
Sage-S2.1-Flash vs Qwen 3.8 Flash: Åtta H200 mot femton cent
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 90 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 96 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNYOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 87 tok/s
- OrcaNYOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 133 tok/s
- OrcaNYOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1M tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 152 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M tokens · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligens
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligens
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M tokens · 219 tok/s
Modellkortet för Sage-S2.1-Flash är tjugoen byte långt. Det inleds med en licensrubrik, säger license: mit och slutar. Det finns ingen introduktion, ingen benchmarktabell, ingen kontextlängd, inget avsett användningsområde, ingen kontaktadress. Själva repot är inte tomt – 120 shards av bfloat16-vikter, cirka 645 GB av dem, plus en konfigurationsfil, en chattmall, en driftsättningsguide och fem små mappar för vetenskapliga adaptrar – men allt som en läsare normalt skulle använda för att avgöra om det är värt att bry sig om har utelämnats. Vikterna lades upp den 15 november 2026 och reviderades fram till den 16:e. InternLM, Shanghai AI Laboratorys modellorganisation, har inte tillkännagivit något: inget blogginlägg, ingen artikel, inget inlägg på familjens egen webbplats. När detta skrivs visar repot noll nedladdningar för månaden, en gillamarkering och ingen inferensleverantör som betjänar det.
Qwen 3.8 Flash är en helt annan typ av objekt. Alibaba har sålt den via QwenCloud sedan 26 augusti 2026 för 0,15 USD per miljon indatatoken och 0,47 USD per miljon utdatatoken, publicerat sina hastighetsgränser och sin verktygslista, släppt öppna vikter under namnet Qwen3.8-Flash-Next och satt en benchmarktabell med tolv rader på det kortet. Den är live på OrcaRouter som qwen/qwen3.8-flash till leverantörens eget listpris. Du kan skicka en förfrågan till den inom de närmaste trettio sekunderna.
Så det här är inte en jämförelse mellan två modeller du kan köpa. Det är en jämförelse mellan en billig hostad modell med ett publicerat pris och en mixture-of-experts med öppna vikter och 321 miljarder parametrar, utan pris, utan poäng och utan tillkännagivande — och den ärliga frågan är inte vilken som är bättre, för det kan ingen svara på ännu. Det är huruvida det är ett bättre användande av pengar att sätta upp åtta H200:or för den icke uppmätta än att betala femton cent per miljon tokens för den uppmätta, och för hur många team det svaret någonsin är ja.
Vad Sage-S2.1-Flash-repositoriet faktiskt bevisar
Fakta först, eftersom de är fler än vad det tomma kortet antyder. Parameterantalet i viktindexet är 321 323 031 390, och distributionsguiden avrundar det till "320B-A18B" – 320 miljarder totalt, 18 miljarder aktiva per token. Textkonfigurationen har 45 lager, varav 34 är linjära attention-lager av typen gated delta-net och 11 är sparse-attention-lager i DeepSeek-linjen, med 288 routade experter, varav åtta av dem plus en delad expert aktiveras per token, en dold storlek på 4 096 och en vokabulär på 154 880 token. Maximala positionsinbäddningar är satta till 1 048 576.

Licensen är MIT, utan någon klausul om godtagbar användning i repositoriet. Det är värt att stanna upp vid: en 321B multimodal MoE under en tillåtande licens, utan någon spärr för nedladdningen, är ett mer sällsynt objekt än tystnaden kring det antyder.
Härstamningen är kontrollerbar och lite överraskande. Arkitektursträngen är glm5_next, klassen är Glm5NextForConditionalGeneration, och driftsättningsguiden säger rakt ut att modellen använder arkitekturen GLM-5.3-Flash och att ramverksrecepten som ska följas är de officiella GLM-5.3-Flash-recepten, med modellsökvägen utbytt. Den äldre, större Sage-S2.1 — 753B parametrar, arkitekturen glm_moe_dsa, som fortfarande har ett "Atria Dawn"-modellkort som beskriver den som byggd på en 744B GLM-5.2-stomme — är en helt annan generation av stomme. Flash är inte en destillerad S2.1. Det är en ny, mindre modell byggd på en nyare arkitektur från ett annat labb, som bär samma familjenamn.
Det familjenamnet är i sig ett rörligt mål. Det gamla internlm/Atria-Dawn-repot omdirigerar nu till internlm/Sage-S2.1, och modellkortet för omdirigeringsmålet står fortfarande "Atria Dawn" i varje rubrik — namnbytet skedde utan att dokumentationen följde med. Den som läste bevakningen av Atria Dawn tidigare i år och nu letar efter "Sage" bör förstå att det är samma repo under två namn, och att Flash är dess nya, nättare syskon.
De vetenskapliga adapterna är den del av repositoriet som ingen leverantörsannons ändå skulle ha förklarat. Under projectors/sage-s2.1-flash/ ligger fem små mappar – cif/jarvis, dna/splice, ecg/phu01, eeg/neu06, protein-seq/mpbind – och var och en innehåller en konfigurationsfil samt en projektor på fyra till tjugoåtta megabyte som mappar en vetenskaplig särdragsström till backbonens 4 096 dimensioner breda rum. Kristallstrukturer går genom en CHGNet 0.3.0-kodare, ett 64-dimensionellt tillstånd per atom. Proteinsekvenser går genom ESM2-t33-650M, ett tillstånd från sista lagret per residu. DNA-adaptern är en uppgiftsanpassad DNABERT2-utläsning över tre särdrag; ECG- och EEG-adapterna är likaså små och uppgiftsspecifika. Den sammanlagda viktkostnaden för alla fem: under 90 MB, jämfört med 645 GB för språkmodellen.
De där konfigurationsfilerna läcker också det ursprung som modellkortet undanhöll. De namnger backbone-checkpointkatalogen, datumstämplarna för träningskörningen och ett fingeravtryck som lyder sage-s2.1-flash-hf111-bf16-norm-261113 – 13 november 2026, två dagar innan vikterna dök upp. Det är så härstamningen fastställs här: inte från ett pressmeddelande, utan från ett konfigurationsfält som paketeringen glömde att ta bort.
Vad Qwen 3.8 Flash publicerar, och vad det inte gör
Motsatsen är inte att Qwen är ärlig och Sage inte är det. Det är att en leverantör dokumenterar sin produkt och den andra inte har hunnit med det. Alibabas kort för Qwen 3.8 Flash anger en kontext på 1 000 000 tokens med en maximal indata på 991 000 tokens, en maximal utdata på 131 072 tokens och en resonemangsbudget på 262 144 tokens; multimodala indata i form av text, bild och video med textutdata; funktionsanrop, strukturerad JSON-utdata, prefixkomplettering, kontextcachning, batchbearbetning och finjustering; samt både förfrågningsprotokollen för OpenAI och Anthropic, vilket är anledningen till att den passar in i Claude Code och Codex utan ändringar.
Artefakten med öppna vikter bakom den är Qwen3.8-Flash-Next, publicerad 24 augusti 2026: 125B parametrar varav 6 miljarder aktiverade, plus en 51B n-gram-inbäddningstabell och ett 4B multi-token-förutsägelsehuvud, 48 lager ordnade som tolv upprepningar av tre gated-delta-net-block och ett sparse-attention-block, 512 experter med tio routade plus en delad aktiv per token, och 262 144 token inbyggd kontext som kan utökas till en miljon. Alibaba beskriver den värdbaserade Qwen 3.8 Flash som den arkitekturen plus produktionsfunktioner – standardfönstret på 1M och de inbyggda verktygen är tilläggen. Vikterna omfattas av Qwen community-licens, inte MIT.
Benchmarktabellen på det kortet är leverantörsrapporterad och har inte oberoende reproducerats. Läs den med den etiketten fäst: DeepSWE 1.1 på 58.7, SWE-bench Pro på 62.5, SWE-bench Multilingual på 81.0, NL2Repo-Bench på 48.1, CoWorkBench på 73.9, JobBench på 55.7, Toolathlon Verified på 73.5, IFBench på 81.3, GPQA Diamond på 91.7, HLE på 35.9, LiveCodeBench v6 på 91.9 och Agents' Last Exam på 24.3 pass@1 med en poäng på 51.2. Dessa siffror är Alibaba som rättar sin egen läxa över en jämförelseuppsättning som inkluderar en 397B-föregångare och en Claude-modell. De är fortfarande mycket mer än vad Sage-S2.1-Flash erbjuder, vilket är ingenting alls.

Ställ de två sida vid sida utifrån de aspekter som ett köpbeslut faktiskt hänger på:
• Totala parametrar — Sage-S2.1-Flash 321B, varav 18B aktiva per token, jämfört med Qwen 3.8 Flash 125B plus en 51B n-gramtabell, varav 6B aktiva
• Kontext — 1,048,576 token konfigurerade kontra 1,000,000 publicerade, med högst 991,000 indata och högst 131,072 utdata på Qwen-sidan
• Inputpris — Sage-S2.1-Flash har inget, eftersom ingenting betjänar det, jämfört med $0.15 per miljon tokens
• Pris för utdata – inget kontra 0,47 USD per miljon, med cachade läsningar till 0,0184 USD per miljon i vår prislista
• Licens — MIT, utan begränsningar, kontra Qwens community-licens
• Publicerad utvärdering – noll benchmarkar kontra en leverantörstabell med tolv rader, ej reproducerad
• Serveringsvikter — 645 GB bfloat16 fördelat över 120 shards, eller 328 GB i FP8-syskonet, jämfört med en hostad slutpunkt
Prisjämförelsen som egentligen är en fråga om kapitalutgifter
Det finns inget pris per token för Sage-S2.1-Flash att jämföra med $0.15, eftersom modellen inte har någon hostad endpoint någonstans. Det den har är ett serveringskrav: åtta H200 för bfloat16-checkpointen, enligt distributionsguidens egen referenskonfiguration. Så jämförelsen är inte cent mot cent, den är hyra mot tokens, och den landar i ett enda tal som ingen har publicerat.
Ta ett representativt pris på $3 per GPU-timme för ett H200 – ett antagande, inte en offert, och siffran varierar med moln och åtagande. Åtta sådana kostar $24 i timmen, $576 per dag, cirka $17 500 i månaden innan du har betjänat en enda förfrågan. Till Alibabas priser köper $576 3,84 miljarder indatatoken eller 1,23 miljarder utdatatoken. Så break-even-frågan är om din trafik annars skulle kosta mer än $576 per dag på Qwen 3.8 Flash – ungefär motsvarande 3,8 miljarder indatatoken, varje dag, ihållande.
Den jämförelsen är bara giltig om du vet hur många tokens per sekund Sage-S2.1-Flash producerar på åtta H200. Ingen har mätt det och repositoriet anger det inte. Antalet aktiva parametrar ger dig en grov intuition – 18B aktiva mot 6B aktiva antyder att Sage-modellen kostar ungefär tre gånger mer beräkningskraft per genererad token – men intuition är inte en genomströmningssiffra, och utan en sådan har break-even-beräkningen ovan en okänd storhet på båda sidor. FP8-syskonet minskar den residenta vikten från 645 GB till 328 GB, vilket ändrar vilken hårdvara du behöver; det säger inte hur snabbt resultatet körs.
För de flesta team är det okända hela argumentet. En modell som man inte kan benchmarka för throughput är en modell man inte kan beräkna kostnaden för, och en modell man inte kan beräkna kostnaden för är inte en kandidat för en produktionsväg – den är ett forskningsobjekt. Det är inte en kritik av släppet; det är vad ett oannonserat släpp är till för.
Bevisasymmetrin, enkelt uttryckt
Två modeller, två sätt som bevis kan brista på. Qwen 3.8 Flash har leverantörsrapporterade benchmarkresultat och åttiotvå dagars användning av tredje part, vilket innebär att dess siffror är oreviderade men att dess beteende åtminstone går att observera: det finns människor som kör den, rapporterar om den och stöter på dess gränser offentligt. Sage-S2.1-Flash har ingetdera. Dess 645 GB vikter är ett starkare bevis på en verklig modell än en läcka eller en skärmdump skulle vara – detta är en levererad artefakt, inte ett rykte – men vikter är bevis på existens, inte på kvalitet.
Det som specifikt fortfarande är okänt i dag: vilka resultat Sage-S2.1-Flash uppnår på något; hur snabbt den avkodar; om dess 1M positionsinbäddningar håller vid långa längder eller försämras på det sätt som de flesta långkontextutökningar gör; om visionstornet i dess konfiguration är tränat till produktionsstandard eller ärvt från basmodellen; om de vetenskapliga projektorerna utvärderas på något utöver sina egna träningsfördelningar; och vad InternLM avser att ta betalt, om något, för en värdbaserad version. Repositoriet besvarar inget av detta. Den som säger något annat extrapolerar från basmodellens rykte, vilket är en rimlig prior och inte en mätning.
Vad modellen faktiskt är till för
Projektorerna är avslöjandet. Ingen monterar fem adaptrar för vetenskapliga modaliteter på en allmän chattmodell som en eftertanke; mappstrukturen, promptmallarna per uppgift och valen av encoder beskriver en modell som är byggd för att läsa kristaller, splice-ställen, hjärtkurvor, hjärnkurvor och proteinsekvenser som förstklassiga indata snarare än som textbeskrivningar av dessa saker. Kristallstrukturer tokeniseras som atomtillstånd med ett tak på 512 atomer; proteinsekvenser bär tillstånd per rest med ett valfritt vetenskapligt readout-huvud; DNA-adaptern är en sannolikhetsutläsning över ett enda objekt.
Qwen 3.8 Flash gör inte detta. Den läser bilder, video och text, och det gör den med publicerade siffror på visuella benchmark — CharXiv, MathVision, ERQA, LVBench, OSWorld 2.0 — men ett kristallgitter renderat som en PNG är inte ett kristallgitter. Om din arbetsbelastning är strukturbiologi, materialsscreening eller analys av fysiologiska signaler, är den ärliga tolkningen att dessa två modeller inte konkurrerar om samma uppgift och att Qwen-jämförelsen är ett prisankare snarare än en ersättare. Om din arbetsbelastning är text och kod är projektorerna irrelevanta och Sage-S2.1-Flash är en 321B chattmodell utan kort.
En varning om den multimodala frågan, eftersom konfigurationen inbjuder till övertolkning. Repot innehåller ett 24-lagers visionstorn med dold storlek 1 024, indata på 448 pixlar och patchar på 14 pixlar, start- och sluttoken för bild och video, samt en chattmall med platser för bild, video och ljud. Men mallen är GLM-5.3-familjens mall, ljudplatserna har ingen motsvarande ljudkonfiguration, och driftsättningsguidens enda mediespecifika instruktion handlar om bilder som kommer inuti verktygsresultat. Betrakta tornet som närvarande men odokumenterat: vikterna är byggda för att ta emot mer än text, och vad utgåvan avser att du ska mata det med är inte angivet.
Friktionen, som inte är noll
Att självhosta Sage-S2.1-Flash handlar inte om att peka vLLM mot ett repository. Tre krav kommer från driftsättningsguiden, och det andra är det krångliga.
• --trust-remote-code är obligatoriskt för varje motor — repot levererar sin egen tokenizer och processor, och utan flaggan laddar motorerna tyst en standardtokenizer som kodar strängar som <tool_call> som kontrolltoken i stället för text, vilket bryter resonemang och verktygsanrop utan varning
• vLLM 0.33.0 kräver en medföljande patch till vllm/renderers/hf.py, eftersom när parallella verktygsresultat kommer tillbaka i annan ordning än anropsordningen renderar mallen dem i anropsordning medan vLLM samlar in deras bilder i meddelandeordning, vilket tyst kopplar varje bild till fel resultat; uppströmskorrigeringen är fortfarande ett utkast till pull request
• LMDeploy behöver transformers mellan 5.17 och 5.19, eftersom 5.19 byter namn på den lagertyp som motorn inte accepterar; SGLang behöver 0.5.20 eller senare plus att repots chattmall skickas uttryckligen, eftersom SGLang annars installerar sin egen inbyggda mall för arkitekturen
Var och en av dessa är en dokumenterad workaround för en modell som är en dag gammal, och guiden är uppriktig med att ramverken fortfarande utvecklas. Inget av det är orimligt; allt är ingenjörstid som Qwen 3.8 Flash inte kräver, eftersom det på den värdbaserade sidan bara är en bas-URL och en API-nyckel.
En nyckel, två väldigt olika nivåer av engagemang
Qwen 3.8 Flash finns på OrcaRouter som qwen/qwen3.8-flash till Alibabas listpris vidarebefordrat utan påslag — 0,15 USD per miljon indatatoken, 0,47 USD per miljon utdatatoken, 0,0184 USD per miljon för cachade läsningar, en kontext på 1 000 000 token och ett tak på 131 072 utdatatoken. QwenClouds egen sida anger 0,016 USD för varianten med implicit cache; regeln om vidarebefordran innebär att vad Alibaba än ändrar får du samma dag i stället för vid nästa avtalsförnyelse. Sage-S2.1-Flash finns inte i katalogen och ingenting tillhandahåller den, så det finns ingen väg till den här och ingen anledning att låtsas något annat.

Det som routningslagret verkligen är bra på i den här situationen är att hålla utvärderingen billig och reversibel. Kör Sage-experimentet på din egen hårdvara om du har den, behåll Qwen 3.8 Flash som produktionsrutt och låt en failover-kedja ligga bakom den nya vägen så att en modell med ett tomt kort aldrig blir en enda felpunkt den första dagen den hanterar verklig trafik. Samma idé gäller för den svårare frågan – modellfusion, där en panel besvarar en prompt med flera modeller och en domare jämkar samman dem, är det billigaste sättet att ta reda på om en 321B vetenskaplig MoE är värd sin hyra: du migrerar inte, du frågar båda och du läser svaren.
Vem ska välja vilken
Om du levererar text eller kod det här kvartalet är Qwen 3.8 Flash det försvarbara svaret och Sage-S2.1-Flash är inte ett svar alls. Qwen-modellen är billigare per token än nästan vad som helst på sin kapacitetsnivå, dokumenterad tillräckligt väl för att planera utifrån, licensierad tillräckligt tydligt för att kunna driftsättas och observerbar offentligt. Dess riktmärken är Alibabas egna och bör behandlas som påståenden, men ett påstående plus åttiotvå dagars erfarenhet från andra människor slår en tystnad plus tre dagar av ingens erfarenhet.
Om du arbetar med strukturbiologi, proteindesign, material eller fysiologiska signaler inverteras kalkylen. De fem projektorerna i Sage-S2.1-Flash-repot är en förmåga som varken Qwen 3.8 Flash eller de flesta öppna modeller erbjuder till något pris, licensen är MIT, och hårdvarukravet – åtta H200, eller färre med FP8-checkpointen – är den typ av kostnad som en forskargrupp redan bär. Det rätta draget är att ladda ner det, köra de CPU-sidiga projektorkontroller som repot levererar och mäta de två saker det inte säger dig: avkodningsgenomströmning på din hårdvara och noggrannhet på din egen held-out-uppsättning. Det är en veckas arbete, och det är det enda sättet för den här modellen att bli ett beslut i stället för en kuriositet.
Det tredje fallet är det största. Om du bara är nyfiken är rätt hållning att vänta på ett modellkort. När InternLM publicerar ett kommer siffrorna som spelar roll att vara de som detta repository inte kan tillhandahålla – genomströmning, försämring vid lång kontext, huruvida visionstornet är aktivt och vad projektorerna presterar utanför sina träningsfördelningar. Fram till dess är Sage-S2.1-Flash en verklig artefakt med en oläst specifikation, och det mest användbara med den är att vikterna finns, är utan spärrar och är MIT — vilket innebär att när någon väl mäter den kommer du inte att behöva tillstånd för att kontrollera deras arbete.
