การ์ดชื่อเรื่องที่อ่านว่า NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B พร้อมแผงสถิติสี่แผงที่แสดงพารามิเตอร์รวม 403B ของ Intern-S2-397B โดยเปิดใช้งาน 10 ตัวต่อโทเคนใน 60 เลเยอร์ น้ำหนัก BF16 และ F32 ประมาณ 807 GB กระจายอยู่ราว 188 ชาร์ด สัญญาอนุญาต Apache-2.0 เทียบกับ OpenMDW-1.1 ของ Super VL และบริบท 1M โทเคนของ Super VL เทียบกับหน้าต่างข้อความ 256K ของ Intern-S2-397B พร้อมการประเมินแบบมัลติโมดัลที่ 64K โดยมีโลโก้ OrcaRouter อยู่ที่มุม
Engineering & Research

NVIDIA Nemotron 3.5 Super VL 120B vs Intern-S2-397B: โมเดลวิชันแบบเปิดสองตัว ซึ่งหนึ่งในนั้นคุณสามารถเรียกใช้งานได้จริงในวันนี้

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

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 O​penAI เข้าไปได้ในวันเดียวกับที่คุณอ่านข่าวมันN​VIDIA N​emotron 3.5 Super VL 120B A12B ซึ่งอัปโหลดขึ้น Hugging Face เมื่อวันที่ 12 ตุลาคม 2026 และได้รับการยืนยันในประกาศของ N​VIDIA เมื่อวันที่ 15 กลับไม่มีให้แบบนั้น: N​VIDIA 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 N​VIDIA 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

N​emotron 3.5 Super VL 120B A12B แบ่งออกเป็นสองแหล่งข้อมูล ผู้จำหน่ายรายงานผ่าน N​VIDIA 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

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.

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 N​VIDIA N​emotron 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 N​VIDIA 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.

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

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 N​VIDIA ซึ่งจะคลี่คลายจุดเดียวที่เอกสารหลักสองฉบับของผู้ขายเองขัดแย้งกัน

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.

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

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube