Muse Wonder vs Intern S2: 1 048 576 tokens mot 256K, och ingen gemensam måttstock

Intern-S2-397B and Muse Wonder have never been measured against each other by anyone. That is not a gap in the research — it is a structural fact about how each model came to exist. I​nternLM published Intern-S2-397B on September 13, 2026 as an Apache-2.0 open-weights checkpoint for scientific intelligence and long-horizon agents, benchmarked entirely by its own makers, with no third-party score at all. Meta Superintelligence Labs began selling Muse Wonder on October 12, 2026 through the Meta Model API and Muse Code, and it has exactly one independent evaluator's row. So everything below requires labelling which side of the fence each number sits on, and the two models disagree about something more basic than benchmark scores: what a context window is for. Muse Wonder's 1,048,576 tokens are a flat, priced, single-response budget. Intern-S2-397B's are split — 256K for text reasoning and 64K for multimodal input — on a checkpoint you download rather than call.

Den användbara versionen av den här jämförelsen är inte vilken modell som vinner. Det är att den ena är ett instrument för vetenskapligt dokumentarbete som du kan köra inom din egen perimeter, och den andra är en hyrd generalist med ett mycket stort fastprisfönster. Det är två olika köp.

Vad varje modell faktiskt är

Intern-S2-397B is Shanghai AI Laboratory's I​nternLM flagship, released September 13, 2026 under Apache-2.0. The name carries 397B; the model card says 403 billion total parameters, and that difference is the kind of inconsistency a checkpoint built in public accumulates. Architecturally it is a standard mixture-of-experts transformer — 60 layers, 512 experts with 10 active per token — and its headline claim is a pre-training paradigm that reads raw pages of scientific literature, figures, layout, symbolic notation and prose together, rather than parsing the text out first. Around that it scales reinforcement learning across more than twenty scientific domains and adds long-horizon agent training in sandboxed environments. It takes text, image and time-series input, produces forecasts from the time-series path, serves on LMDeploy, vLLM and SGLang, supports tool calling, and thinks by default unless you pass enable_thinking=False per request. In BF16 the checkpoint is roughly 807 GB, so self-hosting means a serious multi-GPU node.

Muse Wonder är Meta Superintelligence Labs banbrytande lansering den 12 oktober 2026, tillkännagiven som en serie med två checkpoints. Endast muse-wonder-1.0 har en endpoint per token, på Meta Model API och i Muse Code; Muse Wonder Full, den högre poängsatta konfigurationen, säljs endast via en prenumeration på Muse Code och har ingen offentlig prislista. Den anropbara checkpointen tar text-, bild-, tal- och videoindata, returnerar text, har ett kontextfönster på 1 048 576 tokens, begränsar ett enskilt svar till 943 718 tokens, prissätts till 4,00 USD per miljon indatatokens, 0,20 USD cachade och 20,00 USD utdata, och kör resonemang obligatoriskt på en ansträngningsstege från minimal till max som standard är medium. Det finns inga vikter, ingen licens och ingen version du kan fortsätta köra om endpointen ändras.

Det är den första verkliga skillnaden mellan dem, och det är inte en rad i en benchmark. Den ena är en fil. Den andra är ett kontrakt.

Kontextfönster, som de två modellerna avser olika saker med

Det är här en jämförelse av specifikationsblad vilseleder mest, eftersom båda modellerna rutinmässigt beskrivs som långkontextmodeller.

• Textkontext — Muse Wonder 1,048,576 tokens i ett fönster; Intern-S2-397B 256K för textresonemang

• Multimodal kontext — Muse Wonders fullständiga fönster täcker dess bild-, tal- och videoinmatning; Intern-S2-397B har en separat 64K multimodal kontext

• Maximal utdata i ett svar — Muse Wonder 943 718 token; Intern-S2-397B har inte publicerats som en jämförbar siffra

• Inmatningsyta — Muse Wonder text, bild, tal, video; Intern-S2-397B text, bild, tidsserier

• Tidsserieprognostisering — Muse Wonder ingen; Intern-S2-397B stöds, för närvarande endast kopplad via LMDeploy

• Taxa — Muse Wonder $4.00 in, $0.20 cachad, $20.00 ut per miljon tokens; Intern-S2-397B har ingen publicerad taxa per token, eftersom distributionsmodellen är en nedladdning

Prognosraden är den som inte har någon motsvarighet på andra sidan, och den är inte en marknadsföringsfunktion – den är anledningen till att modellen finns i den form den gör. En modell som tar in en tidsseriesignal och producerar en prognos gör något som en textmodell inte kan förväntas göra, oavsett dess fönsterstorlek. Om det är din arbetsbelastning är jämförelsen redan avgjord.

För alla andra är den relevanta frågan vad som faktiskt får plats. Ett fönster på 1 048 576 token till ett fast pris är en annan produkt än ett textfönster på 256K på hårdvara du äger, och skillnaden visar sig i exakt de arbetsbelastningar som gjorde lång kontext intressant – en kodbas i prompten, en samling artiklar, en lång agentisk session som behåller sin historik.

Evidensbaserna, som inte vidrör

De två modellernas publicerade siffror kan inte placeras på samma axel, och det är värt att vara uppriktig om varför.

Intern-S2-397B's benchmark card is I​nternLM's own, run through OpenCompass, VLMEvalKit and AgentCompass by the team that built the model, with no independent reproduction. Its columns are Qwen3.5-397B-A17B, D​eepSeek V4 Pro, Kimi K2.7-Code, GLM-5.2, GPT-5.5, Gemini 3.1 Pro and Claude Opus 4.8 — no model from M​eta, and no Muse Wonder, so the vendor's own table does not contain a single Muse comparison. and any "Intern-S2 versus Muse Wonder" figure circulating anywhere is an extrapolation across two unrelated tables.

What that card does publish, all of it I​nternLM-reported: 89.77 on MMLU Pro, 93.56 on HMMT-2026, 81.68 on MMMU Pro, 68.54 on SWE-bench-Pro, 64.04 on TerminalBench 2.1, and on the scientific sets 55.71 on Biology-Instructions, 63.28 on SciReasoner 1.5 and 53.95 on Mol-Instructions. Read that as a portrait: strong on knowledge, maths and multimodal reasoning, leading on software engineering, and twenty points behind Claude Opus 4.8 on terminal work — the exact axis a production agent spends its day on.

Muse Wonder's evidence is the inverse shape. M​eta's launch table covers both checkpoints at maximum reasoning and is built largely from sustained-agent benchmarks — DeepSWE 1.1, SWE-Marathon, Terminal-Bench 4.0-AA, OSWorld V2.1 — all of it vendor-reported, in M​eta's harness, unreproduced. Independent commentary has repeated the strongest rows without the caveat, which is how a vendor harness becomes a fact in public. The one genuinely independent row is Artificial Analysis' Intelligence Index at 52 at maximum effort, ninth of more than 200 models, with about $4.52 of measured cost per completed index task and roughly 130 million output tokens consumed against a board median near 85 million.

Så: den ena modellens styrka hävdas av dess tillverkare utifrån vetenskapliga benchmarks som ingen tredje part har kört om. Den andras, utifrån agentiska benchmarks, detsamma. Ingen har jämfört den ena med den andra. Det enda en ärlig sida kan göra med det är att säga det rakt ut.

Där jämförelsen avgörs av priset, och där den inte gör det.

Intern-S2-397B has no rate card. That is the whole pricing section, and it is a real finding rather than a missing value: you either self-host roughly 807 GB of BF16 weights on hardware you own, or you register for a token on I​nternLM's own API and live within whatever quota is granted. There is no per-token number to put beside Muse Wonder's $4.00 and $20.00, and no invoice to compare with a pay-per-token bill.

Vad det gör med beslutet är mer subtilt än "gratis kontra betalt". En nedladdad checkpoint omvandlar en rörlig kostnad till en kapitalkostnad, och den omvandlar en leverantörsrelation till en artefakt som du äger. Det är värt mycket när dina data inte kan lämna din perimeter, när din arbetsbelastning är tillräckligt jämn för att motivera GPU:erna, eller när reproducerbarhet betyder mer än en benchmarkpoäng. Det är värt väldigt lite om din trafik är spikig, om ditt team inte har någon stack för modellservering, eller om du behöver att modellen förbättras utan att du gör något.

Neither model is served by us, and it is worth saying so plainly rather than implying otherwise: Intern-S2-397B is a brand-new Apache-2.0 checkpoint with no routing coverage, and Muse Wonder is on M​eta's API and inside Muse Code with no third-party serving we can verify. What a router does help with is the half of this that is callable. OrcaRouter carries more than 200 models behind one key at provider list price with 0% markup — no middleman delta, so a vendor price cut is live the same day — including M​eta's own Muse Spark 1.2 and Muse Spark 1.1, so the M​eta models you can reach today sit next to everything else on the same credential. If your production traffic lands on a routed model and your scientific batch work runs on Intern-S2-397B somewhere you control, that seam is a routing decision rather than a second integration.

Vem ska välja vilken

Ta Intern-S2-397B när arbetet gäller att läsa vetenskap: en figurtät artikel, ett molekylärt diagram, en skannad tabell, en prognos från en tidsseriesignal eller en agent som måste fortsätta arbeta sig igenom en forskningsuppgift. Apache-2.0-licensen innebär att du kan finjustera den på proprietär data och behålla resultatet inom din egen perimeter, vilket är den del av den här jämförelsen som ingen prislista fångar. Budgetera för hårdvaran och räkna inte med någon oberoende resultattavla på några månader – förvaret är bara veckor gammalt och saknar tredjepartsmätningar.

Take Muse Wonder when the work is general, long and agentic, and when you would rather rent than own: a 1,048,576-token window at a flat rate with no step, a 943,718-token response ceiling that nothing in Intern-S2's published material answers, mandatory reasoning for hard multi-step tasks, and a pay-per-token bill you can put in a spreadsheet today. The caveat is the same one that applies to every row M​eta published: two days of independent measurement is two days, and one evaluator is one evaluator.

Teamet som behöver båda bör betrakta gränsen mellan dem som en dirigeringsfråga snarare än en migrering. Låt den allmänna trafiken gå på en modell du kan anropa, behåll det vetenskapliga arbetet på den checkpoint du kan hålla, och kör om dina egna utvärderingar på Intern-S2-397B innan du tror på en leverantörssiffra om dess terminalprestanda – eftersom leverantörens egen tabell är den minst smickrande raden i den.