Intern-S2-397B против Intern-S2 Mobius: флагман на 397B и модель рассуждений на 35B

Intern-S2-397B и Intern-S2 Mobius — обе модели InternLM, обе под лицензией Apache-2.0, обе называются Intern-S2, и под этим названием они различаются настолько, насколько это вообще возможно. Intern-S2-397B — флагман: модель mixture-of-experts на 403 млрд параметров для научного интеллекта и долгосрочных агентов, которую InternLM выпустила 13 сентября 2026 года. Intern-S2 Mobius — это экспериментальная модель рассуждений на 35 млрд параметров, появившаяся 29 июля 2026 года, построенная на архитектуре Mobius-v0 с глобально разделяемой памятью и итеративными механизмами рассуждения и прошедшая продолженное предобучение на основе Qwen3.5-35B. Совпадение названий — вот почему это сравнение вообще нужно: поиск по запросу «Intern-S2 review» покажет обе модели, а они не заменяют друг друга ни в одном из направлений.

Две архитектуры, две задачи

Intern-S2-397B — это обычная трансформерная MoE, широкая там, где это важно: 60 слоёв, 512 экспертов с 10 активными на токен, контекст текстовых рассуждений 256K и мультимодальный 64K, а также входная поверхность, принимающая текст, изображения и временные ряды. Парадигма её предобучения читает необработанные страницы научной литературы — рисунки, вёрстку, символьные обозначения и прозу вместе, — а её обучение с подкреплением охватывает более двадцати научных областей, плюс длинногóризонтное обучение агентов в изолированных средах. Это специалист, который также является универсальной моделью: MMLU Pro 89.77, MMMU Pro 81.68, SWE-bench-Pro 68.54 в её собственной карточке, все заявлены InternLM и не воспроизведены.

Intern-S2 Mobius — это иная ставка на иной вопрос. Вместо того чтобы связывать хранение знаний и вычисления рассуждений слой за слоем, архитектура Mobius-v0 поддерживает глобально общую память векторов знаний и позволяет множеству модулей рассуждения итеративно работать с ней, уточняя скрытые состояния на плотных непрерывных представлениях. Заявленная цель — эффективность инференса: почти 4-кратное ускорение сквозной работы по сравнению с базовой моделью Qwen3.5-35B, от которой она происходит, при сопоставимых или более сильных показателях рассуждения. Это утверждение о пропускной способности относительно конкретного базового варианта — и заявление вендора, без независимого воспроизведения — но именно поэтому эта модель и существует.

• Архитектура — Intern-S2-397B: стандартный трансформер MoE, 60 слоёв, 512 экспертов / 10 активных против Intern-S2 Mobius: Mobius-v0, общая память + итеративные модули рассуждения.

• Масштаб — Intern-S2-397B: 403B всего, ~807 ГБ весов в BF16 против Intern-S2 Mobius: 35B всего.

• Происхождение — Intern-S2-397B: оригинальная научная парадигма предварительного обучения в сравнении с Intern-S2 Mobius: продолженное предобучение на основе Qwen3.5-35B.

• Входные данные — Intern-S2-397B: текст, изображение, временные ряды против Intern-S2 Mobius: текст, изображение.

• Контекст — Intern-S2-397B: 256K текста / 64K мультимодального контекста, тогда как у Intern-S2 Mobius независимо заявленное значение контекста пока отсутствует.

• Заявленные показатели скорости — Intern-S2-397B: ничего не заявлено; Intern-S2 Mobius: почти 4-кратное ускорение сквозного рассуждения по сравнению с базовой моделью Qwen3.5-35B, по данным производителя.

• Независимое подтверждение — ни одна из моделей не имеет оценки третьей стороны.

Какой номер принадлежит какой модели

Коллизия имён становится практической опасностью в тот самый момент, когда вы читаете обзор. Заявление о результатах бенчмарка для «Intern-S2» — MMLU Pro 89.77, HMMT-2026 93.56, Biology-Instructions 55.71 — относится к флагману на 397B, потому что именно этой модели принадлежит таблица запуска. Заявление о пропускной способности для «Intern-S2» — почти 4-кратное ускорение — относится к Mobius, потому что это модель, архитектура которой нацелена на эффективность инференса. Прежде чем цитировать любую из этих цифр, проверьте количество параметров. Обзор, в котором говорится «Intern-S2 в 4 раза быстрее», и обзор, в котором говорится «Intern-S2 превосходит Grok 4.6 на TerminalBench», рассказывают о разных моделях, а второе утверждение не выдерживает даже собственной таблицы вендора.

Что касается доказательной базы, ни одну из моделей не тестировал никто за пределами InternLM. Карточка флагмана — это таблица бенчмарков от производителя, прогнанная через OpenCompass, VLMEvalKit и AgentCompass; карточка Mobius — это описание плюс заявление об ускорении относительно базовой модели, на основе которой эту модель дообучали. Отсутствие независимой проверки здесь значит больше, чем в большинстве сравнений, потому что самые сильные утверждения этих двух моделей относятся к совершенно разным осям — способности у одной, пропускная способность у другой, — и ни по одной из этих осей пока нет внешних измерений.

Какой запустить?

Запускайте Intern-S2-397B, когда задача — научное понимание: чтение статьи с обилием рисунков, анализ молекулярной схемы, прогнозирование по сигналу временного ряда или запуск долго работающего агента, которому нужно продолжать выполнять исследовательскую задачу. Именно об этой модели говорится в материалах этой недели, и её общие показатели в таблицах достаточно приличны, так что вы не покупаете «однотрюкового пони». Плата — это железо: контрольная точка на 403B требует серьёзного узла с несколькими GPU, а если у вас его нет, альтернатива — официальный Intern API.

Рассмотрите Intern-S2 Mobius, когда речь идёт о больших объёмах рассуждений на оборудовании, которое у вас уже есть, и когда стоимость за токен для вас важнее, чем один-два балла в результатах бенчмарка. Модель на 35B с правдоподобным четырёхкратным преимуществом по пропускной способности относительно её базового варианта — это действительно интересное предложение по сервингу, но проверьте ускорение на собственных трейсах, прежде чем строить на этом, потому что пока никто за пределами InternLM его не воспроизвёл. В любом случае явно указывайте модель в каждом материале, потому что одно название больше не говорит, какую именно вы имеете в виду.