Intern-S2-397B vs Intern-S2 Mobius: 397B-flaggskeppet och 35B-resonören

Intern-S2-397B och Intern-S2 Mobius är båda InternLM-modeller, båda Apache-2.0, båda kallade Intern-S2, och bakom namnet kunde de knappast vara mer olika. Intern-S2-397B är flaggskeppet: en mixture-of-experts-modell med 403 miljarder parametrar för vetenskaplig intelligens och långhorisontella agenter som InternLM släppte den 13 september 2026. Intern-S2 Mobius är ett resonemangsexperiment med 35 miljarder parametrar som kom den 29 juli 2026, byggt på Mobius-v0-arkitekturen med ett globalt delat minne och itererande resonerare, kontinuerligt förtränat från Qwen3.5-35B. Namnkollisionen är hela anledningen till att den här jämförelsen behöver finnas, för en sökning på "Intern-S2 review" kommer att visa båda modellerna, och de två är inte utbytbara mot varandra i någon riktning.

Två arkitekturer, två uppgifter

Intern-S2-397B är en konventionell transformer-MoE, bred där det spelar roll: 60 lager, 512 experter med 10 aktiva per token, en 256K textresonemangskontext och en multimodal på 64K, och en ingångsyta som tar text, bild och tidsserier. Dess förträningsparadigm läser råa sidor av vetenskaplig litteratur – figurer, layout, symbolisk notation och prosa tillsammans – och dess förstärkningsinlärning spänner över mer än tjugo vetenskapliga domäner, plus agentträning över långa horisonter i sandlådemiljöer. Det är en specialist som också är en generell modell: MMLU Pro 89,77, MMMU Pro 81,68, SWE-bench-Pro 68,54 på dess eget modellkort, alla rapporterade av InternLM och ej reproducerade.

Intern-S2 Mobius är en annan satsning på en annan fråga. I stället för att binda kunskapslagring och resonemangsberäkning lager för lager håller Mobius-v0-arkitekturen ett globalt delat minne av kunskapsvektorer och låter flera resonemangsmotorer iterera mot det, vilket förfinar dolda tillstånd över kontinuerliga representationer med hög densitet. Säljargumentet är inferenseffektivitet: en nästan 4x uppsnabbning från ände till ände jämfört med Qwen3.5-35B-baslinjen som den härstammar från, med jämförbara eller starkare resonemangspoäng. Det är ett genomströmningspåstående om en specifik baslinje — och ett leverantörspåstående, utan oberoende replikering — men det är anledningen till att modellen finns.

• Arkitektur — Intern-S2-397B: standardtransformer-MoE, 60 lager, 512 experter / 10 aktiva vs Intern-S2 Mobius: Mobius-v0, delat minne + itererande resonerare.

• Skala — Intern-S2-397B: 403B totalt, ~807 GB vikter i BF16 mot Intern-S2 Mobius: 35B totalt.

• Härstamning — Intern-S2-397B: ursprungligt vetenskapligt förträningsparadigm vs. Intern-S2 Mobius: kontinuerligt förtränad från Qwen3.5-35B.

• Indata — Intern-S2-397B: text, bild, tidsserier vs Intern-S2 Mobius: text, bild.

• Kontext — Intern-S2-397B: 256K text / 64K multimodalt vs Intern-S2 Mobius: ingen oberoende angiven kontextsiffra ännu.

• Hastighetspåstående — Intern-S2-397B: inget uppgivet vs Intern-S2 Mobius: nästan 4x snabbare resonemang från ände till ände jämfört med baslinjen Qwen3.5-35B, enligt leverantören.

• Oberoende bevis — ingen av modellerna har ett tredjepartsbetyg.

Vilket nummer tillhör vilken modell?

Namnkollisionen blir en praktisk risk i samma stund som du läser en recension. Ett benchmarkpåstående om "Intern-S2" — MMLU Pro 89.77, HMMT-2026 93.56, Biology-Instructions 55.71 — gäller 397B-flaggskeppet, eftersom det är modellen som lanseringstabellen hör till. Ett påstående om genomströmning för "Intern-S2" — den nästan 4-faldiga uppsnabbningen — gäller Mobius, eftersom det är modellen vars arkitektur handlar om inferenseffektivitet. Kontrollera parameterantalet innan du citerar endera siffran. En recension som säger "Intern-S2 är 4x snabbare" och en som säger "Intern-S2 slår Grok 4.6 på TerminalBench" handlar om olika modeller, och det andra påståendet överlever inte ens sin egen leverantörstabell.

På bevissidan har ingen av modellerna testats av någon utanför InternLM. Flaggskeppets modellkort är en leverantörsbenchmarktabell som körts genom OpenCompass, VLMEvalKit och AgentCompass; Mobius-kortet är en beskrivning plus ett anspråk på uppsnabbning gentemot en baslinje som modellen finjusterades från. Avsaknaden av oberoende verifiering spelar större roll här än i de flesta jämförelser, eftersom de två modellernas starkaste anspråk ligger på helt olika axlar – förmåga för den ena, genomströmning för den andra – och ingen av axlarna har ännu någon utomstående mätning.

Vilken ska köras?

Kör Intern-S2-397B när uppgiften gäller vetenskaplig förståelse: att läsa en figurrik artikel, analysera ett molekylärt diagram, prognostisera utifrån en tidsseriesignal eller köra en lång agent som måste fortsätta arbeta igenom en forskningsuppgift. Det är modellen som veckans bevakning handlar om, och dess allmänna rader är tillräckligt respektabla för att du inte köper en ponny som bara kan ett trick. Priset är hårdvaran: en 403B-checkpoint kräver en rejäl multi-GPU-nod, och om du inte äger en sådan är det officiella Intern API:et alternativet.

Överväg Intern-S2 Mobius när jobbet är högvolymresonemang på hårdvara du redan äger och du bryr dig mer om kostnaden per token än om en eller två poäng i benchmarkresultat. En 35B-modell med en trolig 4x fördel i genomströmning jämfört med sin baslinje är ett genuint intressant serveringsalternativ – men validera hastighetsökningen på dina egna spårningsdata innan du bygger en lösning kring den, för ingen utanför InternLM har ännu reproducerat den. Hur som helst, ange modellen uttryckligen i varje text du skriver, för namnet ensamt säger inte längre vilken du menar.