GPT-6 Astra vs Intern-S2: Vad var och en faktiskt accepterar

De två modellerna i denna jämförelse beskrivs båda som multimodala, och ordet gör nästan ingen nytta i något av fallen. GPT-6 Astra, som OpenAI släppte den 3 september 2026, tar emot text och bilder – och filinmatning, enligt routerlistningar som OpenAI:s egen dokumentation inte bekräftar. Intern-S2-397B, den vetenskapliga modellen med 403 miljarder parametrar som Shanghai AI Laboratorys InternLM-team släppte under Apache-2.0 den 13 september 2026, tar emot text, bilder och tidsseriesignaler, med prognosvägen kopplad via LMDeploy i stället för genom modellens eget förvalda serveringsrecept. Ingen av dem tar emot ljud. Ingen av dem tar emot video. Den intressanta frågan är inte vilken som är mer multimodal; det är vilken av dessa två indataytor ditt arbete faktiskt producerar, eftersom de knappt överlappar och ingen av dem ersätter den andra.

Två inmatningsytor som bara liknar varandra

Ställ upp specifikationerna efter de dimensioner där en verklig arbetsbelastning kommer i kontakt:

• Text – båda: GPT-6 Astra upp till 922 000 indatatoken i en förfrågan; Intern-S2-397B utvärderad vid en maximal inferenslängd på 256 000 token för textresonemang

• Bild — båda, men på olika sätt: Astra tar en bild tillsammans med ett långt dokument i samma begäran; Intern-S2-397B förtränades för att läsa råa sidor av vetenskaplig litteratur med symboliskt och visuellt innehåll modellerat tillsammans, vilket är ett påstående om hur den tränades snarare än vad den tar emot

• Tidsserier — endast Intern-S2-397B, via dess prognoshuvud, för närvarande genom LMDeploy

• Filinmatning — GPT-6 Astra enligt routerlistningar; OpenAIs egen sida listar endast text och bild, så behandla det som obekräftat

• Ljud och video — ingetdera

• Utdata — text på båda, och endast text

• Resonemangsstyrning — GPT-6 Astra exponerar reasoning.effort på low, medium, high, xhigh och max; Intern-S2-397B körs med thinking på som standard och stänger av det per begäran med enable_thinking=False

• Vikter — Intern-S2-397B Apache-2.0, nedladdningsbara i FP8 och BF16; GPT-6 Astra stängd, endast API

Tidsserieprognostisering är inte en förmåga du kan approximera med en lång textprompt – indata är numerisk med sin egen struktur, och en modell som inte har tränats på det kommer inte att tillägna sig det bara för att du serialiserar siffrorna i en prompt. Om det är din arbetsbelastning är jämförelsen över och ingen benchmarktabell behövs. Om det inte är det är raden irrelevant och resten av den här sidan är vad du läser för.

Det kontextnummer som har betydelse är det utvärderade.

Marknadsföringssidor anger fönstret; benchmarktabeller anger den längd som modellen faktiskt kördes på, och den andra siffran är den som förutsäger beteendet. Gapet här är lärorikt.

GPT-6 Astras fönster är 1 050 000 tokens med maximalt 922 000 in och 128 000 ut, och dess dokumenterade servicenivåer är uppriktiga om kostnaden för att använda den: förfrågningar över 272 000 indatatoken omprissätts till $20.00 för indata och $75.00 för utdata per miljon, med cacheläsningar på $2.00 och cacheskrivningar på $25.00, tillämpat på hela förfrågan i stället för på överskottet. Under den gränsen visar mätarna $10.00, $1.00 och $12.50, utdata på $50.00.

Intern-S2-397B:s kort anger sin egen gräns i metodanteckningen i stället för i en rubrik: benchmarkar för textresonemang kördes med en maximal inferenslängd på 256 000 tokens, och multimodala benchmarkar vid 64 000. Det är inte modellens tak — modellkortet publicerar inget sådant i en form en köpare skulle känna igen — men det är den längd vid vilken varje siffra på kortet togs fram. En förmåga som bara har demonstrerats inom 64 000 tokens av bildkontext är en förmåga som har demonstrerats inom 64 000 tokens av bildkontext, och en sida som skriver ut samma poäng utan längden skriver ut ett halvt faktum.

Det här är den disciplin som båda dessa modeller förtjänar och som ingendera leverantörens material gör enkel. Astras leverantörssiffror kommer med en bifogad testrigg som ändrar dem med 37 punkter på ett benchmark; Intern-S2:s kommer med en bifogad maximal inferenslängd som avgör huruvida några av dem är överförbara till din arbetsbelastning. Läs båda fotnoterna innan du läser någon av tabellerna.

Vilka siffror Intern-S2-397B har, och vem som producerade dem

Alla siffror nedan är InternLMs egna, körda genom OpenCompass, VLMEvalKit och AgentCompass av teamet som tränade modellen, och publicerade tillsammans med vikterna. Inget av det har oberoende reproducerats. Det finns ingen sida för Intern-S2-397B på Artificial Analysis, och den frånvaron spelar större roll än vanligt, eftersom det innebär att det inte finns någon tredje part att kontrollera raderna för allmän förmåga mot.

De vetenskapliga raderna är där modellen är starkast och där argumenten för den är tydligast: 55,71 på Biology-Instructions, 63,28 på SciReasoner 1.5, 62,35 på MolecularIQ, 53,95 på Mol-Instructions. Vid sidan av dessa, respektabla generella rader: 89,77 på MMLU Pro, 81,68 på MMMU Pro, 93,56 på HMMT-2026, 68,54 på SWE-bench-Pro. Och en rad som berättar vilken typ av modell detta är – TerminalBench 2.1 på 64,04, som enligt labbets egen tabell förlorar mot en äldre stängd generation. Intern-S2-397B är ett vetenskapligt instrument som är kompetent generellt, inte en generalist med en vetenskaplig specialitet påmonterad.

Vad GPT-6 Astras siffror är, och var de är svagast

Astras resultat består av två halvor och de är inte eniga om vad som betonas. Artificial Analysis mäter Astra till 53 på sitt nuvarande Intelligence Index över tio utvärderingar, till 3,26 USD per slutförd indexuppgift, vilket genererar ungefär 60M utdatatokens under den körningen, jämfört med en median på resultattavlan på nära 85M, med 44,6 utdatatokens per sekund. Det är en oberoende utvärdering med en publicerad metodik, och den placerar modellen som sjua av 216 i intelligens och 168:e av 185 i snabbhet.

Leverantörshälften är en tabell för sig: 98 % på FrontierMath Tier 4, beskrivet som att det mättar nivån; 99,9 % på ARC-AGI-3; 100 % på ExploitBench, där Astra är den första OpenAI-modellen som passerar företagets Critical-tröskel för cybersäkerhetskapacitet; 57,9 % på Terminal-Bench 4.0 mot 37,3 % för GPT-5.6 Sol. Varje siffra kan tillskrivas OpenAI och ingen har reproducerats. Siffran för ARC-AGI-3 är den som har färdats längst och förtjänar mest skepsis: ARC Prize körde modellen i två testramverk och publicerade båda, med 62,7 % i sitt standardramverk och 99,9 % i en leverantörsadapter som bevarar resonemangstillstånd mellan förfrågningar. Spridningen på 37 punkter är ett mått på ramverket, inte en skandal – OpenAI dokumenterade båda inställningarna – men varje jämförelse som ställer 99,9 % mot en annan modells siffra för standardramverket jämför två experiment och kallar det ett benchmark.

Ytterligare en asymmetri hör hemma här, eftersom det är anledningen till att det oberoende numret är det man ska planera efter. Intern-S2-397B:s kort har ingen oberoende kolumn alls, så dess siffror är de enda siffrorna, och de bär leverantörens auktoritet och inget annat. Astra har båda, och de är oeniga om hur bra den är på generell resonemangsförmåga på ett sätt som gör att en av dem inte kan ha fel — leverantörstabellen säger mättad, indexet säger sjua.

"Fria vikter" är ett kapitalbeslut

Intern-S2-397B är Apache-2.0, och den praktiska konsekvensen är aritmetik snarare än licensiering. Den publicerade checkpointen är 403 miljarder parametrar, och BF16-repositoriet rymmer ungefär 807 GB – innan man räknar in en serveringsstack, en KV-cache eller den andra kopian man behåller för återställning. Det finns ett FP8-bygge som ungefär halverar fotavtrycket. Labbet dokumenterar LMDeploy, vLLM och SGLang som servrar som stöds, och dess eget exempel för verktygsanrop är en OpenAI-kompatibel slutpunkt på en LMDeploy-server, så integrationsvägen är inte exotisk. Hårdvaran är det.

Det ger två mycket olika ekonomiska kalkyler utifrån samma licens. Om du redan äger en multi-GPU-nod med ledig kapacitet närmar sig marginalkostnaden för nästa vetenskapliga förfrågan el, och ingen konkurrent med pris per token kan slå det – vilket är hela anledningen till att öppna vikter finns. Om du inte äger den innebär "gratis" att köpa eller hyra kapacitet, och på hyrd kapacitet är jämförelsen mot ett API med förbrukningsmätning en enkel aritmetisk fråga om utnyttjandegrad som ett modellkort inte kan svara på åt dig. Astras sida av samma fråga är enklare: en prislista, inget driftsteam och ett prisband för lång kontext på $20.00 / $75.00 som straffar precis den förfrågningsstorlek som ett fönster på 1 050 000 token lockar fram.

En detalj som talar för den självhostade vägen och är lätt att missa: Apache-2.0-licensen är det som överhuvudtaget gör modellen användbar i en reglerad miljö. Finjustering på proprietär data, luftgapad drift och att hålla inferensen inom en dataperimeter är tre saker som Astras API inte kan erbjuda oavsett pris, och ingen rad i någon benchmark återspeglar dem.

Var en router sitter i en parkoppling som den här

Intern-S2-397B finns inte på OrcaRouter och den här sidan gör inte anspråk på att den finns där; det är en ny öppen checkpoint, och din väg till den är leverantörens officiella Intern API eller en egen driftsättning. GPT-6 Astra finns i vår katalog som openai/gpt-6-astra, till OpenAI:s listpriser, vidarebefordrade med 0 % påslag från oss.

Den användbara formen för ett team som kör båda är en uppdelning snarare än ett val, och det är den konfiguration som routningslagret är till för: skicka den allmänna, långkontextuella, dokumenttunga trafiken till den mätarstyrda modellen bakom en enda OpenAI-kompatibel slutpunkt, och låt det vetenskapliga arbetet och tidsseriearbetet i batch köras på den checkpoint du själv driftar. Automatisk redundansväxling täcker då fallet där endera sidan är i dåligt skick — den självhostade delen när en nod faller bort, API-delen när en leverantörsväg försämras — utan att något av teamen behöver skriva en andra integration. Det är en gräns som dragits som en routningsregel, inte som en arkitektur.

Vilken?

Välj Intern-S2-397B om din indata är vetenskaplig i den specifika bemärkelse som modellen tränades för – figurtäta litteratursidor, molekyl- och materialstrukturer, tidsseriesignaler – eller om Apache-2.0 är den avgörande egenskapen eftersom dina data inte kan lämna din infrastruktur. Budgetera för hårdvaran innan du budgeterar för något annat, och kör din egen utvärdering i stället för att lita på kortet, eftersom det inte finns någon oberoende siffra att falla tillbaka på.

Välj GPT-6 Astra om ditt arbete är agentiskt och löper över långa horisonter, om en indata på 922 000 token i en enda förfrågan är en form du faktiskt producerar, eller om du behöver en oberoende resultattavla för att försvara beslutet inför någon annan. Dess 3,26 dollar per slutförd indextask är den högsta siffran i den här jämförelsen, och det köper en modell som avger ungefär 60 miljoner token medan den utför arbetet, där medianmodellen avger 85 miljoner – vilket är varför pris per token är fel siffra att fatta beslut utifrån och kostnaden per slutförd uppgift är den rätta. Välj inte den för kort, högvolymtrafik, och gå inte över gränsen på 272 000 token utan att köra om din kostnadsmodell, eftersom den gränsen fördubblar indataavgiften för hela förfrågan.

De två är inte substitut, och anledningen är inte benchmarkpoäng. Den ena tar emot en skriven tabell med sensoravläsningar och den andra tar emot en skannad papperssida, och ingen av dem gör båda tillräckligt bra för att den andra ska bli onödig. Om ditt arbete på något sätt producerar båda vet du redan vilket team i din organisation som äger vilken halva.

En lansering är också tillfället att kontrollera vad som har gått fel tidigare: de dokumenterade AI-incidenterna och agentfelen kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd-flagga.