Ett titelkort med texten NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B, med fyra statistikpaneler som anger Intern-S2-397B:s 403B totala parametrar med 10 aktiva per token över 60 lager, dess cirka 807 GB BF16- och F32-vikter över omkring 188 shards, dess Apache-2.0-licens mot Super VL:s OpenMDW-1.1, och Super VL:s kontext på 1M tokens mot Intern-S2-397B:s 256K textfönster med multimodal utvärdering vid 64K, med en OrcaRouter-logotyp i hörnet.
Engineering & Research

NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B: två öppna visionsmodeller, varav en du faktiskt kan anropa idag

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Båda dessa modeller har öppna vikter, båda är multimodala, båda är licensierade för kommersiell användning under Apache-liknande eller OpenMDW-licens, och båda är av den typ man laddar ner snarare än prenumererar på. Skillnaden som avgör de flesta utvärderingar finns inte på något av specifikationsbladen. Intern-S2-397B, InternLM:s flaggskepp med 403 miljarder parametrar som släpptes på Hugging Face den 13 september 2026, har ett leverantörsdrivet API som du kan peka en OpenAI-kompatibel klient mot samma dag som du läser om den. NVIDIA Nemotron 3.5 Super VL 120B A12B, som laddades upp till Hugging Face den 12 oktober 2026 och bekräftades i NVIDIAs tillkännagivande den 15:e, har inte det: NVIDIA har inte publicerat någon slutpunkt och inget pris per token för den på någon väg, inklusive sin egen NIM-mikrotjänst. Så den ena av dessa kan du utvärdera i eftermiddag med en token, och den andra kräver en H200 eller fyra H100 innan den första prompten. Det gapet är värt mer än någon sju punkters spridning i en benchmark-tabell.

Driftsättningsgolvet, sida vid sida

Börja här, för det utesluter en av dessa modeller för de flesta läsare innan kvaliteten ens diskuteras.

• Totala och aktiva parametrar — Intern-S2-397B 403B totalt med 10 aktiva per token över 60 lager och 512 experter; N​emotron 3.5 Super VL 120B A12B 120B totalt med 12 aktiva per token över interfolierade Mamba-2-, MoE- och uppmärksamhetslager.

• Viktstorlek på disk — Intern-S2-397B cirka 807 GB fördelat över ungefär 188 BF16/F32-shards; Super VL:s BF16-bygge är en bråkdel av det, med ett NVFP4-bygge litet nog att köra på en DGX Spark.

• Minimikrav på hårdvara – Intern-S2-397B behöver en riktig multi-GPU-flotta; Super VL behöver 4× H100 eller 2× GB200 i BF16, eller en H200, en GB200, 2× H100 eller en DGX Spark i NVFP4.

• Hostad åtkomst — Intern-S2-397B finns via leverantörens eget Intern API på chat.intern-ai.org.cn/api/v1 under modell-id:t intern-s2-397b, dokumenterat som OpenAI-kompatibelt och Anthropic-kompatibelt; Super VL har ingen publicerad endpoint från någon.

• Licens — Apache-2.0 för Intern-S2-397B; OpenMDW-1.1 för Super VL. Båda tillåter kommersiell användning.

• Kontext — 256K tokens för Intern-S2-397B, med multimodal utvärdering vid 64K; 1M tokens för Super VL.

• Videoindata — Super VL accepterar MP4 på upp till två minuter, som samplas som bildrutor; Intern-S2-397B:s dokumenterade modaliteter är text, bild och rå signaldata. Video finns inte bland dem.

Läs den listan två gånger så blir formen tydlig. Intern-S2-397B är den större, äldre, mer vetenskapliga modellen med en hostad dörr. Super VL är den mindre, nyare, mer driftsättningsbara modellen med ett längre fönster och video, och ingen dörr alls ännu.

Vad Intern-S2-397B faktiskt byggdes för

InternLM beskriver modellen som skalning längs tre axlar, och den första är det tekniska påståendet som är värt att förstå: visuell-språklig förträning som utförs direkt på råa sidor av vetenskaplig litteratur, där symbolisk semantik och visuella relationer modelleras gemensamt i ett delat representationsrum, utan något mellanliggande parsningssteg. En figur, en tabell, ett spektrum och meningen som beskriver dem lärs in tillsammans i stället för att text extraheras och bilder bifogas efteråt.

Den designen syns i de benchmarks som InternLM valde att sätta främst, och det är därför de två modellernas visionssiffror inte är utbytbara. Intern-S2-397B:s kort rapporterar ChartQAPro 71,12 och MMMU Pro 81,68 och är bäst på vetenskapsspecifika resultat – Biology-Instructions 55,71, Mol-Instructions 53,95, MolecularIQ 62,35, SciReasoner-1.5 63,28, TOMG-Bench 66,76. Super VL:s kort leder med OCR-Reasoning 65,08, OCRBench-v2 på 68,12 för engelska och 59,15 för kinesiska, MMLongBench-Doc 62,82, CharXiv-RQ 80,82 och MathVision 78,16. Olika uppgifter, olika träningsdistributioner, och ingen av uppsättningarna har reproducerats oberoende.

Den tredje axeln är den som gör Intern-S2-397B ovanlig för en agentisk arbetsbelastning: svartlådebaserad agentisk förstärkningsinlärning i sandlådemiljöer, där agenten är ansluten genom flera ramverk och uttryckligen inriktad på tak för långhorisontella uppgifter. NVIDIAs motsvarande påstående för Super VL är en efterträningspipeline som slutar i RL med verifierbara belöningar och on-policy-distillation från flera lärare, utvärderad på SWE-bench och tau2-bench. Båda är påståenden om metod snarare än mätningar av resultat.

Signalinmatningsförmågan som ingen av konkurrenterna har

Intern-S2-397B accepterar råa signaldata — .npy, .csv och .wav — som en förstklassig indatatyp vid sidan av text och bilder, med ett dokumenterat exempel på jordbävningshändelse som detekterar ankomstindex för P-vågor och S-vågor, samt punkt- och kvantilprognostisering via en forecast_horizon-parameter. Det är för närvarande endast tillgängligt i LMDeploy, och det är en inferenstidsfunktion snarare än ett benchmarkresultat.

Ingen modell i den här jämförelsen gör något liknande, och ingen sluten frontiermodell gör det heller. Om ditt arbete involverar sensorspår, seismiska data eller tidsserieprognoser som måste resoneras kring tillsammans med bilder och text, är Intern-S2-397B inte det bättre valet av dessa två – det är det enda valet, och de 807 GB vikterna är inträdesavgiften.

Benchmarks, med källhänvisningen kopplad till var och en

Ingen av modellerna har en ren oberoende utvärdering, och de två leverantörstabellerna överlappar inte på en enda rad, så det som följer är en läsning av påståenden snarare än en rangordning.

Intern-S2-397B, allt rapporterat av leverantören InternLM i deras egna testramverk (OpenCompass, VLMEvalKit, AgentCompass), inte reproducerat, med GPT-5.5 som sluten referens: MMLU Pro 89.77, HMMT-2026 93.56, AdvancedIF 71.57, MMMU Pro 81.68, ChartQAPro 71.12, TerminalBench 2.1 64.04, SWE-bench-Pro 68.54, SWE-bench-Multilingual 84.00, SciCode 47.63, SGLBench 51.89, FrontierScience-Olympiad 87.00 och FrontierScience-Research 55.00. Artificial Analysis hade ingen post för Intern-S2-397B vid lanseringen och de neutrala topplistorna hade inte heller någon sådan — den luckan kan ha stängts sedan dess, och det är värt att kontrollera innan du förlitar dig på något av dem.

Nemotron 3.5 Super VL 120B A12B, uppdelad mellan två källor. Leverantörsrapporterad av NVIDIA på NeMo Gym: SWE-bench Verified 71,10, SWE-bench Multilingual 67,72, SWE-bench Pro 51,78, tau2-bench retail 69,24 och airline 76,50, BrowseComp 78,91, GraphWalks 89,71, GPQA-Diamond 89,52, HLE 31,79 utan verktyg, OCRBench-v2 68,12 på engelska, MMLongBench-Doc 62,82, Video-MME-v2 32,85. Panelmätt av Artificial Analysis, och detta är den enda oberoende framtagna siffran i hela den här artikeln: ett Intelligence Index på 26,49, med 0,0 på Terminal-Bench 4.0 och en uppmätt hallucineringsfrekvens på 0,3585.

Två saker förtjänar att flaggas i det andra blocket. N​VIDIAs Terminal-Bench 2.1-siffra visas som 66,70 på modellkortet och 60,67 i den tekniska rapportens sammanfattningstabell, medan alla andra rader i dessa dokument stämmer överens — en av de två är fel, och tills recepten har körts om går ingen av dem att citera med säkerhet. Och panelens 0,0 på Terminal-Bench 4.0 mot ett leverantörsrapporterat 64,04 på TerminalBench 2.1 för Intern-S2-397B, mätt på en annan svit av dess eget labb, är en påminnelse om att betyg för terminalagenter inte är jämförbara mellan olika testramverk, även när namnen liknar varandra.

A two-column comparison scoreboard titled NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B, with rows for Parameters, Context, Weight footprint, Licence, Hosted API, Video input and Independent score, carrying Super VL's 120B total and 12B active, 1M-token context, single-H200 NVFP4 serving, OpenMDW-1.1 licence, no published endpoint, MP4 video up to two minutes and its 26.49 panel index with 0.0 Terminal-Bench 4.0, against Intern-S2-397B's 403B total and 10 active across 512 experts, 256K text and 64K multimodal context, roughly 807 GB across about 188 shards, Apache-2.0 licence, vendor Intern API, no video input, and no panel entry at release.

Varför 1M-tokensfönstret kontra 256K inte är någon sjusiffrig vinst

Specifikationerna säger att Super VL hanterar 1M tokens och Intern-S2-397B hanterar 256K, med multimodala utvärderingar vid 64K. Det ser ut som en förkrossande seger för N​VIDIA-modellen – tills man kopplar på panelens siffra för långkontextåterkallning: 0,69 på AA-LCR. En modell med ett fönster på en miljon tokens och en långkontextpoäng under 1 är en modell som kan ta in en miljon tokens utan att nödvändigtvis göra särskilt mycket med dem i den bortre änden.

Intern-S2-397B:s 256K är dokumenterat som 256K för textresonemang och 64K för multimodalt bruk, och InternLM har inte publicerat någon återkallningssiffra för lång kontext överhuvudtaget. Så den ärliga hållningen är att den ena modellen har ett längre fönster och en dålig uppmätt återkallningsförmåga på det, medan den andra har ett kortare fönster och ingen mätning. Om återkallning i lång kontext är central för din arbetsbelastning bör ingen av dessa väljas på grundval av sin kontextlängd.

Tillgänglighet, och hur OrcaRouter passar in när ingen av modellerna finns i vår katalog

Varken Intern-S2-397B eller N​VIDIA N​emotron 3.5 Super VL 120B A12B tillhandahålls av OrcaRouter i dag, och den här artikeln kommer inte att antyda något annat. Intern-S2-397B är nåbar via leverantörens eget API och självhosting med LMDeploy, vLLM eller SGLang, med driftsättningsrecept som medföljer i modellkortet. Super VL är endast självhostad — NIM-mikrotjänsten från N​VIDIA är den utannonserade vägen, och varken slutpunkt eller pris har publicerats för den.

Vad en gateway är värd när modellerna du vill ha inte finns på den har ett specifikt svar: den är där resten av pipelinen redan finns. Dokumenttriagering som måste stanna kvar i ditt nätverk körs på din egen driftsättning av Intern-S2-397B eller Super VL; anropen för extraktion, klassificering och sammanfattning kring den körs på en hostad modell med samma nyckel. Routnings-DSL:en är det som håller den gränsen tydlig — uttryckt som ett villkor på prompten snarare än som en gren begravd i applikationskoden — och automatisk failover innebär att om den självhostade halvan fallerar tar den inte förfrågan med sig. Noll markup spelar roll här på ett tråkigare sätt: oavsett vad den hostade halvan av din pipeline kostar idag, kostar den lika mycket här, eftersom leverantörens listpris förs vidare oförändrat.

The OrcaRouter models index page, showing the catalogue of more than two hundred models with provider names and per-million-token pricing.

Att välja mellan dem

Välj Intern-S2-397B om du behöver vara igång i dag utan att köpa hårdvara, om ditt område är vetenskaplig litteratur och figurer, om råsignal- eller tidsserieindata ingår i arbetsbelastningen, eller om en hostad slutpunkt som underhålls av leverantören är värd mer för dig än kontroll över driftsättningen. De 807 GB vikterna är en verklig kostnad, men det hostade API:et innebär att du kan avgöra om modellen är bra innan du betalar den.

Välj N​emotron 3.5 Super VL 120B A12B om video är indata, om du har en H200 eller en DGX Spark i stället för en flotta, om modellen behöver finnas i ditt nätverk, eller om du tänker finjustera — N​VIDIA publicerade datauppsättningarna för efterträning och NeMo Gym RL-miljöerna tillsammans med vikterna, och det är den mer återanvändbara halvan av släppet. Kör din egen dokumentuppsättning genom NVFP4-bygget innan du bestämmer dig, och testa specifikt återkallning i lång kontext i stället för att lita på 1M-token-siffran.

Välj ingen av dem, för nu, om det du faktiskt behöver är en modell med en oberoende utvärdering du kan lita på. Intern-S2-397B:s siffror är alla rapporterade av leverantören och dess panelteckning är oklar; Super VL har exakt en tredjepartspoäng och den är en enda indexsiffra. Två öppna visionsmodeller, ungefär sex veckor mellan lanseringarna, båda med icke-reproducerade benchmark-tabeller och ingen av dem på en neutral resultattavla på ett sätt som du kan jämföra — det ansvarsfulla draget är att benchmarka dem på dina egna dokument, och leverantörens API är det som gör hälften av det billigt.

Att bevaka: en oberoende panelpost för Intern-S2-397B, vilket skulle förvandla hela dess kort från påståenden till bevis; ett pris och en endpoint för Super VL, vilket skulle ta bort H200 från inträdeskraven; och en korrigerad Terminal-Bench-siffra från NVIDIA, vilket skulle lösa det enda stället där en leverantörs två egna primära dokument motsäger varandra.

The Hugging Face model card for NVIDIA Nemotron 3.5 Super VL 120B A12B, showing the model summary and the vendor benchmark table with the vision-language evaluation rows.

Inget av detta är ett skäl att undvika modellen, bara ett skäl att känna till historiken: de dokumenterade AI-incidenterna och agentfelen bakom modeller i den här klassen samlas i the OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.