
NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B: โมเดลวิชันแบบเปิดสองตัว ซึ่งหนึ่งในนั้นคุณสามารถเรียกใช้งานได้จริงในวันนี้
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 89 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 133 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 123 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 131 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 189 tok/s
ทั้งสองโมเดลนี้เป็นแบบเปิดเผยน้ำหนัก (open-weight) ทั้งคู่เป็นมัลติโมดัล ทั้งคู่ใช้สัญญาอนุญาตแบบ Apache หรือ OpenMDW สำหรับการใช้งานเชิงพาณิชย์ และทั้งคู่เป็นแบบที่คุณดาวน์โหลดมาใช้มากกว่าจะสมัครสมาชิก ความแตกต่างที่ชี้ขาดการประเมินส่วนใหญ่ไม่ได้อยู่บนเอกสารสเปกของฝ่ายใดฝ่ายหนึ่งIntern-S2-397B โมเดลเรือธงขนาด 403,000 ล้านพารามิเตอร์ของ InternLM ที่เปิดตัวบน Hugging Face เมื่อวันที่ 13 กันยายน 2026 นั้นมี API ที่ผู้ให้บริการโฮสต์ไว้ให้ ซึ่งคุณสามารถชี้ไคลเอนต์ที่เข้ากันได้กับ OpenAI เข้าไปได้ในวันเดียวกับที่คุณอ่านข่าวมันNVIDIA Nemotron 3.5 Super VL 120B A12B ซึ่งอัปโหลดขึ้น Hugging Face เมื่อวันที่ 12 ตุลาคม 2026 และได้รับการยืนยันในประกาศของ NVIDIA เมื่อวันที่ 15 กลับไม่มีให้แบบนั้น: NVIDIA ไม่ได้เผยแพร่ปลายทาง (endpoint) หรือราคาต่อโทเคนสำหรับโมเดลนี้ในเส้นทางใดเลย รวมถึงไมโครเซอร์วิส NIM ของบริษัทเองด้วย ดังนั้นโมเดลหนึ่งคุณประเมินได้ในบ่ายนี้ด้วยโทเคนเพียงอันเดียว ส่วนอีกโมเดลต้องมี H200 หรือ H100 สี่การ์ดก่อนจะป้อนพรอมป์แรกได้ ช่องว่างตรงนี้มีค่ามากกว่าส่วนต่างเจ็ดคะแนนใด ๆ บนตารางเบนช์มาร์ก
ชั้นการติดตั้งใช้งาน เคียงข้างกัน
เริ่มตรงนี้ เพราะมันตัดหนึ่งในโมเดลเหล่านี้สำหรับผู้อ่านส่วนใหญ่ออกไป ก่อนที่จะมีการพูดถึงคุณภาพเลยด้วยซ้ำ
• พารามิเตอร์ทั้งหมดและพารามิเตอร์ที่ใช้งาน — Intern-S2-397B มีทั้งหมด 403B โดยมี 10 พารามิเตอร์ที่ใช้งานต่อโทเคน ครอบคลุม 60 เลเยอร์และ 512 experts; Nemotron 3.5 Super VL 120B A12B มีทั้งหมด 120B โดยมี 12 พารามิเตอร์ที่ใช้งานต่อโทเคน ครอบคลุมเลเยอร์ Mamba-2, MoE และ attention ที่สลับกัน
ขนาดเวตบนดิสก์ — Intern-S2-397B ประมาณ 807 GB กระจายอยู่บนเชิร์ด BF16/F32 ประมาณ 188 ชิ้น; บิลด์ BF16 ของ Super VL เป็นเพียงเศษเสี้ยวของขนาดนั้น โดยมีบิลด์ NVFP4 ที่เล็กพอจะรันบน DGX Spark เครื่องเดียว
• ฮาร์ดแวร์ขั้นต่ำที่ใช้งานได้ — Intern-S2-397B ต้องใช้ฟลีต GPU หลายตัวจริง ๆ; Super VL ต้องใช้ 4× H100 หรือ 2× GB200 ใน BF16 หรือใน NVFP4 ต้องใช้ H200 หนึ่งตัว, GB200 หนึ่งตัว, 2× H100 หรือ DGX Spark หนึ่งตัว
• การเข้าถึงแบบโฮสต์ — Intern-S2-397B อยู่บน Intern API ของผู้ให้บริการเองที่ chat.intern-ai.org.cn/api/v1 ภายใต้ model id intern-s2-397b โดยมีเอกสารระบุว่าเข้ากันได้กับ OpenAI และเข้ากันได้กับ Anthropic; Super VL ไม่มี endpoint ที่เผยแพร่จากใครเลย
• สัญญาอนุญาต — Apache-2.0 สำหรับ Intern-S2-397B; OpenMDW-1.1 สำหรับ Super VL ทั้งสองอนุญาตให้ใช้ในเชิงพาณิชย์
• บริบท — 256K โทเค็นสำหรับ Intern-S2-397B พร้อมการประเมินแบบมัลติโมดัลที่ 64K; 1M โทเค็นสำหรับ Super VL
• อินพุตวิดีโอ — Super VL รองรับไฟล์ MP4 ความยาวไม่เกินสองนาที โดยสุ่มเก็บเป็นเฟรม ส่วนโมดาลิตี้ที่ระบุไว้ในเอกสารของ Intern-S2-397B ได้แก่ ข้อความ รูปภาพ และข้อมูลสัญญาณดิบ ซึ่งวิดีโอไม่ได้รวมอยู่ในนั้น
อ่านรายการนั้นสองครั้ง แล้วก็จะเห็นภาพชัดเจน Intern-S2-397B เป็นโมเดลที่ใหญ่กว่า เก่ากว่า และมีความเป็นวิทยาศาสตร์มากกว่า โดยมีประตูที่โฮสต์ไว้ Super VL เป็นโมเดลที่เล็กกว่า ใหม่กว่า และนำไปใช้งานได้จริงมากกว่า มีหน้าต่างที่ยาวกว่าและวิดีโอ และยังไม่มีประตูเลย
Intern-S2-397B ถูกสร้างขึ้นมาเพื่ออะไรกันแน่
InternLM อธิบายว่าโมเดลนี้ขยายขนาดไปตามสามแกน และแกนแรกคือข้อกล่าวอ้างเชิงเทคนิคที่ควรค่าแก่การทำความเข้าใจ: การฝึกล่วงหน้าด้านภาพ-ภาษา (vision-language pre-training) ที่ดำเนินการโดยตรงบนหน้าดิบของวรรณกรรมทางวิทยาศาสตร์ โดยจำลองความหมายเชิงสัญลักษณ์และความสัมพันธ์เชิงภาพร่วมกันในพื้นที่การแทนค่าร่วม โดยไม่มีขั้นตอนการแยกวิเคราะห์ขั้นกลาง ภาพ ตาราง สเปกตรัม และประโยคที่อธิบายสิ่งเหล่านั้น ถูกเรียนรู้ไปพร้อมกัน แทนที่จะเป็นการดึงข้อความออกมาแล้วแนบภาพในภายหลัง
การออกแบบนั้นปรากฏอยู่ในเบนช์มาร์กที่ InternLM เลือกนำเสนอเป็นหลัก และนั่นคือเหตุผลที่ตัวเลขด้านวิชันของทั้งสองโมเดลไม่สามารถใช้แทนกันได้ การ์ดของ Intern-S2-397B รายงาน ChartQAPro 71.12 และ MMMU Pro 81.68 และเป็นผู้นำในคะแนนเฉพาะทางวิทยาศาสตร์ — Biology-Instructions 55.71, Mol-Instructions 53.95, MolecularIQ 62.35, SciReasoner-1.5 63.28, TOMG-Bench 66.76 การ์ดของ Super VL นำด้วย OCR-Reasoning 65.08, OCRBench-v2 ที่ 68.12 ภาษาอังกฤษ และ 59.15 ภาษาจีน, MMLongBench-Doc 62.82, CharXiv-RQ 80.82 และ MathVision 78.16 งานที่แตกต่างกัน การกระจายการฝึกที่แตกต่างกัน และไม่มีชุดใดได้รับการทำซ้ำอย่างอิสระ
แกนที่สามคือสิ่งที่ทำให้ Intern-S2-397B ดูผิดแผกสำหรับงานเชิงเอเจนต์: การเรียนรู้แบบเสริมกำลังเชิงเอเจนต์แบบกล่องดำในสภาพแวดล้อมแบบแซนด์บ็อกซ์ โดยที่เอเจนต์เชื่อมต่อผ่านเฟรมเวิร์กหลายตัว และมุ่งเป้าไปที่เพดานของงานระยะยาวอย่างชัดเจน คำกล่าวอ้างที่เทียบเท่ากันของ NVIDIA สำหรับ Super VL คือไปป์ไลน์หลังการฝึกที่ลงเอยด้วย RL พร้อมรางวัลที่ตรวจสอบได้และการกลั่นแบบออนโพลิซีจากครูหลายตัว ซึ่งประเมินบน SWE-bench และ tau2-bench ทั้งสองอย่างเป็นการยืนยันถึงวิธีการมากกว่าการวัดผลลัพธ์
ความสามารถในการรับสัญญาณที่ไม่มีคู่แข่งรายใดมี
Intern-S2-397B ยอมรับข้อมูลสัญญาณดิบ — .npy, .csv และ .wav — เป็นประเภทอินพุตระดับหลักเคียงคู่ไปกับข้อความและรูปภาพ พร้อมตัวอย่างเหตุการณ์แผ่นดินไหวที่มีเอกสารประกอบ ซึ่งตรวจจับดัชนีการมาถึงของคลื่น P และคลื่น S และการพยากรณ์แบบจุดและแบบควอนไทล์ผ่านพารามิเตอร์ forecast_horizon ปัจจุบันความสามารถนี้รองรับเฉพาะ LMDeploy เท่านั้น และเป็นฟีเจอร์ที่ใช้ขณะอนุมานมากกว่าจะเป็นผลลัพธ์จากการทดสอบวัดประสิทธิภาพ
ไม่มีโมเดลใดในการเปรียบเทียบนี้ที่ทำอะไรแบบนี้ได้ และไม่มีโมเดลฟรอนเทียร์แบบปิดใดก็เช่นกัน หากงานของคุณเกี่ยวข้องกับร่องรอยเซนเซอร์ ข้อมูลแผ่นดินไหว หรือการพยากรณ์อนุกรมเวลาที่ต้องใช้เหตุผลร่วมกับภาพและข้อความ Intern-S2-397B ไม่ใช่ตัวเลือกที่ดีกว่าในบรรดาสองตัวนี้ — มันคือตัวเลือกเดียวเท่านั้น และน้ำหนัก 807 GB คือค่าแรกเข้า
เกณฑ์มาตรฐาน โดยมีแหล่งที่มาแนบไว้กับแต่ละรายการ
ไม่มีโมเดลใดที่มีการประเมินอิสระที่ชัดเจน และตารางของผู้ขายทั้งสองตารางไม่ทับซ้อนกันแม้แต่แถวเดียว ดังนั้นสิ่งที่ตามมาจึงเป็นการอ่านข้อกล่าวอ้างมากกว่าการจัดอันดับ
Intern-S2-397B ทั้งหมดเป็นข้อมูลที่ InternLM ซึ่งเป็นผู้ขายรายงานเองบนฮาร์เนสของตนเอง (OpenCompass, VLMEvalKit, AgentCompass) ยังไม่มีการทำซ้ำ โดยมี GPT-5.5 เป็นโมเดลอ้างอิงแบบปิด: 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 และ FrontierScience-Research 55.00 ตอนเปิดตัว Artificial Analysis ไม่มีรายการของ Intern-S2-397B และลีดเดอร์บอร์ดที่เป็นกลางก็ไม่มีรายการนี้เช่นกัน — ช่องว่างนั้นอาจถูกปิดไปแล้วตั้งแต่นั้น และควรตรวจสอบก่อนที่คุณจะเชื่อถือข้อมูลใด ๆ เหล่านี้
Nemotron 3.5 Super VL 120B A12B แบ่งออกเป็นสองแหล่งข้อมูล ผู้จำหน่ายรายงานผ่าน NVIDIA บน NeMo Gym: SWE-bench Verified 71.10, SWE-bench Multilingual 67.72, SWE-bench Pro 51.78, tau2-bench retail 69.24 และ airline 76.50, BrowseComp 78.91, GraphWalks 89.71, GPQA-Diamond 89.52, HLE 31.79 โดยไม่ใช้เครื่องมือ, OCRBench-v2 68.12 ภาษาอังกฤษ, MMLongBench-Doc 62.82, Video-MME-v2 32.85 วัดโดยคณะผู้ประเมินของ Artificial Analysis และนี่เป็นตัวเลขเดียวที่ได้มาอย่างอิสระในบทความนี้ทั้งหมด: Intelligence Index 26.49 โดยได้ 0.0 ใน Terminal-Bench 4.0 และอัตราการสร้างข้อมูลเท็จที่วัดได้ 0.3585
มีสองเรื่องที่ควรถูกตั้งข้อสังเกตในบล็อกที่สองนั้น ตัวเลข Terminal-Bench 2.1 ของ NVIDIA ปรากฏเป็น 66.70 บนการ์ดโมเดล และ 60.67 ในตารางสรุปของรายงานทางเทคนิค โดยแถวอื่น ๆ ทุกแถวในเอกสารเหล่านั้นตรงกัน — หนึ่งในสองค่านั้นผิด และจนกว่าจะรันสูตรเหล่านั้นใหม่ จะยังไม่ปลอดภัยที่จะอ้างอิงค่าใดค่าหนึ่ง และค่า 0.0 ของคณะทดสอบบน Terminal-Bench 4.0 เมื่อเทียบกับ 64.04 ที่ผู้ขายรายงานบน TerminalBench 2.1 สำหรับ Intern-S2-397B ซึ่งวัดบนชุดทดสอบที่แตกต่างกันโดยห้องปฏิบัติการของตัวเอง เป็นเครื่องเตือนใจว่าคะแนนของ terminal-agent ไม่สามารถเปรียบเทียบข้ามฮาร์เนสได้ แม้ว่าชื่อจะดูคล้ายกันก็ตาม

ทำไมหน้าต่าง 1M โทเคนเทียบกับ 256K จึงไม่ใช่ชัยชนะระดับเจ็ดหลัก
เอกสารข้อมูลจำเพาะระบุว่า Super VL รองรับ 1M โทเค็น และ Intern-S2-397B รองรับ 256K โดยมีการประเมินแบบมัลติโมดัลที่ 64K นั่นดูเหมือนจะเป็นความได้เปรียบอย่างท่วมท้นสำหรับโมเดล NVIDIA จนกระทั่งคุณนำตัวเลขการเรียกคืนบริบทยาวของคณะกรรมการมาพิจารณา: 0.69 บน AA-LCR โมเดลที่มีหน้าต่างขนาดหนึ่งล้านโทเค็นและมีคะแนนบริบทยาวต่ำกว่าหนึ่ง คือโมเดลที่สามารถรับโทเค็นหนึ่งล้านโทเค็นได้ และไม่จำเป็นต้องทำอะไรได้มากนักกับพวกมันที่ปลายสุด
256K ของ Intern-S2-397B มีเอกสารระบุไว้ที่ 256K สำหรับการให้เหตุผลกับข้อความ และ 64K สำหรับมัลติโมดัล และ InternLM ยังไม่ได้เผยแพร่ตัวเลขการเรียกคืนบริบทแบบยาวเลยแม้แต่ค่าเดียว ดังนั้นจุดยืนที่ซื่อตรงก็คือ โมเดลหนึ่งมีหน้าต่างที่ยาวกว่าแต่มีค่าการเรียกคืนที่วัดได้ต่ำในหน้าต่างนั้น ส่วนอีกโมเดลมีหน้าต่างที่สั้นกว่าและไม่มีการวัดเลย หากการเรียกคืนบริบทแบบยาวเป็นหัวใจสำคัญของงานของคุณ ก็ไม่ควรเลือกโมเดลใดในสองตัวนี้โดยอาศัยความยาวบริบทของมัน
ความพร้อมใช้งาน และวิธีที่ OrcaRouter เข้ากันได้เมื่อโมเดลทั้งสองไม่มีอยู่ในแคตตาล็อกของเรา
ทั้ง Intern-S2-397B และ NVIDIA Nemotron 3.5 Super VL 120B A12B ต่างก็ไม่ได้รับการให้บริการผ่าน OrcaRouter ในปัจจุบัน และบทความนี้จะไม่สื่อเป็นนัยเป็นอย่างอื่น Intern-S2-397B สามารถเข้าถึงได้ผ่าน API ของผู้จำหน่ายเองและการโฮสต์ด้วยตนเองด้วย LMDeploy, vLLM หรือ SGLang โดยมีสูตรการปรับใช้งาน (deployment recipes) รวมมาให้ใน model card ส่วน Super VL เป็นแบบโฮสต์ด้วยตนเองเท่านั้น — NIM ไมโครเซอร์วิสของ NVIDIA เป็นเส้นทางที่ประกาศไว้ และยังไม่มีการเผยแพร่ endpoint หรือราคาสำหรับมัน
คุณค่าของเกตเวย์เมื่อโมเดลที่คุณต้องการไม่ได้อยู่บนนั้นมีคำตอบที่เจาะจง: มันคือที่ที่ส่วนที่เหลือของไปป์ไลน์อาศัยอยู่แล้ว การคัดแยกเอกสารที่ต้องอยู่ภายในเครือข่ายของคุณจะทำงานบนการดีพลอย Intern-S2-397B หรือ Super VL ของคุณเอง ส่วนการเรียกสกัด จัดหมวดหมู่ และสรุปที่อยู่รอบ ๆ จะทำงานบนโมเดลโฮสต์ด้วยคีย์เดียวกัน DSL สำหรับการจัดเส้นทางคือสิ่งที่ทำให้ขอบเขตนั้นอ่านออกได้ชัด — แสดงเป็นเงื่อนไขบนพรอมป์ต์แทนที่จะเป็นสาขาที่ฝังอยู่ในโค้ดแอปพลิเคชัน — และการสลับอัตโนมัติเมื่อเกิดข้อขัดข้องหมายความว่าครึ่งที่โฮสต์เองล้มเหลวจะไม่พาคำขอไปด้วย การไม่มีมาร์กอัปมีความสำคัญตรงนี้ในแบบที่จืดชืดกว่า: ไม่ว่าครึ่งที่โฮสต์ของไปป์ไลน์คุณจะมีค่าใช้จ่ายเท่าใดในวันนี้ ที่นี่ก็มีค่าใช้จ่ายเท่านั้น เพราะ ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยไม่เปลี่ยนแปลง.

การเลือกระหว่างพวกมัน
เลือก Intern-S2-397B หากคุณต้องเริ่มใช้งานได้วันนี้โดยไม่ต้องซื้อฮาร์ดแวร์ หากโดเมนของคุณคือวรรณกรรมทางวิทยาศาสตร์และรูปภาพ หากอินพุตสัญญาณดิบหรืออนุกรมเวลาเป็นส่วนหนึ่งของภาระงาน หรือหากเอนด์พอยต์แบบโฮสต์ที่ผู้ขายดูแลรักษานั้นมีค่าสำหรับคุณมากกว่าการควบคุมการปรับใช้ น้ำหนัก 807 GB ถือเป็นต้นทุนจริง แต่ API แบบโฮสต์หมายความว่าคุณสามารถพิสูจน์ได้ว่าโมเดลดีหรือไม่ก่อนที่คุณจะจ่ายเงินนั้น
เลือก Nemotron 3.5 Super VL 120B A12B หากวิดีโอเป็นอินพุต หากสิ่งที่คุณมีคือ H200 เครื่องเดียวหรือ DGX Spark มากกว่ากลุ่มเครื่อง หากโมเดลจำเป็นต้องอยู่ภายในเครือข่ายของคุณ หรือหากคุณตั้งใจจะปรับแต่งละเอียด — NVIDIA เผยแพร่ชุดข้อมูลหลังการฝึกและสภาพแวดล้อม RL ของ NeMo Gym ควบคู่ไปกับน้ำหนัก และนั่นคือครึ่งที่นำกลับมาใช้ซ้ำได้มากกว่าของการเปิดตัวนี้ จงรันชุดเอกสารของคุณเองผ่านบิลด์ NVFP4 ก่อนตัดสินใจ และทดสอบการเรียกคืนบริบทยาวโดยเฉพาะ แทนที่จะเชื่อตัวเลข 1M โทเคน
ไม่เลือกทั้งคู่ สำหรับตอนนี้ ถ้าสิ่งที่คุณต้องการจริง ๆ คือโมเดลที่มีการประเมินอิสระให้คุณพึ่งพาได้ ตัวเลขของ Intern-S2-397B ล้วนเป็นข้อมูลที่ผู้ขายรายงานเอง และความครอบคลุมของคณะผู้ประเมินก็ไม่ชัดเจน ส่วน Super VL มีคะแนนจากบุคคลที่สามเพียงหนึ่งเดียว และเป็นตัวเลขดัชนีค่าเดียว โมเดลวิชันแบบเปิดสองตัว เปิดตัวห่างกันราวหกสัปดาห์ ทั้งคู่มีตาราง benchmark ที่ยังไม่มีใครทำซ้ำได้ และไม่มีตัวไหนอยู่บนลีดเดอร์บอร์ดที่เป็นกลางในแบบที่คุณเปรียบเทียบได้ สิ่งที่สมควรทำคือทดสอบ benchmark ทั้งสองกับเอกสารของคุณเอง และ API ของผู้ขายคือสิ่งที่ทำให้ครึ่งหนึ่งของงานนั้นมีต้นทุนต่ำ
สิ่งที่ต้องจับตามอง: รายการประเมินจากคณะกรรมการอิสระสำหรับ Intern-S2-397B ซึ่งจะเปลี่ยนการ์ดทั้งหมดของมันจากคำกล่าวอ้างให้กลายเป็นหลักฐาน; ราคาและเอนด์พอยต์สำหรับ Super VL ซึ่งจะตัด H200 ออกจากข้อกำหนดการเข้าใช้งาน; และตัวเลข Terminal-Bench ที่แก้ไขแล้วจาก NVIDIA ซึ่งจะคลี่คลายจุดเดียวที่เอกสารหลักสองฉบับของผู้ขายเองขัดแย้งกัน

ไม่มีสิ่งใดในนี้เป็นเหตุผลให้หลีกเลี่ยงโมเดลนี้ เป็นเพียงเหตุผลให้รู้ประวัติความเป็นมา: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในคลาสนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง ระดับความเชื่อมั่น และแฟล็กข้อโต้แย้งของตนเอง
