Intern-S2-Mobius: 35B-modellen som skiljer kunskap från resonemang

Shanghai AI Laboratorys InternLM-team har tyst publicerat Intern-S2-Mobius, en grundmodell med öppna vikter på 35B som gör något som nästan ingen annan publicerad modell gör: den slutar lagra kunskap i sina lager. Istället för den vanliga Transformer-arkitekturen — där varje lager har sitt eget feed-forward-block fullt av memorerade fakta — drar Mobius ut all den kunskapen till ett enda globalt delat Memory och låter ett litet antal Reasoners fråga det upprepade gånger. Den påstådda vinsten är inte ett högre benchmarkresultat. Det är hastighet: samma svar på ungefär en tredjedel till en femtedel av resonemangstoken, och upp till 4,6x förfrågningsgenomströmning. Den här guiden förklarar vad Mobius faktiskt är, vad dess konfigurationsfil avslöjar men modellkortet inte gör, vad de publicerade benchmarks visar rad för rad — inklusive de två raderna där den förlorar — var påståendet om "4x snabbare" håller och var det försvinner, och vem som realistiskt borde bry sig.

Noggrannhetsanteckning: varje siffra nedan kommer från InternLM:s eget modellkort, dess publicerade prestanda- och effektivitetssiffror, dess driftsättningsguide och modellens konfigurationsfiler på Hugging Face. Det finns ingen oberoende tredjepartsutvärdering av Intern-S2-Mobius vid skrivande stund — den är inte listad på någon oberoende topplista, den är inte driftsatt av någon inferensleverantör, och dess nedladdningsräknare står fortfarande på noll. Behandla alla jämförande siffror som leverantörsrapporterade tills någon reproducerar dem. Specifikationer och kod för en så här ny modell ändras snabbt; verifiera innan du bygger.

TL;DR. Intern-S2-Mobius är en multimodal grundmodell med 35 miljarder parametrar, licensierad under Apache 2.0, kontinuerligt förtränad från Qwen3.5-35B och därefter eftertränad med SFT och förstärkningsinlärning. Det nya ligger i arkitekturen: Mobius-v0-designen ersätter lagerbunden feed-forward-lagring av kunskap med ett globalt delat minne med 2 560 experter, som efterfrågas av fyra staplade Reasoner-block som kan nå kunskap utanför sitt eget djup (en bakåtriktad restkoppling) och förfina dolda tillstånd genom rekursiv latent iteration före avkodning (dynamiskt latent resonerande). Enligt InternLMs egen utvärdering slår den Qwen3.5-35B-baslinjen som den byggts från på sju av nio allmänna riktmärken (genomsnitt 67,88 mot 65,05) och krossar den på vetenskapliga uppgifter (52,14 mot 18,20), samtidigt som den producerar resonemangsspår som är cirka 1,5 gånger kortare i genomsnitt — 4,6 gånger kortare på MMLU Pro och 5,0 gånger kortare på GPQA Diamond. Det är den komprimeringen av spår som ger genomströmningsvinsten: 2,9 gånger vid batch 16, som stiger till 4,6 gånger vid batch 256. Haken är verklig: den förlorar på de två svåraste resonemangsriktmärkena (HLE och UGD hard), genomströmningsvinsten försvinner i stort sett på matematiktävlingar, och ingen utanför labbet har oberoende verifierat något av det.

Viktiga slutsatser

• Arkitektur-först-version: Mobius-v0 frikopplar kunskapsvektorer från resonemangsoperatorer — ett delat Memory med 2 560 experter som betjänar fyra Reasoner-block, i stället för 40 lager som var och en hamstrar sin egen FFN-kunskap.

• Effektivitet, inte intelligens, är budskapet: den genomsnittliga utdatalängden sjunker cirka 1,5x, och förfrågningsgenomströmningen ökar från 2,9x vid batch 16 till 4,6x vid batch 256 jämfört med Transformer-baslinjen.

• Det slår verkligen sin egen basmodell: 67,88 mot 65,05 i genomsnitt på allmänna uppgifter, med vinster i MMLU Pro (89,05 mot 85,31), AIME 2026 (95,31 mot 92,08) och HMMT 2026 (85,51 mot 78,50).

• Men den förlorar där övervägande är viktigast: HLE 19.11 vs 22.40 och UGD hard 73.02 vs 78.02 — de två svåraste utvärderingarna i uppsättningen, båda vunna av den vanliga Transformern.

• Det vetenskapliga språnget är det största enskilda resultatet: Biology-Instructions 51.40 mot 3.77, Mol-Instructions 45.73 mot 21.70, MolecularIQ 59.29 mot 29.13.

• Öppen men inte tillgänglig: Apache 2.0-vikter på Hugging Face, ingen inferensleverantör som hostar den, ~73 GB bfloat16-vikter — egen hosting är för närvarande det enda sättet att köra den.

Vad Intern-S2-Mobius egentligen är

Intern-S2-Mobius är en 35B grundmodell publicerad av internlm, Hugging Face-organisationen bakom Shanghai AI Laboratorys Intern-serie. Vikterna publicerades på Hugging Face den 29 juli 2026, och det tillhörande GitHub-förrådet — README, distributionsguide och en fullständig teknisk rapport som PDF — blev offentligt den 5 augusti 2026. Den släpps under Apache 2.0, vilket är ungefär så tillåtande som öppna vikter blir: kommersiell användning, modifiering och omdistribution är alla tillåtna.

Det är inte en fine-tuning. Det är en kontinuerlig förträning med arkitektur-kirurgi. InternLM tog Qwen3.5-35B — Alibabas open-weight 35B mixture-of-experts-modell, släppt den 4 mars 2026 — omstrukturerade hur modellen lagrar och hämtar kunskap, fortsatte att förträna resultatet och applicerade sedan övervakad fine-tuning och förstärkningsinlärning ovanpå. Den härstamningen är viktig för att tolka riktmärkena: varje jämförelse InternLM publicerar är Mobius mot exakt den modell som den vuxit fram ur, vilket är den renaste möjliga ablationen av arkitekturförändringen och även, bekvämt nog, den jämförelse som mest sannolikt smickrar den.

Modellen är multimodal. Hugging Face klassificerar den som image-text-to-text, och konfigurationen bekräftar en fullständig vision-encoder samt hantering av videotokens. Den är också, att döma av vad som levereras tillsammans med vikterna, inriktad rakt mot vetenskap — mer om det nedan.

Mobius-arkitekturen, i klartext

En konventionell transformer blandar två uppgifter i varje lager. Attention flyttar information mellan token; det feed-forward-nätverket (eller, i en mixture-of-experts-modell, en bank av expert-FFN:er) lagrar kunskap. Eftersom FFN:en ligger inuti lagret är kunskapen den innehåller endast tillgänglig på det djupet. Ett faktum som lärts in i lager 30 kan inte konsulteras av resonemanget som sker i lager 5. Information flödar framåt, lager för lager, och det är den enda vägen.

Mobius bryter den bindningen. InternLM beskriver tre konsekvenser.

Separation av kunskap och resonemang. Lagerbunden FFN-lagring ersätts av ett globalt delat Minne. Istället för att 40 lager var och en äger en del av modellens kunskap, finns det en pool som varje resonemangssteg kan adressera. InternLMs argument är att detta förbättrar kunskapskomprimering — samma fakta behöver inte läras in redundant på flera djup — och ger varje Reasoner ett mycket bredare kunskapsutrymme än vad ett enda lagers FFN kan erbjuda.

Bakåtriktad residualkoppling. Eftersom minnet är delat når såväl grunda som djupa resonemangsstadier samma databas. Kunskapsåtkomst är inte längre strikt framåtriktad. Ett grunt stadium kan hämta in något som i en standardstack bara skulle ha varit tillgängligt trettio lager senare. InternLMs påstående är att detta låter modellen komponera kunskap över djupen mer flexibelt och, avgörande, syntetisera användbar information i färre resonemangssteg. Den sista satsen är hela tesen i releasen.

Dynamiskt latent resonemang.Istället för att externalisera varje tankesteg som synliga chain-of-thought-token, förfinar Mobius sina kontinuerliga dolda tillstånd genom rekurrent latent iteration innan den avkodar något. En del av "tänkandet" sker i modellens interna representationsutrymme snarare än i genererad text, och mängden av den interna beräkningen fördelas dynamiskt per token. Den praktiska effekten är att modellen behöver skriva färre ord för att nå samma slutsats – och eftersom generering är autoregressiv och sekventiell, är att skriva färre ord det enskilt mest direkta sättet att göra en resonemangsmodell snabbare.

Sammantaget är pitchen en resonemangsmodell som tänker mer och skriver mindre.

Vad konfigurationsfilen avslöjar

Modellkortet beskriver arkitekturen i prosa. code>config.json/code> gör den konkret, och den innehåller flera siffror värda att känna till.

• Fyra Reasoners över 40 lager. Textkonfigurationen deklarerar 40 dolda lager men bara fyra block. De 40 lagren är organiserade i fyra Reasoner-steg som itererar mot det delade Memory, snarare än fyrtio oberoende kunskaps-och-uppmärksamhetsenheter.

• 2 560 experter. Detta är det delade Memory, förverkligat. Mobius har 2 560 experter, med 8 aktiverade per token och en mycket liten mellanstorlek på 512 per expert, plus en delad expert. Som jämförelse använder dess syskon Intern-S2-Preview 256 experter. En tio gånger större pool av mycket mindre experter är precis vad "en global kunskapsbutik istället för FFN:er per lager" ser ut som när du skriver ner det som en konfiguration.

• 35B på lådan, ~36B på disk, ~3B aktiva. Modellkortet säger 35B; Hugging Faces safetensors-läsare rapporterar 36B parametrar; viktindexet uppgår till 72,96 GB i bfloat16, vilket blir ungefär 36,5B. Distributionsguiden är den mest precisa: den kallar releasen för en 30B-A3B-modell — runt 3B parametrar aktiva per token. Som med vilken gles MoE som helst betalar du för hela viktuppsättningen i minne och får beräkningar i småmodellsklass per token.

• Hybrid uppmärksamhet, 3:1. Lagerlistan växlar mellan tre linjära uppmärksamhetslager och ett fullt uppmärksamhetslager, hela vägen ner — tio fulla uppmärksamhetslager av 40. Linjär uppmärksamhet förhindrar att långkontextminnet och beräkningen exploderar; de periodiska fulla uppmärksamhetslagren bevarar den exakta återkallelsen som ren linjär uppmärksamhet ger upp. De linjära lagren använder en konvolutionskärna med bredd 4 och ett SSM-tillstånd i float32, det numera standardmässiga gated-delta-receptet.

• 256K kontext. Maximala positionsinbäddningar är 262 144. Observera skillnaden mellan vad arkitekturen stödjer och hur den utvärderades: InternLM körde sina textbenchmarks på 128K och på 64K för MMLU Pro, SimpleQA och HLE. Ett tak på 256K är inte detsamma som 256K validerad kvalitet.

• Ett inbyggt multi-token-prediktionshuvud. Det finns en enlagers MTP-modul med sina egna 256 experter. Detta är inte dekoration — driftsättningsguiden rekommenderar att köra med spekulativ avkodning med MTP och fyra draft-tokens, så en del av förklaringen till den verkliga hastigheten är spekulativ avkodning, inte enbart arkitekturen.

• Ett riktigt visionstorn. En vision-encoder med 27 lager och 1152 dolda enheter, patchstorlek 16, 2x2 rumslig sammanslagning och temporal patchning för video, som projicerar in i den 2048-dimensionella textströmmen med interfolierad multimodal RoPE. Bilder och video in, text ut.

Andra detaljer för de nyfikna: 16 attention-huvuden med huvuddimension 256, 2 key-value-huvuden (aggressiv grouped-query attention), gated attention-utdata, en partiell rotationsfaktor på 0,25, RoPE-theta på 10 miljoner och ett vokabulär på 251 392 token.

Riktmärkena, rad för rad

InternLM utvärderades med OpenCompass och publicerade en enda jämförelse: Intern-S2-Mobius-35B mot Qwen3.5-35B, modellen som den kontinuerligt förtränades från. Nio allmänna riktmärken, tre vetenskapliga.

Vid allmänna uppgifter vinner Mobius sju av nio. MMLU Pro — bred multidomänkunskap med svårare distraktorer än ursprungliga MMLU — går från 89,05 till 85,31, en ökning med 3,7 poäng och det tydligaste kunskapsresultatet i uppsättningen. GPQA Diamond, vetenskapsfrågor på forskarnivå skrivna för att vara omöjliga att googla, är i princip oavgjort på 80,81 mot 80,24. IMO Bench, matematik på olympiadnivå, går från 81,25 till 77,50. AIME 2026, American Invitational Mathematics Examination, går från 95,31 till 92,08. HMMT 2026, Harvard-MIT Mathematics Tournament, är den största matematiksvängningen på 85,51 mot 78,50. AMO går från 58,00 till 50,00. Och SimpleQA — kortfattad faktaminnesåterkallelse, det riktmärke som mest direkt mäter om en modell verkligen vet saker — hoppar från 21,39 till 28,90, en relativ förbättring på 35 % som är det enskilt bästa beviset för InternLMs argument att "delat minne komprimerar kunskap bättre".

Sedan har vi de två förlusterna, och det är de intressanta raderna. UGD hard går åt andra hållet: 73,02 för Mobius mot 78,02 för baslinjen, ett underläge på fem poäng. Och HLE — Humanity's Last Exam, den svåraste allmänt använda utvärderingen, där frontlinjemodellerna fortfarande får resultat i tonåren och tjugoårsåldern — är 19,11 mot 22,40. Den vanliga Transformern vinner med 3,3 poäng på det riktmärke som specifikt utformats för att kräva mest resonemang.

Det mönstret är inte brus, och det är inte dolt: InternLM publicerade det. Den mest rimliga läsningen är att latent resonemang är en komprimering, och komprimering är förlustbehäftad i svansen. Att internalisera övervägande i kontinuerliga dolda tillstånd fungerar utmärkt när övervägandet är hämtningstungt eller följer en välbekant form — vilket beskriver MMLU Pro, SimpleQA och det mesta av tävlingsmatematik. På problem som verkligen kräver långa, utforskande, felkorrigerande tankekedjor verkar den explicita token-för-token-spårningen fortfarande vara värd sin kostnad. Genomsnittet — 67,88 mot 65,05 — är en verklig vinst, men det är ett genomsnitt som döljer en avvägning, inte en enhetlig förbättring.

De vetenskapliga resultaten skiljer sig i en annan skala. Biology-Instructions går från 3,77 till 51,40. Mol-Instructions, som täcker molekylär förståelse och generering, går från 21,70 till 45,73. MolecularIQ går från 29,13 till 59,29. Genomsnittet är 52,14 mot 18,20. Sådana siffror som 3,77 stigande till 51,40 är inte arkitekturvinster; de är kännetecknet på riktad domänträning på uppgifter som baslinjen helt enkelt aldrig har lärt sig att utföra. Att Qwen3.5-35B får under 4% på Biology-Instructions innebär att den inte förstår uppgiftsformatet, inte att den är dålig på biologi. Läs de tre raderna som "InternLM lade till en vetenskaplig specialisering," vilket är verkligt värdefullt och är hela poängen med Intern-S-serien — bara tillskriv inte Mobius-arkitekturen det.

Där '4x snabbare' är verkligt, och där det inte är det.

Effektivitetspåståendet är anledningen till att den här modellen finns, så det förtjänar en noggrann läsning. InternLMs rubrik är "nästan 4x snabbare end-to-end-inferens." Den publicerade genomströmningssiffran är mer informativ än rubriken, och mer ärlig.

Mätt som genomströmning av förfrågningar mot batchstorlek, genomsnittligt över benchmarks, slår Mobius Transformer-baslinjen med 2,9x vid batch 16 och 4,6x vid batch 256. Gapet växer med batchstorleken, vilket är vad man kan förvänta sig när vinsten kommer från att generera färre tokens per förfrågan: ju fler förfrågningar du packar ihop, desto mer ackumuleras de sparade avkodningsstegen. Rubriken "nästan 4x" är en mittpunkt i ett intervall, inte en konstant.

Bryt ner det per riktmärke och bilden blir skarpare. På MMLU Pro och GPQA Diamond, Mobius är dramatiskt snabbare vid varje batchstorlek — genomströmningskurvorna separerar omedelbart och fortsätter att divergera. På IMO Bench, den leder konsekvent men blygsamt. På AIME 2026 och HMMT 2026, är baslinje-Transformatorn faktiskt snabbare vid mellanliggande batchstorlekar, där Mobius bara drar ifrån vid batch 256. På den svåraste tävlingsmatematiken är genomströmningsfördelen försumbar eller sämre över stora delar av det användbara driftområdet.

Varför? Därför att genomströmningen följer spårkomprimeringen nästan perfekt. Den genomsnittliga utdatalängden över benchmarks minskar med ungefär 1,5 gånger, från cirka 20 400 tokens till cirka 13 200. Men det genomsnittet sträcker sig över en enorm variation: 4,6 gånger kortare på MMLU Pro (cirka 1 100 tokens jämfört med 5 150) och 5,0 gånger kortare på GPQA Diamond (cirka 2 600 jämfört med 12 900), mot bara 1,4 gånger på IMO Bench, 1,5 gånger på AIME 2026, och 1,2 gånger på HMMT 2026. Där modellen kan komprimera sitt tänkande flyger den. Där problemet kräver en härledning på 24 000 tokens oavsett vad, kan den inte det, och arkitekturens overhead visar sig istället.

{{1}}Den praktiska innebörden:{{/1}} {{2}}om din arbetsuppgift liknar informationssökning, flervalsfrågor, teknisk Q&A eller klassificering, blir hastighetsökningen stor och omedelbar.{{/2}} {{3}}Om din arbetsuppgift är svår matematisk eller vetenskaplig härledning, räkna med ungefär likvärdig prestanda och bli glatt överraskad.{{/3}} {{4}}Den som citerar "4x snabbare" som en generell egenskap hos modellen{{/4}} {{5}}citerar ett genomsnitt av två mycket olika beteenden.{{/5}}

Vetenskapsstacken som gömmer sig i fillistan.

En av de mest avslöjande sakerna med den här releasen är inte alls i modellkortet — den är i repositoryts fillista. Tillsammans med de vanliga tokenizerfilerna levererar Intern-S2-Mobius tre ytterligare domäntokenizers: code>tokenizer_PROT.model/code> för proteinsekvenser, code>tokenizer_SMILES.model/code> för molekylstrukturer i SMILES-notation, och code>tokenizer_XNA.model/code> för nukleinsyrasekvenser. Det ligger också en överbliven NumPy-array med seismiska data i repositoryt.

Dedikerade tokenizer för proteiner, molekyler och DNA/RNA är inget man lägger till i förbifarten. De innebär att modellen har tränats för att läsa dessa sekvenstyper som förstklassiga indata, snarare än som vanlig text som råkar innehålla bokstäver. Det är det som förvandlar en 3,77 till en 51,40 på Biology-Instructions, och det placerar Mobius i samma familj som dess syskonmodell Intern-S2-Preview, som lade till tidsserie- och visionmodaliteter och, enligt InternLM, var den första open source-modellen med förmåga att generera kristallstrukturer för material.

Om du är en allmän utvecklare är detta kuriosa. Om du arbetar inom beräkningsbiologi, keminformatik eller materialvetenskap kan det vara den viktigaste raden i den här artikeln: detta är en liten, Apache-2.0-licensierad, självhostningsbar modell som nativt talar SMILES och proteinsekvenser.

Var den ligger i Intern-familjen

Intern-S-serien är Shanghai AI-laboratoriets vetenskapliga multimodala serie. Intern-S1 etablerade formatet. Intern-S1-Pro skalade upp det till trillionparametersklassen. Intern-S2-Preview, som släpptes strax före Mobius, är effektivitetssatsningen: en modell med totalt 36B parametrar, varav 3B aktiva, med 256 experter och ett 262K-kontext som InternLM hävdar matchar S1-Pro i trillionskala på centrala professionella vetenskapliga uppgifter — en ungefär 30-faldig parameterreduktion för jämförbar vetenskaplig kapacitet.

Intern-S2-Mobius är en tredje sak: en arkitekturrelease som bär namnet Intern-S2. "v0" i Mobius-v0 gör verkligt arbete i den beteckningen — detta är den första offentliga iterationen av en design, inte en mogen produktlinje. Den ansluter till ArchSpace, InternLMs öppna plattform för att validera LLM-arkitekturinnovationer, vars uttalade mål är "att omvandla LLM-arkitekturutforskning till återanvändbar kunskap för gemenskapen", med kollegial granskning och publicerade resultat inklusive negativa sådana. Mobius är hur det programmet ser ut när ett förslag avancerar från en 1B-skala-probe till en 35B-modell som du faktiskt kan ladda ner. En fullständig teknisk rapport medföljer GitHub-repositoriet för den som vill ha härledningarna.

Sett i det ljuset är de två benchmark-förlusterna en funktion av releasen, inte en pinsamhet. Det här är ett labb som ärligt publicerar ett arkitekturexperiment, inklusive där det försämrades.

Så här kör du det

Intern-S2-Mobius stöds av tre inferensstackar, och driftsättningsguiden ger fungerande anrop för varje.

LMDeploy är den rekommenderade vägen och den enda som guiden visar på en enda GPU: servera med PyTorch-backend, code>--trust-remote-code/code>, tensorparallellism med 1 och MTP-spekulativ avkodning aktiverad via den spekulativa algoritmen qwen3_5_mtp med fyra draft-token. vLLM visas med tensorparallellism med 2, qwen3-resonemangsparsern, qwen3_coder-verktygsanropsparsern, automatiskt verktygsval och MTP-spekulativ avkodning med fyra spekulativa token. Transformers fungerar för grundläggande inferens genom code>AutoModelForImageTextToText/code> med code>trust_remote_code=True/code> och bfloat16 — observera att modellen levereras med anpassad modelleringskod, så exekvering av fjärrkod är obligatorisk, och konfigurationen riktar sig mot Transformers 5.2.

InternLMs rekommenderade samplingparametrar är temperatur 0.8, top-p 0.95, top-k 50 och min-p 0.0 — varmare än de nästan giriga inställningarna som de flesta resonemangsmodeller vill ha, vilket är värt att respektera snarare än att åsidosätta av vana.

När det gäller hårdvara: ungefär 73 GB bfloat16-vikter plus KV-cache och aktiveringar innebär att en enda 80 GB-accelerator är snäv och ett enda 141 GB-kort är bekvämt, vilket förmodligen är anledningen till att vLLM-exemplet använder två GPU:er medan LMDeploy-exemplet förutsätter ett stort sådant. Arbete med långa kontexter driver upp det ytterligare. Aktivera MTP — guiden rekommenderar det uttryckligen, och en betydande del av den utlovade hastighetsökningen ligger där snarare än i basarkitekturen.

Den viktigaste praktiska varningen: ingen inferensleverantör är för närvarande värd för den här modellen. Hugging Faces leverantörspanel säger det rakt ut, och nedladdningsräknaren stod fortfarande på noll när detta skrevs. Det finns ingen API-slutpunkt, inget pris per miljon tokens och inget hanterat sätt att prova den. Självhostning är det enda alternativet idag.

Vem borde egentligen bry sig

1. Team som kör högvolym-, retrieval-formade resonemangsarbetsbelastningar

Detta är profilen arkitekturen byggdes för. Om du levererar stora batcher av teknisk Q&A, dokumentanalys, strukturerad extraktion eller flervalsklassificering genom en resonemangsmodell, och din faktura domineras av resonemangstokens du aldrig visar användaren, är en modell som når samma svar med en femtedel av tokenantalet en direkt kostnadsminskning. MMLU Pro- och GPQA-siffrorna – 4,6x och 5,0x kortare spår med likvärdig eller bättre noggrannhet – är exakt denna form. Benchmarka det mot din egen trafik innan du tror på det, men mekanismen är sund och incitamentet är stort.

2. Beräkningsvetenskapliga grupper

Inbyggda tokenizers för protein, SMILES och nukleinsyror, plus stora uppmätta vinster på biologiska och molekylära riktmärken, i en Apache 2.0-modell som ryms på en eller två GPU:er. För ett labb som behöver att data stannar på plats och inte kan skicka molekylstrukturer till ett kommersiellt API, är den kombinationen sällsynt. Intern-S-serien har byggts mot detta, och Mobius är den billigaste ingångspunkten hittills.

3. Forskare och arkitekturbevakare

Kunskaps- och resonemangsfrikoppling och latent resonemang har varit aktiva forskningslinjer ett tag; väldigt få har validerats vid 35B och släppts öppet med felfallen intakta. Om du bryr dig om vart post-Transformer-arkitekturer tar vägen härnäst, är den tekniska rapporten och de två förlorande raderna mer intressanta än den genomsnittliga poängen. ArchSpace har uttryckligen byggts för att göra den här typen av resultat återanvändbar.

Vilka som inte bör bry sig, åtminstone ännu: alla som söker en produktionsredo allmän assistent. Det finns ingen värdbaserad slutpunkt, ingen oberoende utvärdering, inga ekosystemverktyg och ingen meritlista. Det är inte kritik mot modellen — det är en beskrivning av en forskningsrelease som är en vecka gammal.

Hur den passar in i en produktionsstack

Den ärliga placeringen för Intern-S2-Mobius idag är utvärderingskandidat, inte standardmodell. Det är en icke-hostad, overifierad, en vecka gammal forskningsartefakt med en genuint intressant arkitektur och en mycket specifik styrka — token-effektivt resonemang på hämtningsformade uppgifter — plus en verklig specialisering inom vetenskaplig sekvensdata.

Ett förnuftigt mönster är att hålla din produktionstrafik på en leverantörsoberoende slutpunkt som OrcaRouter, som ger dig ett OpenAI-kompatibelt API över många modeller, och ställa upp Mobius separat på dina egna GPU:er för den smala del där den kan vinna. Mät det som faktiskt spelar roll för den här modellen: inte enbart noggrannhet, utan förbrukade token per korrekt svar. Det är den axel som Mobius är optimerad för, och det är den axel som de flesta utvärderingsramverk ignorerar. Om den håller måttet för din arbetsbelastning har du en självhostad bana som är billig att driva och juridiskt obelastad. Om den inte gör det har du förlorat en dags GPU-tid och din produktionsväg har aldrig rört sig.

Samma logik gäller omvänt om en leverantör så småningom hostar den: en router låter dig A/B-testa en ny modell mot din nuvarande utan att skriva om något, vilket är precis rätt sätt att införa en arkitektur som ingen har testat oberoende.

Begränsningar och förbehåll

Börja med den största: det finns ingen oberoende verifiering av något av siffrorna i den här artikeln. Varje benchmark, varje genomströmningskurva och varje jämförelse av tokenlängd kommer från InternLM. Jämförelsen är också strukturellt fördelaktig — Mobius mäts endast mot den specifika baslinje som den kontinuerligt förtränades från, inte mot den aktuella frontlinjen, och den extra SFT- och RL-postträningen innebär att jämförelsen inte är en ren arkitekturablation även om den presenteras som en sådan. En del av vinsten är Mobius; en del är helt enkelt mer träning.

Regressionerna är verkliga och de gäller de svåraste uppgifterna. Att förlora HLE med 3,3 poäng och UGD hard med 5 poäng, samtidigt som man vinner nästan allt som är enklare, är en sammanhängande och något oroande signatur för en modell vars säljpunkt är resonemangseffektivitet.

Operativt sett är friktionen betydande. Anpassad modelleringskod innebär code>trust_remote_code/code> och en banbrytande Transformers-version. Ramverken som stödjer det måste vara tillräckligt nya för att veta vad en code>interns2_mobius/code> är, och InternLMs egen guide varnar för att dessa är referenskonfigurationer under aktiv utveckling. Ungefär 73 GB vikter är inte en laptopmodell. Det finns inget värdbaserat API, ingen prissättning, inga hastighetsbegränsningar och inget SLA — eftersom det inte finns någon tjänst.

Slutligen, notera vad som inte har publicerats: inga multimodala benchmarkresultat trots en fullständig vision-encoder, ingen långkontextutvärdering trots ett 256K-tak, inga kodningsbenchmarks överhuvudtaget, ingen säkerhets- eller anpassningsutvärdering, och ingen jämförelse mot någon annan modell än Qwen3.5-35B. För en allmän driftsättning är dessa stora tomma ytor. För en arkitekturuppsats med vikter bifogade är de helt enkelt utanför scopet — vilket är det rätta sättet att läsa denna release.

FAQ

Vad är Intern-S2-Mobius?

En multimodal grundmodell med 35B parametrar, Apache 2.0-licensierad, från Shanghai AI Laboratorys InternLM-team, byggd på Mobius-v0-arkitekturen som separerar kunskapslagring från resonemangsberäkning. Den kontinuerligt förtränades från Qwen3.5-35B och eftertränades med SFT och förstärkningsinlärning, och publicerades på Hugging Face den 29 juli 2026.

Vad gör Mobius-arkitekturen annorlunda?

Konventionella transformatorer lagrar kunskap i ett feedforward-block i varje lager, så kunskap är endast tillgänglig på det djup där den finns. Mobius ersätter detta med ett globalt delat minne — 2 560 experter i den släppta konfigurationen — som fyra Reasoner-block frågar upprepade gånger, vilket möjliggör kunskapsåtkomst över djup och låter en del av övervägandet ske i kontinuerliga dolda tillstånd i stället för genererade tankekedjetoken.

Är Intern-S2-Mobius verkligen 4x snabbare?

I genomsnitt och vid stora batchstorlekar, ungefär ja: InternLM mäter 2,9x högre förfrågningsgenomströmning vid batch 16, stigande till 4,6x vid batch 256. Men det varierar enormt beroende på uppgift. På MMLU Pro och GPQA Diamond är vinsten stor vid varje batchstorlek; på AIME och HMMT tävlingsmatematik är baslinje-Transformern faktiskt snabbare vid mellanstora batchstorlekar. Hastighetsökningen följer hur mycket modellen kan förkorta sin resoneringskedja.

Hur jämför den sig med Qwen3.5-35B?

Den vinner sju av nio generella riktmärken med ett genomsnitt på 67,88 mot 65,05, inklusive MMLU Pro (89,05 mot 85,31), AIME 2026 (95,31 mot 92,08), HMMT 2026 (85,51 mot 78,50) och SimpleQA (28,90 mot 21,39). Den förlorar UGD hard (73,02 mot 78,02) och HLE (19,11 mot 22,40). Inom vetenskapliga uppgifter ligger den långt före — 52,14 i genomsnitt mot 18,20.

Kan jag använda Intern-S2-Mobius via ett API?

Inte för närvarande. Ingen inferensleverantör erbjuder den, det finns ingen publicerad prissättning, och Hugging Face listar ingen driftsättning. Självhosting med LMDeploy, vLLM eller Transformers är det enda sättet att köra den idag.

Vilken hårdvara behöver jag för att köra det?

Vikterna är cirka 73 GB i bfloat16, så planera för en accelerator i 141 GB-klassen eller två 80 GB GPU:er, plus utrymme för KV-cache. InternLMs LMDeploy-exempel använder tensorparallellism på 1; dess vLLM-exempel använder 2. Att aktivera MTP-spekulativ avkodning med fyra draft-tokens rekommenderas.

Vad är dess kontextlängd?

Konfigurationen stöder 262 144 tokens (256K). Observera att InternLM utvärderades vid 128K på de flesta textbenchmarks och 64K på MMLU Pro, SimpleQA och HLE, så validerad kvalitet vid hela 256K har inte påvisats.

Är den multimodal?

Ja. Hugging Face klassificerar den som image-text-to-text, och konfigurationen inkluderar en 27-lagers vision-encoder med hantering av video-tokens. InternLM publicerade dock inga multimodala benchmarkresultat med denna utgåva, så bildförmågan är i praktiken odokumenterad.

Varför levererar den protein- och SMILES-tokeniserare?

Eftersom Intern-S-serien är en vetenskaplig modellfamilj. Dedikerade tokenizers för proteinsekvenser, SMILES-molekylnotation och nukleinsyror innebär att modellen läser dessa format som inbyggda indatatyper, vilket är varför den får 51,40 på Biology-Instructions där baslinjen får 3,77.

Är licensen verkligen Apache 2.0?

Ja — Apache 2.0, med licensfilen i repositoryt. Kommersiell användning, modifiering och omdistribution är tillåtna, vilket är märkbart mer tillåtande än många open-weight-utgåvor från stora labb.

Bör jag använda det i produktion?

Inte ännu. Den är en vecka gammal, inte hostad, inte verifierad av någon tredje part, och saknar utvärderingar avseende kodning, multimodalitet, lång kontext och säkerhet. Behandla den som en utvärderingskandidat för tokeneffektivt resonemang eller vetenskapligt sekvensarbete, håll produktionstrafiken på etablerade modeller via en leverantörsneutral slutpunkt, och återkom när oberoende siffror finns.

Slutsats

Intern-S2-Mobius är en av årets verkligt intressanta modellsläpp, och nästan inget av det har att göra med dess poäng. InternLM tog en riktig arkitekturidé — sluta binda kunskap till lager, lägg den i ett delat minne, och låt modellen göra en del av sitt tänkande i latent rum istället för i tokens — skalade det till 35B, tränade det ordentligt, och släppte vikterna under Apache 2.0 tillsammans med den tekniska rapporten och resultaten som inte gick dess väg. Effektivitetsmekanismen är läsbar och bevisen för den är internt konsekvent: spår blir 1,5x kortare i genomsnitt och upp till 5x kortare på kunskapstunga uppgifter, och genomströmningen ökar i exakt den proportion man skulle förutsäga från det.

Förbehållen är lika tydliga. Ingen utanför Shanghai AI Laboratory har verifierat en enda siffra. Jämförelsen görs mot modellens egen baslinje och inkluderar extra post-träning, så det är inte den rena ablation den liknar. Snabbhetsförbättringen försvinner till stor del vid svår matematik. Modellen förlorar på de två mest krävande resonemangsbenchmarkerna i sin egen tabell. Och det finns inget sätt att testa den utan att hyra GPU:er.

Så: inte en modell att driftsätta den här veckan, men definitivt en att hålla koll på, och ett genuint attraktivt alternativ för två specifika målgrupper — team vars resoneringskostnad domineras av token som ingen läser, och forskargrupper som behöver en liten, permissivt licensierad modell som naturligt talar proteiner och molekyler. Håll produktionsstacken på beprövade modeller genom en leverantörsneutral slutpunkt som OrcaRouter, sätt upp Mobius på egen hårdvara för det snäva fallet, och mät token per korrekt svar snarare än enbart träffsäkerhet. Om arkitekturen håller under oberoende granskning kommer Mobius-v0 att minnas mindre som en 35B-modell och mer som versionsnumret före den som faktiskt betydde något.