GPT-6.1 Sol vs Intern S2: Den ena har ett pris, den andra har vikter

Det märkligaste med att jämföra GPT-6.1 Sol med Intern S2 är att ena sidan av jämförelsen inte har något pris som du kan slå upp. Shanghai AI Laboratorys Intern-S2-397B, publicerad 13 september 2026, levereras med Apache 2.0-vikter på Hugging Face, en teknisk rapport och en leverantörsdriven API-slutpunkt – och ingen publicerad taxa per token någonstans. Open​AIs GPT-6.1 Sol, släppt 29 september 2026, kostar 2,00 $ per miljon indatatokens och 10,00 $ per miljon utdatatokens, med en dokumenterad nivå över 272 000 prompttokens, och vart och ett av dessa tal finns på en offentlig prissida. Så det ärliga sättet att beskriva detta par är inte ”vilken är bättre” utan ”för vilken av de två kan du faktiskt förutse en faktura” — och svaret skiljer sig av skäl som inte har något med förmåga att göra.

Allt nedan delas tydligt upp i två evidensbaser, och att hålla isär dem är det mesta av arbetet. GPT-6.1 Sols siffror är oberoende, från Artificial Analysis, utom där en mening säger något annat. Intern-S2:s siffror är InternLMs egna, inte reproducerade av någon tredje part, och meningarna som bär dem säger det.

Två system under ett namn

Intern S2 är inte en enda modell, och förvirringen är värd att reda ut innan något annat. Familien innehåller minst två publicerade artefakter:

• Intern-S2-Mobius — en öppen viktmodell med 35 miljarder parametrar under Apache 2.0, kontinuerligt förtränad från Qwen3.5-35B, med en Mobius-v0-arkitektur med ett delat minne av 2 560 experter, fyra Reasoner-block och 40 lager. Distributionsvägledning beskriver cirka 3 miljarder aktiva parametrar per token med ett 3:1 hybriduppmärksamhetsmönster, en kontext på 256 000 tokens och ett visionstorn. Vikterna släpptes 2026-07-29; GitHub-förrådet och den tekniska rapporten följde 2026-08-05; vLLM-stöd sammanfogades 2026-08-06.

• Intern-S2-397B — flaggskeppsmodellen, publicerad 2026-09-13. Cirka 397 miljarder parametrar totalt i en Qwen3.5-MoE-arkitektur, 512 experter, varav 10 aktiva, Apache 2.0-vikter på Hugging Face tillsammans med ett modellkort, en officiell Intern API-post, och vLLM Day-0-stöd som annonserades dagen därpå, med ett recept publicerat för FP8-inferens på åtta H100 eller åtta H200. Dess publicerade gränser är 256 000 tokens för textkontext och 64 000 för multimodal kontext.

GPT-6.1 Sol är det enklare objektet: en snapshot-identifierare, gpt-6.1-sol, ingen daterad variant, 1 050 000 tokens i kontext, 128 000 maximal utdata, text-, bild- och filinmatning, fem nivåer för resonemangsansträngning med medium som standard, och en angiven kunskapsgräns den 30 april 2026.

Vad vardera sidans siffror vilar på

Detta är axeln där de två ligger längst ifrån varandra, och det är inte nära.

GPT-6.1 Sols oberoende rekord, allt från Artificial Analysis:

• AA Intelligence Index — 51,8, rang 10 av 147 modeller, 93,2:a percentilen.

• Humanity's Last Exam — 52,9 %.

• Återkallelse i lång kontext 83 %.

• SciCode — 54,2 %.

• Terminal-Bench 4.0 — 56,06 %.

Intern-S2:s rekord, allt InternLM:s eget, inget reproducerat av tredje part:

• MMLU Pro — 89,77 % för 397B-flaggskeppet.

• HMMT-2026 – 93,56 %.

• MMMU – 81,68 %.

• SWE-bench-Pro – 68,54 %.

• TerminalBench 2.1 — 64,04 %.

• Vetenskapliga domänrader — Biology-Instructions 55,71 %, SciReasoner 1.5 63,28 %, Mol-Instructions 53,95 %, MolecularIQ 62,35 %.

De två listorna är inte jämförbara, och det är värt att vara tydlig med varför. Den första uppsättningen är en part utan eget intresse i utfallet som ställer samma frågor till många modeller under ett och samma protokoll. Den andra uppsättningen är labbet som tränade modellen och som rapporterar hur dess egen modell presterade. Det gör inte den andra uppsättningen falsk – labb med en publicerad teknisk rapport och nedladdningsbara vikter har sitt rykte på spel när det gäller siffrorna – men det innebär att siffrorna är ett påstående snarare än en mätning, och för närvarande finns det ingen oberoende utvärderare, och ingen oberoende inferensleverantör, som publicerar Intern-S2-poäng någonstans.

De rader som innehåller verklig information

Två saker i InternLMs eget material är mer informativa än rubriksiffrorna, just därför att de inte är smickrande.

Den första är Mobius-benchmarktabellen för 35B-modellen, som jämför den mot Qwen3.5-35B-basen som den kontinuerligt förtränades från. Det är en genuint användbar jämförelse – samma härstamning, samma skala, så deltat isolerar vad arkitekturändringen gav. Mobius vinner sju av nio allmänna benchmarks och förlorar stort i Humanity's Last Exam och UGD. Ärligt tolkat ger Mobius-arkitekturen måttliga allmänna vinster och avstår från något i den svåraste resonemangsuppsättningen. Raderna för vetenskapsområdet i samma tabell är större, men de är kännetecknet för fortsatt domänspecifik förträning snarare än för arkitekturen – det är träningsdatan som biologi- och kemisiffrorna kommer från, inte expertlayouten.

Den andra är effektivitetshistorien, som är det mest konkreta påståendet i releasen: 2,9 gånger baslinjens genomströmning vid batch 16, och stiger till 4,6 gånger vid batch 256. De är kvoter mot en intern baslinje, uppmätta av labbet, på hårdvara som labbet valde – och de är också den typ av påstående som är lätt att verifiera när du väl har vikterna, vilket du har, under Apache 2.0.

Den verifierbarheten är det faktiska värdet av en öppen release, och den pekar mot något som rubriksiffrorna inte kan: du behöver inte lita på genomströmningsförhållandet, för åtta H100 och ett vLLM-recept är nu de enda som står mellan dig och att kontrollera det.

Öppna vikter mot en prissatt endpoint

Det är här de två modellerna slutar vara alternativ och börjar bli olika beslut.

GPT-6.1 Sol är en tjänst. Du betalar per token, du får ett fönster på 1 050 000 tokens, 128 000 utdatatokens, fem ansträngningsnivåer och ingen operativ yta alls. Räkningen skalar linjärt med användningen och marginalkostnaden för en topp är en utgiftspost, inte ett kapacitetsproblem. Avvägningen är att du inte kan finjustera den — Open​AI publicerar ingen finjusteringsväg för den här modellen — du kan inte köra den på din egen hårdvara, och din enhetsekonomi bestäms av någon annans prissättningssida.

Intern-S2-397B är en nedladdning. Apache 2.0 innebär att du kan köra den, ändra den, finjustera den och servera den i ditt eget nätverk utan att någon data lämnar det. Åtta H100:or är en verklig kapitalkostnad och en verklig operativ börda, men över en viss ihållande volym är den kapitalkostnaden billigare än en avgift per token, och det är det enda alternativet om data inte alls får lämna din perimeter. Avvägningen på andra sidan är att allt som rör kvalitet nu är ditt problem: det finns inget oberoende riktmärke att planera mot, ingen extern leverantör att växla över till och ingen leverantör att eskalera en regression till.

Mellan dessa två positioner är den avgörande variabeln nästan alltid utnyttjandegraden. En månatlig burst på några hundra miljoner tokens amorterar inte åtta GPU:er. Ett stadigt månatligt flöde på flera miljarder tokens inom en reglerad perimeter gör det ofta.

Numret som saknas i en kolumn

Intern-S2-397B har ingen offentliggjord kostnad per token. Det är inte ett förbiseende som kan kringgås med en uppskattning; det innebär att den standardjämförelse som den här bloggen vanligtvis kör – kostnad per miljon token mot kostnad per miljon token – inte alls kan köras mot den självhostade vägen.

Den jämförelse som går att göra är mot den slutpunkt som leverantören hostar. InternLM driver ett officiellt Intern-API på chat.intern-ai.org.cn/api/v1 med modellidentifieraren intern-s2-397b, och taxan för den slutpunkten är vad du skulle behöva ställa mot GPT-6.1 Sols $2.00 och $10.00. Tills den taxan publiceras är det enda ärliga påståendet att priset för API-vägen är okänt, och priset för den egenhostade vägen är en funktion av ditt GPU-avtal och din utnyttjandegrad snarare än av ett prisblad.

Vilket innebär att den aritmetik den här artikeln kan göra är begränsad, och ändå värd att göra: fråga vad din egen kostnad per miljon tokens skulle bli vid din utnyttjandegrad, och jämför den med $2.00/$10.00 med nivån över 272K tillämpad. För de flesta team är svaret på den aritmetiken att den slutna slutpunkten vinner under några miljarder tokens i månaden och de öppna vikterna vinner över det — och hela frågan är vilken sida av den linjen arbetsbelastningen ligger på.

Att köra dem båda på olika sätt

Det finns inget entydigt svar här, eftersom de två modellerna inte nås på samma sätt, och att låtsas något annat vore samma misstag som att citera indexraderna sida vid sida.

GPT-6.1 Sol finns på OrcaRouter som openai/gpt-6.1-sol, till Open​AI:s listpris med 0 % påslag — $2.00 in, $10.00 ut, cachad indata till $0.10, och nivån över 272K tillämpas exakt så som Open​AI sätter den. Eftersom vi för vidare leverantörens pris i stället för att lägga på ett påslag, slår en ändring av Open​AI:s pris igenom här samma dag i stället för vid nästa faktureringscykel, och automatisk failover ligger under rutten. Den sista delen spelar större roll för en obeprövad modell än för en beprövad — vilket är samma argument som gäller för Intern-S2-sidan, med skillnaden att Intern-S2-sidan inte kan använda det.

Intern S2 finns inte på OrcaRouter och vi hostar det inte. Det nås via InternLMs eget API, och det går att ladda ner från Hugging Face under Apache 2.0 för alla som har hårdvaran. Om du vill prova det är vikterna den lågtröskelväg att gå — du kan utvärdera flaggskeppet på 397B med dina egna prompter innan du bestämmer om du ska köpa GPU:er för det, och Mobius 35B är litet nog att testa familjens beteende på en enda nod.

Domen som detta par får är inte en rangordning, eftersom de två inte är ute efter samma sak. Om du behöver en modell med en oberoende uppmätt kapabilitetsnivå, ett publicerat utdatatak, ett känt pris per token och ingen operativ yta, är GPT-6.1 Sol svaret, och det är inte ens nära – det är helt enkelt den enda av de två som erbjuder dessa fyra saker. Om din begränsning är att data inte får lämna ditt nätverk, eller att din volym är tillräckligt hög för att GPU:er ska slå tokens, är Intern-S2-397B det bättre svaret, och den saknade benchmarken är en risk du väljer att bära snarare än en anledning att gå därifrån. Det du inte bör göra är att jämföra de två utifrån deras publicerade siffror. InternLM:s egen eval och Artificial Analysiss leaderboard är inte samma instrument, och att läsa dem som en enda tabell skulle ge ett självsäkert svar på en fråga som ingen ställde.