mas pesos são evidência de existência, não de qualidade.

As coisas específicas que permanecem desconhecíveis hoje: quanto o Sage-S2.1-Flash pontua em qualquer coisa; quão rápido ele decodifica; se seus embeddings de posição de 1M se sustentam em contextos longos ou degradam como a maioria das extensões de contexto longo faz; se a torre de visão em sua configuração é treinada para o padrão de produção ou herdada do backbone; se os projetores científicos são avaliados em algo além de suas próprias distribuições de treinamento; e quanto a InternLM pretende cobrar, se é que pretende, por uma versão hospedada. O repositório não responde a nenhuma dessas perguntas. Qualquer pessoa que lhe diga o contrário está extrapolando a partir da reputação do backbone, o que é um prior razoável e não uma medição.

Para que o modelo realmente serve

Os projetores são a pista. Ninguém acopla cinco adaptadores de modalidade científica a um modelo de chat generalista como um detalhe posterior; a estrutura de pastas, os modelos de prompt por tarefa e as escolhas de encoder descrevem um modelo criado para ler cristais, sítios de splicing, traçados cardíacos, traçados cerebrais e sequências de proteínas como entradas de primeira classe, e não como descrições textuais dessas coisas. As estruturas cristalinas são tokenizadas como estados de átomos com um limite de 512 átomos; as sequências de proteínas carregam estados por resíduo com uma cabeça de leitura científica opcional; o adaptador de DNA é uma leitura de probabilidade sobre um único objeto.

O Qwen 3.8 Flash não faz isso. Ele lê imagens, vídeos e texto, e faz isso com números publicados em benchmarks visuais — CharXiv, MathVision, ERQA, LVBench, OSWorld 2.0 —, mas uma rede cristalina renderizada como PNG não é uma rede cristalina. Se sua carga de trabalho for biologia estrutural, triagem de materiais ou análise de sinais fisiológicos, a leitura honesta é que esses dois modelos não estão competindo pelo mesmo trabalho, e a comparação com o Qwen é uma âncora de preço, e não um substituto. Se sua carga de trabalho for texto e código, os projetores são irrelevantes, e o Sage-S2.1-Flash é um modelo de chat de 321B sem cartão.

Uma ressalva sobre a questão multimodal, porque a configuração convida a leituras excessivas. O repositório traz uma torre de visão de 24 camadas, com dimensão oculta de 1.024, entradas de 448 pixels e patches de 14 pixels, tokens de início e fim de imagem e vídeo, e um template de chat com slots de imagem, vídeo e áudio. Mas o template é o template da família GLM-5.3, os slots de áudio não têm configuração de áudio correspondente, e a única instrução específica de mídia no guia de implantação é sobre imagens que chegam dentro de resultados de ferramentas. Trate a torre como existente e não documentada: os pesos são construídos para aceitar mais do que texto, e não está declarado o que o lançamento pretende que você forneça a ela.

O atrito, que não é zero

A auto-hospedagem do Sage-S2.1-Flash não se resume a apontar o vLLM para um repositório. Três requisitos vêm do guia de implantação, e o segundo é o mais incômodo.

• --trust-remote-code é obrigatório em cada engine — o repositório traz seu próprio tokenizer e processador, e sem a flag os engines carregam silenciosamente um tokenizer padrão que codifica strings como <tool_call> como tokens de controle em vez de texto, quebrando o raciocínio e as chamadas de ferramenta sem qualquer aviso

• O vLLM 0.33.0 precisa de um patch fornecido para vllm/renderers/hf.py, porque, quando resultados de ferramentas paralelas retornam fora da ordem de chamada, o template os renderiza na ordem de chamada enquanto o vLLM coleta suas imagens na ordem das mensagens, anexando silenciosamente cada imagem ao resultado errado; a correção upstream ainda é um pull request em rascunho

• O LMDeploy precisa do transformers entre 5.17 e 5.19, porque a 5.19 renomeia o tipo de camada que o mecanismo não aceitará; o SGLang precisa da 0.5.20 ou posterior, além do template de chat do repositório passado explicitamente, porque, caso contrário, o SGLang instala seu próprio template interno para a arquitetura

Cada um desses é um contorno documentado para um modelo que tem um dia de vida, e o guia é franco ao admitir que os frameworks ainda estão mudando. Nada disso é desarrazoado; tudo isso é tempo de engenharia que o Qwen 3.8 Flash não exige, porque, no lado hospedado, trata-se de uma URL base e uma chave de API.

Uma chave, dois níveis de compromisso muito diferentes

O Qwen 3.8 Flash está no OrcaRouter como qwen/qwen3.8-flash pelo preço de tabela da A​libaba repassado sem acréscimo — US$ 0,15 por milhão de tokens de entrada, US$ 0,47 por milhão de saída, US$ 0,0184 por milhão para leituras em cache, um contexto de 1.000.000 de tokens e um teto de saída de 131.072 tokens. A própria página da QwenCloud cita US$ 0,016 para a variante de cache implícito; a regra de repasse significa que, seja o que for que a A​libaba alterar, você recebe no mesmo dia, e não na próxima renovação de contrato. O Sage-S2.1-Flash não está no catálogo e nada o disponibiliza, então não há rota para ele aqui e não há motivo para fingir o contrário.

A screenshot of the OrcaRouter model page for qwen/qwen3.8-flash, captured in English on 16 November 2026, showing the model name and model id, the per-million-token input and output pricing, the context window and maximum output limits, and the API access details for the model.

O que a camada de roteamento realmente tem de bom nesta situação é manter a avaliação barata e reversível. Rode o experimento Sage no seu próprio hardware, se tiver, mantenha o Qwen 3.8 Flash como a rota de produção e deixe uma cadeia de failover ficar atrás do novo caminho, para que um modelo com um cartão vazio nunca se torne um ponto único de falha no primeiro dia em que lidar com tráfego real. A mesma ideia se aplica à questão mais difícil — fusão de modelos, em que um painel responde a um prompt com vários modelos e um juiz os reconcilia, é a maneira mais barata de descobrir se um MoE científico de 321B vale o aluguel: você não migra, você pergunta aos dois e lê as respostas.

Quem deve escolher qual?

Se você vai entregar texto ou código neste trimestre, o Qwen 3.8 Flash é a resposta defensável, e o Sage-S2.1-Flash não é resposta nenhuma. O modelo Qwen é mais barato por token do que quase tudo no seu nível de capacidade, documentado o suficiente para se planejar com base nele, licenciado de forma clara o suficiente para implantar e observável publicamente. Seus benchmarks são do próprio Alibaba e devem ser tratados como alegações, mas uma alegação mais oitenta e dois dias de experiência de outras pessoas supera um silêncio mais três dias de experiência de ninguém.

Se você trabalha com biologia estrutural, design de proteínas, materiais ou sinais fisiológicos, o cálculo se inverte. Os cinco projetores no repositório Sage-S2.1-Flash são uma capacidade que nem o Qwen 3.8 Flash nem a maioria dos modelos abertos oferece a qualquer preço, a licença é MIT, e o requisito de hardware — oito H200s, ou menos com o checkpoint FP8 — é o tipo de custo que um grupo de pesquisa já tem. O movimento certo é baixá-lo, executar as verificações dos projetores no lado da CPU que o repositório inclui e medir as duas coisas que ele não informa: a taxa de transferência de decodificação no seu hardware e a precisão no seu próprio conjunto de validação separado. Isso é uma semana de trabalho e é a única maneira de este modelo se tornar uma decisão em vez de uma curiosidade.

O terceiro caso é o maior. Se você está apenas curioso, a postura correta é esperar por um model card. Quando o InternLM publicar um, os números que importam serão os que este repositório não consegue fornecer — throughput, degradação em contexto longo, se a torre de visão está ativa e o que os projetores pontuam fora de suas distribuições de treinamento. Até lá, o Sage-S2.1-Flash é um artefato real com uma especificação não lida, e a coisa mais útil a seu respeito é que os pesos existem, estão disponíveis sem restrições e são MIT — o que significa que, quando alguém o medir, você não precisará de permissão para verificar o trabalho dessa pessoa.

Comparados neste artigo2

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente