GPT-6.1 Sol vs Intern S2: Một bên có giá, bên kia có trọng số

Điều kỳ lạ nhất khi so sánh GPT-6.1 Sol với Intern S2 là ở chỗ một bên của phép so sánh không có mức giá nào bạn có thể tra cứu. Intern-S2-397B của Phòng thí nghiệm AI Thượng Hải, công bố ngày 13-09-2026, phát hành trọng số Apache 2.0 trên Hugging Face, một báo cáo kỹ thuật và một điểm cuối API do nhà cung cấp lưu trữ — và không có mức giá trên mỗi token nào được công bố ở bất kỳ đâu. GPT-6.1 Sol của Open​AI, ra mắt ngày 29-09-2026, tốn 2,00 đô la cho mỗi triệu token đầu vào và 10,00 đô la cho mỗi triệu token đầu ra, với một bậc được ghi rõ cho trên 272.000 token lời nhắc, và mọi con số trong số đó đều xuất hiện trên một trang giá công khai. Vậy nên cách trung thực để đặt vấn đề cho cặp đôi này không phải là "cái nào tốt hơn" mà là "cái nào trong hai cái bạn thực sự có thể dự báo được hóa đơn" — và câu trả lời khác nhau vì những lý do chẳng liên quan gì đến năng lực.

Tất cả nội dung dưới đây tách bạch rõ ràng thành hai cơ sở bằng chứng, và việc giữ chúng tách biệt chính là phần lớn công việc. Các số liệu của GPT-6.1 Sol là độc lập, đến từ Artificial Analysis, trừ khi một câu nói khác đi. Các số liệu của Intern-S2 là của chính InternLM, chưa được bên thứ ba nào tái lập, và những câu chứa chúng đều nói rõ như vậy.

Hai hệ thống dưới một cái tên

Intern S2 không phải là một mô hình duy nhất, và sự nhầm lẫn này đáng được làm rõ trước tiên. Dòng họ này chứa ít nhất hai artifact đã được công bố:

• Intern-S2-Mobius — một mô hình trọng số mở 35 tỷ tham số theo Apache 2.0, được tiền huấn luyện liên tục từ Qwen3.5-35B, sử dụng kiến trúc Mobius-v0 với một Memory dùng chung gồm 2.560 chuyên gia, bốn khối Reasoner và 40 lớp. Hướng dẫn triển khai mô tả khoảng 3 tỷ tham số hoạt động mỗi token với mẫu attention lai 3:1, ngữ cảnh 256.000 token và một tháp thị giác. Trọng số ra mắt ngày 29-07-2026; kho lưu trữ GitHub và báo cáo kỹ thuật tiếp nối vào ngày 05-08-2026; hỗ trợ vLLM được hợp nhất ngày 06-08-2026.

• Intern-S2-397B — mẫu chủ lực, công bố ngày 13/09/2026. Khoảng 397 tỷ tham số tổng cộng trong kiến trúc Qwen3.5-MoE, 512 chuyên gia với 10 chuyên gia hoạt động, trọng số Apache 2.0 trên Hugging Face cùng với thẻ mô hình, một mục API Intern chính thức, và hỗ trợ vLLM Day-0 được công bố vào ngày hôm sau, cùng một công thức được công bố cho suy luận FP8 trên tám H100 hoặc tám H200. Các giới hạn được công bố của nó là 256.000 token ngữ cảnh văn bản và 64.000 token ngữ cảnh đa phương thức.

GPT-6.1 Sol là đối tượng đơn giản hơn: một định danh snapshot, gpt-6.1-sol, không có biến thể theo ngày, 1.050.000 token ngữ cảnh, đầu ra tối đa 128.000, đầu vào văn bản, hình ảnh và tệp, năm mức độ nỗ lực suy luận với mức trung bình là mặc định, và thời điểm cắt kiến thức được công bố là ngày 30 tháng 4 năm 2026.

Những con số của mỗi bên dựa trên cơ sở nào

Đây là trục mà hai bên khác biệt nhau nhiều nhất, và khoảng cách không hề nhỏ.

Thành tích độc lập của GPT-6.1 Sol, tất cả đều từ Artificial Analysis:

• AA Intelligence Index31,8, xếp hạng 10 trong số 147 mô hình, phân vị thứ 93,2

• Humanity's Last Exam — 52,9%.

• Khả năng gợi nhớ ngữ cảnh dài — 83%.

• SciCode — 54,2%.

• Terminal-Bench 4.0 — 56,06%.

Thành tích của Intern-S2, hoàn toàn thuộc về chính InternLM, không có phần nào do bên thứ ba tái tạo:

• MMLU Pro — 89,77% cho mô hình chủ lực 397B.

• HMMT-2026 — 93,56%.

• MMMU Pro — 81,68%.

• SWE-bench-Pro — 68,54%.

• TerminalBench 2.1 — 64,04%.

• Các hàng lĩnh vực khoa học — Biology-Instructions 55,71%, SciReasoner 1.5 63,28%, Mol-Instructions 53,95%, MolecularIQ 62,35%.

Hai danh sách đó không thể so sánh với nhau, và cần nói rõ vì sao. Bộ thứ nhất là một bên không có lợi ích gì trong kết quả, đang đặt cùng những câu hỏi cho nhiều mô hình theo một giao thức. Bộ thứ hai là phòng thí nghiệm đã huấn luyện mô hình tự báo cáo mô hình của mình đã làm thế nào. Điều đó không làm cho bộ thứ hai trở thành sai — các phòng thí nghiệm có báo cáo kỹ thuật được công bố và trọng số có thể tải xuống có lợi ích danh tiếng gắn với các con số — nhưng điều đó có nghĩa là các con số ấy là một tuyên bố chứ không phải một phép đo, và hiện tại không có đơn vị đánh giá độc lập nào, và không có nhà cung cấp suy luận độc lập nào, công bố điểm Intern-S2 ở bất cứ đâu.

Những hàng chứa thông tin thực sự

Hai điều trong chính tài liệu của InternLM có tính thông tin cao hơn các điểm số nổi bật, chính vì chúng không hề tâng bốc.

Đầu tiên là bảng điểm chuẩn Mobius cho mô hình 35B, so sánh nó với Qwen3.5-35B base mà nó được tiếp tục tiền huấn luyện từ đó. Đó là một so sánh thực sự hữu ích — cùng dòng dõi, cùng quy mô, nên mức chênh lệch cô lập những gì thay đổi kiến trúc mang lại. Mobius thắng bảy trong chín điểm chuẩn tổng quát và thua đậm ở Humanity's Last Exam và UGD. Đọc một cách trung thực, kiến trúc Mobius mang lại lợi ích tổng quát vừa phải và đánh đổi điều gì đó ở bộ suy luận khó nhất. Các hàng thuộc lĩnh vực khoa học trong cùng bảng lớn hơn, nhưng chúng là dấu hiệu của việc tiếp tục tiền huấn luyện theo lĩnh vực chứ không phải của kiến trúc — dữ liệu huấn luyện là nguồn gốc của các con số sinh học và hóa học, không phải cách bố trí chuyên gia.

Thứ hai là câu chuyện về hiệu quả, đây là tuyên bố cụ thể nhất trong bản phát hành: thông lượng gấp 2,9 lần mức cơ sở ở batch 16, tăng lên gấp 4,6 lần ở batch 256. Đó là các tỷ lệ so với một mức cơ sở nội bộ, do phòng thí nghiệm đo lường, trên phần cứng do phòng thí nghiệm lựa chọn — và chúng cũng là kiểu tuyên bố dễ kiểm chứng khi bạn đã có trọng số, mà bạn có, theo Apache 2.0.

Tính kiểm chứng được đó mới chính là giá trị thực sự của một bản phát hành mở, và nó chỉ tới một điều mà những điểm số nổi bật không thể: bạn không cần phải tin vào tỷ lệ thông lượng, bởi vì tám H100 và một công thức vLLM giờ đây là những thứ duy nhất nằm giữa bạn và việc tự kiểm chứng nó.

Trọng số mở so với endpoint trả phí

Đây là điểm mà hai mô hình không còn là những lựa chọn thay thế nữa, mà bắt đầu trở thành những quyết định khác biệt.

GPT-6.1 Sol là một dịch vụ. Bạn trả tiền theo token, bạn nhận được cửa sổ 1.050.000 token, 128.000 token đầu ra, năm mức nỗ lực, và hoàn toàn không có bề mặt vận hành nào. Hóa đơn tăng tuyến tính theo mức sử dụng và chi phí biên của một đợt tăng vọt là một khoản mục hàng, không phải vấn đề năng lực. Đánh đổi là bạn không thể tinh chỉnh nó — Open​AI không công bố con đường tinh chỉnh nào cho mô hình này — bạn không thể chạy nó trên phần cứng của riêng mình, và kinh tế đơn vị của bạn do trang định giá của người khác định đoạt.

Intern-S2-397B là một bản tải xuống. Apache 2.0 nghĩa là bạn có thể chạy nó, sửa đổi nó, tinh chỉnh nó, phục vụ nó trong mạng của riêng bạn mà không có bất kỳ dữ liệu nào rời khỏi mạng đó. Tám chiếc H100 là một chi phí vốn thực sự và một gánh nặng vận hành thực sự, nhưng trên một khối lượng nhất định, chi phí vốn đó rẻ hơn mức giá theo token, và đó là lựa chọn duy nhất nếu dữ liệu hoàn toàn không thể rời khỏi vành đai của bạn. Đánh đổi ở phía ngược lại là mọi thứ về chất lượng giờ đây đều là vấn đề của bạn: không có chuẩn đánh giá độc lập nào để dựa vào mà lập kế hoạch, không có nhà cung cấp bên ngoài nào để chuyển sang dự phòng, và không có nhà cung cấp nào để bạn leo thang vấn đề suy giảm chất lượng tới.

Giữa hai vị thế đó, biến số quyết định hầu như luôn là mức độ sử dụng. Một đợt tăng vọt hàng tháng vài trăm triệu token không đủ để khấu hao tám GPU. Một dòng chảy đều đặn hàng tháng với quy mô hàng tỷ token bên trong một vành đai được quản lý thì thường lại có thể khấu hao được.

Số còn thiếu trong một cột

Intern-S2-397B không có mức giá trên mỗi token được công bố. Đó không phải là một sơ suất cần được xử lý vòng bằng một ước tính; điều đó có nghĩa là phép so sánh tiêu chuẩn mà blog này thường thực hiện — chi phí trên mỗi triệu token so với chi phí trên mỗi triệu token — hoàn toàn không thể được thực hiện với hướng tự triển khai.

Phép so sánh có thể thực hiện là với endpoint do nhà cung cấp vận hành. InternLM vận hành một API Intern chính thức tại chat.intern-ai.org.cn/api/v1 với mã định danh mô hình intern-s2-397b, và mức giá cho endpoint đó là thứ bạn cần đối chiếu trực tiếp với mức $2.00 và $10.00 của GPT-6.1 Sol. Cho đến khi mức giá đó được công bố, tuyên bố trung thực duy nhất là giá của phương án API là chưa biết, còn giá của phương án tự triển khai là một hàm của hợp đồng GPU và mức sử dụng của bạn, chứ không phải của một bảng giá.

Điều đó có nghĩa là phép tính mà bài viết này có thể thực hiện là hạn hẹp, và dù sao vẫn đáng làm: hãy tự hỏi chi phí trên mỗi triệu token của chính bạn sẽ là bao nhiêu tại mức sử dụng của bạn, rồi so sánh nó với $2.00/$10.00 khi áp dụng bậc trên 272K. Với hầu hết các nhóm, câu trả lời cho phép tính đó là endpoint đóng thắng khi dưới vài tỷ token mỗi tháng còn trọng số mở thắng khi trên mức đó — và toàn bộ câu hỏi là khối lượng công việc đang nằm ở phía nào của ranh giới đó.

Chạy hai cái đó theo cách khác nhau

Ở đây không có một câu trả lời duy nhất, bởi vì hai mô hình không được đạt tới theo cùng một cách, và giả vờ rằng không phải vậy cũng sẽ là lỗi giống như việc trích dẫn các hàng chỉ mục cạnh nhau.

GPT-6.1 Sol có trên OrcaRouter với mã openai/gpt-6.1-sol, theo đúng giá niêm yết của OpenAI với mức cộng thêm 0% — 2,00 USD cho đầu vào, 10,00 USD cho đầu ra, đầu vào đã cache ở mức 0,10 USD, bậc trên 272K được áp dụng chính xác như OpenAI đặt ra. Vì chúng tôi chuyển nguyên giá từ nhà cung cấp thay vì cộng thêm, thay đổi biểu phí của OpenAI sẽ có hiệu lực ở đây ngay trong cùng ngày thay vì vào chu kỳ thanh toán tiếp theo, và cơ chế tự động chuyển đổi dự phòng nằm bên dưới tuyến. Phần cuối đó còn quan trọng hơn đối với một mô hình chưa được kiểm chứng so với một mô hình đã được kiểm chứng — đó cũng chính là lập luận áp dụng cho phía Intern-S2, chỉ khác là phía Intern-S2 không thể sử dụng nó.

Intern S2 không có trên OrcaRouter và chúng tôi không lưu trữ nó. Có thể truy cập nó qua API riêng của InternLM và nó có thể tải xuống từ Hugging Face theo Apache 2.0 cho bất kỳ ai có phần cứng. Nếu bạn muốn thử nó, trọng số là con đường ít cam kết — bạn có thể đánh giá mô hình chủ lực 397B trên các prompt của riêng mình trước khi quyết định có nên mua GPU cho nó hay không, và Mobius 35B đủ nhỏ để kiểm tra hành vi của dòng mô hình này trên một nút duy nhất.

Phán quyết mà cặp này nhận được không phải là một bảng xếp hạng, vì hai bên không mua cùng một thứ. Nếu bạn cần một mô hình có mức năng lực được đo lường độc lập, một trần đầu ra được công bố, một mức giá trên mỗi token đã biết, và không có bề mặt vận hành, thì GPT-6.1 Sol là câu trả lời, và đây không phải là một lựa chọn sát nút — nó đơn giản là mô hình duy nhất trong hai mô hình đáp ứng bốn điều đó. Nếu ràng buộc của bạn là dữ liệu không thể rời khỏi mạng của bạn, hoặc khối lượng của bạn đủ lớn để dùng GPU có lợi hơn trả tiền theo token, thì Intern-S2-397B là câu trả lời tốt hơn, và việc thiếu benchmark là một rủi ro mà bạn chọn gánh chịu thay vì là lý do để rời bỏ. Điều bạn không nên làm là so sánh hai mô hình dựa trên những con số được công bố của chúng. Eval của chính InternLM và bảng xếp hạng của Artificial Analysis không phải là cùng một công cụ, và đọc chúng như một bảng duy nhất sẽ tạo ra một câu trả lời đầy tự tin cho một câu hỏi mà không ai hỏi.