Muse Wonder vs Intern S2: 1,048,576 โทเคน เทียบกับ 256K และไม่มีมาตรวัดเดียวกัน

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.

เนื้อหาสาระที่เป็นประโยชน์ของการเปรียบเทียบนี้ไม่ใช่รุ่นไหนชนะ แต่คือรุ่นหนึ่งเป็นเครื่องมือสำหรับงานเอกสารทางวิทยาศาสตร์ที่คุณสามารถรันภายในขอบเขตของคุณเอง ส่วนอีกรุ่นเป็นโมเดลอเนกประสงค์แบบเช่าใช้ที่มีหน้าต่างเหมาจ่ายขนาดใหญ่มาก สิ่งเหล่านี้เป็นการซื้อที่แตกต่างกัน

แต่ละโมเดลจริงๆ แล้วคืออะไร

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 คือการเปิดตัวระดับแนวหน้าของ Meta Superintelligence Labs เมื่อวันที่ 12 ตุลาคม 2026 ซึ่งประกาศเป็นซีรีส์สองเช็คพอยต์ มีเพียง muse-wonder-1.0 เท่านั้นที่มีเอนด์พอยต์แบบคิดตามโทเคน บน Meta Model API และภายใน Muse Code; Muse Wonder Full ซึ่งเป็นการกำหนดค่าที่ได้คะแนนสูงกว่า ขายเฉพาะผ่านการสมัครสมาชิก Muse Code และไม่มีตารางราคาสาธารณะ เช็คพอยต์ที่เรียกใช้ได้นั้นรับอินพุตข้อความ รูปภาพ เสียง และวิดีโอ ส่งคืนข้อความ มีหน้าต่างบริบท 1,048,576 โทเคน จำกัดการตอบกลับครั้งเดียวที่ 943,718 โทเคน ราคา $4.00 ต่อล้านโทเคนอินพุต, $0.20 สำหรับแคช และ $20.00 เอาต์พุต และเรียกใช้การให้เหตุผลแบบบังคับบนระดับความพยายามจากน้อยที่สุดถึงมากที่สุด ซึ่งค่าเริ่มต้นคือปานกลาง ไม่มีเวท ไม่มีใบอนุญาต และไม่มีเวอร์ชันที่คุณสามารถรันต่อได้หากเอนด์พอยต์เปลี่ยนแปลง

นั่นคือความแตกต่างที่แท้จริงข้อแรกระหว่างทั้งสอง และมันไม่ใช่แถวในตารางเปรียบเทียบผล อันหนึ่งคือไฟล์ อีกอันคือสัญญา

Context window ซึ่งทั้งสองโมเดลให้ความหมายที่แตกต่างกัน

นี่คือจุดที่การเปรียบเทียบสเปกชีตมักทำให้เข้าใจผิดได้มากที่สุด เพราะโมเดลทั้งสองมักถูกอธิบายว่าเป็นแบบบริบทยาว

• บริบทข้อความ — Muse Wonder 1,048,576 โทเค็นในหน้าต่างเดียว; Intern-S2-397B 256K สำหรับการให้เหตุผลเชิงข้อความ

• บริบทแบบมัลติโมดัล — หน้าต่างเต็มของ Muse Wonder ครอบคลุมอินพุตรูปภาพ เสียงพูด และวิดีโอ; Intern-S2-397B มีบริบทแบบมัลติโมดัลขนาด 64K แยกต่างหาก

• เอาต์พุตสูงสุดในการตอบกลับครั้งเดียว — Muse Wonder 943,718 โทเค็น; Intern-S2-397B ไม่ได้เผยแพร่เป็นตัวเลขที่เทียบเคียงได้

• อินพุตที่รองรับ — Muse Wonder: ข้อความ รูปภาพ เสียงพูด วิดีโอ; Intern-S2-397B: ข้อความ รูปภาพ อนุกรมเวลา

• การพยากรณ์อนุกรมเวลา — Muse Wonder ไม่มี; Intern-S2-397B รองรับ โดยปัจจุบันเชื่อมต่อผ่าน LMDeploy เท่านั้น

• อัตราค่าใช้จ่าย — Muse Wonder $4.00 สำหรับอินพุต, $0.20 สำหรับแคช, $20.00 สำหรับเอาต์พุต ต่อล้านโทเค็น; Intern-S2-397B ไม่มีอัตราต่อโทเค็นที่ประกาศไว้ เพราะรูปแบบการเผยแพร่เป็นแบบดาวน์โหลด

แถวการพยากรณ์คือแถวที่ไม่มีคู่เทียบในอีกฝั่งหนึ่ง และมันไม่ใช่คุณสมบัติทางการตลาด — มันคือเหตุผลที่โมเดลนี้ดำรงอยู่ในรูปแบบที่เป็นอยู่ โมเดลที่รับสัญญาณอนุกรมเวลาเข้ามาและสร้างการพยากรณ์กำลังทำสิ่งที่โมเดลข้อความไม่อาจถูกขอให้ทำได้ ไม่ว่าขนาดหน้าต่างของมันจะเป็นเท่าใด หากนั่นคือภาระงานของคุณ การเปรียบเทียบก็จบไปแล้ว

สำหรับคนอื่น ๆ คำถามที่เกี่ยวข้องคืออะไรที่พอดีจริง ๆ หน้าต่าง 1,048,576 โทเคนในราคาคงที่นั้นเป็นผลิตภัณฑ์ที่แตกต่างจากหน้าต่างข้อความ 256K บนฮาร์ดแวร์ที่คุณเป็นเจ้าของ และความแตกต่างนั้นจะปรากฏให้เห็นในเวิร์กโหลดแบบเดียวกับที่ทำให้บริบทยาวน่าสนใจพอดี — ฐานโค้ดทั้งชุดในพรอมป์ต์ คลังบทความวิจัย และเซสชันแบบเอเจนต์ที่ยาวนานซึ่งเก็บประวัติของมันไว้

ฐานหลักฐาน ซึ่งไม่แตะกัน

ตัวเลขที่เผยแพร่ของโมเดลทั้งสองไม่สามารถนำมาวางบนแกนเดียวกันได้ และก็คุ้มค่าที่จะพูดตรง ๆ ว่าเพราะเหตุใด

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.

ดังนั้น: ความแข็งแกร่งของโมเดลหนึ่งถูกยืนยันโดยผู้สร้างของมันผ่านเบนช์มาร์กทางวิทยาศาสตร์ที่ไม่มีบุคคลที่สามรายใดรันซ้ำ ส่วนของอีกโมเดลหนึ่ง บนเบนช์มาร์กแบบเอเจนต์ ก็เช่นเดียวกัน ยังไม่มีใครเปรียบเทียบโมเดลหนึ่งกับอีกโมเดลหนึ่งเลย สิ่งเดียวที่หน้าเว็บที่ซื่อสัตย์ทำได้กับข้อมูลนั้นก็คือพูดมันออกมาตรง ๆ

ในกรณีที่การเปรียบเทียบถูกตัดสินด้วยราคา และในกรณีที่ไม่ได้เป็นเช่นนั้น

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.

ผลกระทบของเรื่องนั้นต่อการตัดสินใจนั้นละเอียดอ่อนกว่าคำว่า "ฟรีกับการจ่ายเงิน" มาก checkpoint ที่ดาวน์โหลดมาเปลี่ยนต้นทุนผันแปรให้เป็นต้นทุนลงทุน และเปลี่ยนความสัมพันธ์กับผู้ขายให้เป็นชิ้นงานที่คุณเป็นเจ้าของ สิ่งนี้มีค่ามหาศาลเมื่อข้อมูลของคุณออกจากขอบเขตของคุณไม่ได้ เมื่อภาระงานของคุณสม่ำเสมอพอที่จะทำให้การใช้ GPUs คุ้มค่า หรือเมื่อความสามารถในการทำซ้ำสำคัญกว่าคะแนน benchmark เพียงหนึ่งคะแนน แต่มีค่าเพียงเล็กน้อยหากทราฟฟิกของคุณมีลักษณะพุ่งสูงเป็นช่วง ๆ หากทีมของคุณไม่มี serving stack หรือหากคุณต้องการให้โมเดลดีขึ้นโดยที่คุณไม่ต้องทำอะไรเลย

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.

ใครควรเลือกอันไหน

เลือกใช้ Intern-S2-397B เมื่องานคือการอ่านงานวิทยาศาสตร์: เปเปอร์ที่แน่นไปด้วยภาพประกอบ แผนภาพโมเลกุล ตารางที่สแกนมา การพยากรณ์จากสัญญาณอนุกรมเวลา หรือเอเจนต์ที่ต้องทำงานต่อเนื่องไปจนจบงานวิจัย สัญญาอนุญาต Apache-2.0 หมายความว่าคุณสามารถปรับแต่งโมเดลนี้ด้วยข้อมูลที่เป็นกรรมสิทธิ์ และเก็บผลลัพธ์ไว้ภายในขอบเขตของคุณเอง ซึ่งเป็นส่วนของการเปรียบเทียบนี้ที่ตารางอัตราค่าบริการใด ๆ สะท้อนไม่ได้ เตรียมงบสำหรับฮาร์ดแวร์ไว้ด้วย และคาดว่าจะยังไม่มีกระดานคะแนนอิสระไปอีกหลายเดือน — รีโพซิทอรีมีอายุเพียงไม่กี่สัปดาห์ และยังไม่มีการวัดผลจากบุคคลที่สาม

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.

ทีมที่ต้องการทั้งสองอย่างควรถือว่าขอบเขตระหว่างทั้งสองเป็นคำถามเรื่องการกำหนดเส้นทาง มากกว่าการย้ายระบบ ให้รันทราฟฟิกทั่วไปบนโมเดลที่คุณเรียกใช้ได้ เก็บงานทางวิทยาศาสตร์ไว้บนเช็กพอยต์ที่คุณถือครองได้ และรันการประเมินของคุณเองบน Intern-S2-397B ซ้ำ ก่อนที่จะเชื่อตัวเลขจากผู้ขายเกี่ยวกับประสิทธิภาพขั้นสุดท้ายของมัน — เพราะตารางของผู้ขายเองคือแถวที่ดูดีน้อยที่สุดในตารางนั้น