GPT-6 Astra vs Intern-S2: Mỗi mô hình thực sự chấp nhận những gì

Hai mô hình trong so sánh này đều được mô tả là đa phương thức, và từ đó gần như chẳng mang ý nghĩa gì trong cả hai trường hợp. GPT-6 Astra, mà OpenAI phát hành vào ngày 3 tháng 9 năm 2026, nhận văn bản và hình ảnh — cùng với đầu vào tệp, theo các danh sách của router mà tài liệu của chính OpenAI không xác nhận. Intern-S2-397B, mô hình khoa học 403 tỷ tham số do nhóm InternLM của Phòng thí nghiệm AI Thượng Hải phát hành theo giấy phép Apache-2.0 vào ngày 13 tháng 9 năm 2026, nhận văn bản, hình ảnh và tín hiệu chuỗi thời gian, với luồng dự báo được nối qua LMDeploy thay vì qua công thức phục vụ mặc định của chính mô hình. Cả hai đều không nhận âm thanh. Cả hai đều không nhận video. Câu hỏi thú vị không phải là mô hình nào đa phương thức hơn; mà là bề mặt đầu vào nào trong hai bề mặt này thực sự là thứ mà công việc của bạn tạo ra, bởi vì chúng hầu như không trùng nhau và không cái nào thay thế được cái kia.

Hai bề mặt nhập liệu chỉ trông giống nhau

Hãy đặt các thông số cạnh nhau trên những phương diện mà một khối lượng công việc thực tế thực sự chạm đến:

• Văn bản — cả hai: GPT-6 Astra lên tới 922.000 token đầu vào trong một yêu cầu; Intern-S2-397B được đánh giá ở độ dài suy luận tối đa 256.000 token cho suy luận văn bản

• Hình ảnh — cả hai, nhưng theo những cách khác nhau: Astra nhận một hình ảnh cùng với một tài liệu dài trong cùng một yêu cầu; Intern-S2-397B được tiền huấn luyện để đọc các trang tài liệu khoa học thô với nội dung ký hiệu và hình ảnh được mô hình hóa cùng nhau, đây là một tuyên bố về cách nó được huấn luyện chứ không phải những gì nó tiếp nhận

• Chuỗi thời gian — chỉ Intern-S2-397B, thông qua đầu dự báo của nó, hiện tại qua LMDeploy

• Đầu vào tệp — GPT-6 Astra theo danh sách của router; trang của chính OpenAI chỉ liệt kê văn bản và hình ảnh, nên hãy coi đây là chưa được xác nhận

• Âm thanh và video — không cái nào cả

• Đầu ra — văn bản ở cả hai, và chỉ văn bản

• Kiểm soát suy luận — GPT-6 Astra cung cấp reasoning.effort ở các mức low, medium, high, xhigh và max; Intern-S2-397B chạy với tính năng thinking được bật theo mặc định và tắt nó theo từng yêu cầu bằng enable_thinking=False

• Trọng số — Intern-S2-397B Apache-2.0, có thể tải xuống ở định dạng FP8 và BF16; GPT-6 Astra đóng, chỉ qua API

Hàng chuỗi thời gian là thứ quyết định cuộc so tài này đối với một nhóm người mua và loại bỏ nó đối với tất cả những người còn lại. Dự báo chuỗi thời gian không phải là một năng lực mà bạn có thể xấp xỉ bằng một prompt văn bản dài — đầu vào là dữ liệu số với cấu trúc riêng của nó, và một mô hình chưa được huấn luyện trên đó sẽ không có được năng lực này chỉ vì bạn tuần tự hóa các con số thành một prompt. Nếu đó là khối lượng công việc của bạn, thì việc so sánh đã kết thúc và không cần bảng benchmark nào cả. Nếu không phải, thì hàng đó không liên quan và phần còn lại của trang này mới là thứ bạn đang đọc để tìm hiểu.

Số ngữ cảnh quan trọng chính là số được đánh giá.

Các trang tiếp thị thì quảng cáo cửa sổ; còn bảng benchmark lại ghi độ dài mà mô hình thực sự được chạy, và con số thứ hai mới là con số dự đoán hành vi. Khoảng cách ở đây rất đáng để suy ngẫm.

Cửa sổ của GPT-6 Astra là 1.050.000 token với tối đa 922.000 token đầu vào và 128.000 token đầu ra, và các bậc dịch vụ được ghi trong tài liệu của nó trung thực về chi phí sử dụng nó: các yêu cầu trên 272.000 token đầu vào được định giá lại ở mức 20,00 USD cho đầu vào và 75,00 USD cho đầu ra trên mỗi triệu token, với đọc bộ nhớ đệm ở mức 2,00 USD và ghi bộ nhớ đệm ở mức 25,00 USD, áp dụng cho toàn bộ yêu cầu chứ không phải phần vượt. Dưới ngưỡng đó, các đồng hồ đo hiển thị 10,00 USD, 1,00 USD và 12,50 USD, đầu ra ở mức 50,00 USD.

Thẻ của Intern-S2-397B nêu giới hạn của chính nó trong phần ghi chú phương pháp chứ không phải ở tiêu đề: các benchmark suy luận văn bản được chạy với độ dài suy luận tối đa 256.000 token, còn các benchmark đa phương thức ở mức 64.000. Đó không phải là mức trần của mô hình — thẻ mô hình không công bố một mức trần theo dạng mà người mua có thể nhận ra — nhưng đó là độ dài mà mọi con số trên thẻ được tạo ra. Một năng lực chỉ được chứng minh trong phạm vi 64.000 token ngữ cảnh hình ảnh thì vẫn là một năng lực chỉ được chứng minh trong phạm vi 64.000 token ngữ cảnh hình ảnh, và một trang in cùng điểm số đó mà không kèm độ dài thì đang in một nửa sự thật.

Đây là mức kỷ luật mà cả hai mô hình này đều xứng đáng có, và tài liệu của cả hai nhà cung cấp đều không giúp việc đó trở nên dễ dàng. Các số liệu của nhà cung cấp Astra đi kèm một bộ khung đánh giá được gắn kèm, thứ làm thay đổi chúng 37 điểm trên một benchmark; các số liệu của Intern-S2 đi kèm một độ dài suy luận tối đa được gắn kèm, yếu tố quyết định liệu có bất kỳ số liệu nào trong đó chuyển được sang khối lượng công việc của bạn hay không. Hãy đọc cả hai chú thích cuối trang trước khi đọc bất kỳ bảng nào.

Những con số của Intern-S2-397B là gì, và ai là người tạo ra chúng

Mọi số liệu dưới đây đều là của chính InternLM, được chạy qua OpenCompass, VLMEvalKit và AgentCompass bởi nhóm đã huấn luyện mô hình, và được công bố cùng với trọng số. Không có phần nào trong đó được tái lập một cách độc lập. Không có trang nào cho Intern-S2-397B trên Artificial Analysis, và việc thiếu vắng đó quan trọng hơn bình thường, vì nó có nghĩa là không có bên thứ ba nào để đối chiếu các hàng về năng lực tổng quát.

Các dòng về khoa học là nơi mô hình mạnh nhất và cũng là nơi lập luận ủng hộ nó rõ ràng nhất: 55,71 trên Biology-Instructions, 63,28 trên SciReasoner 1.5, 62,35 trên MolecularIQ, 53,95 trên Mol-Instructions. Bên cạnh đó là những dòng tổng quát đáng nể: 89,77 trên MMLU Pro, 81,68 trên MMMU Pro, 93,56 trên HMMT-2026, 68,54 trên SWE-bench-Pro. Và một dòng cho bạn biết đây là kiểu mô hình gì — TerminalBench 2.1 đạt 64,04, con số mà theo chính bảng của phòng thí nghiệm lại thua một thế hệ đóng cũ hơn. Intern-S2-397B là một công cụ khoa học vẫn đủ năng lực ở các lĩnh vực tổng quát, chứ không phải một mô hình tổng quát được gắn thêm một chuyên môn khoa học.

Các con số của GPT-6 Astra là gì, và chúng yếu nhất ở đâu

Thành tích của Astra được chia thành hai nửa và chúng không thống nhất về điểm nhấn. Artificial Analysis đo nó ở mức 53 trên Intelligence Index hiện tại của mình qua mười lần đánh giá, với mức 3,26 USD cho mỗi tác vụ chỉ số đã hoàn thành, tạo ra khoảng 60M token đầu ra trong lần chạy đó, so với mức trung vị của bảng gần 85M, ở tốc độ 44,6 token đầu ra mỗi giây. Đó là một đánh giá độc lập với phương pháp luận đã được công bố, và nó xếp mô hình ở vị trí thứ bảy trong số 216 về trí tuệ và thứ 168 trong số 185 về tốc độ.

Phần của nhà cung cấp là một bảng riêng: 98% trên FrontierMath Tier 4, được mô tả là bão hòa hạng này; 99,9% trên ARC-AGI-3; 100% trên ExploitBench, với Astra là mô hình OpenAI đầu tiên vượt ngưỡng năng lực an ninh mạng Critical của công ty; 57,9% trên Terminal-Bench 4.0 so với 37,3% của GPT-5.6 Sol. Mỗi con số đều có thể quy cho OpenAI và chưa có con số nào được tái lập. Con số ARC-AGI-3 là con số đã lan truyền xa nhất và đáng bị hoài nghi nhất: ARC Prize đã chạy mô hình dưới hai harness và công bố cả hai, ghi nhận 62,7% dưới harness tiêu chuẩn của mình và 99,9% dưới một bộ điều hợp của nhà cung cấp, thứ giữ nguyên trạng thái suy luận giữa các yêu cầu. Khoảng chênh 37 điểm là một phép đo về harness, không phải một vụ bê bối — OpenAI đã ghi lại cả hai thiết lập — nhưng bất kỳ so sánh nào đặt 99,9% đối chiếu với con số harness tiêu chuẩn của một mô hình khác là đang so hai thí nghiệm và gọi đó là một benchmark.

Thêm một điểm bất đối xứng nữa thuộc về đây, vì đó là lý do con số độc lập mới là con số để lập kế hoạch dựa vào. Thẻ của Intern-S2-397B không có cột độc lập nào cả, nên các con số của nó là những con số duy nhất, và chúng chỉ mang thẩm quyền của nhà cung cấp, không gì khác. Astra có cả hai, và chúng mâu thuẫn về việc nó giỏi suy luận tổng quát đến mức nào theo cách mà một trong hai không thể sai được — bảng của nhà cung cấp nói bão hòa, chỉ số nói thứ bảy.

"Tạ tự do" là một quyết định quan trọng.

Intern-S2-397B là Apache-2.0, và hệ quả thực tiễn là chuyện tính toán số học chứ không phải cấp phép. Checkpoint được công bố có 403 tỷ tham số, và kho BF16 chứa khoảng 807 GB — trước khi bạn tính đến một serving stack, một KV cache, hay bản sao thứ hai mà bạn giữ để rollback. Có bản dựng FP8 và nó gần như giảm một nửa dung lượng. Lab tài liệu hóa LMDeploy, vLLM và SGLang là các server được hỗ trợ, và ví dụ tool-calling của chính nó là một endpoint tương thích O​penAI trên một server LMDeploy, nên đường tích hợp không hề lạ. Phần cứng thì mới lạ.

Điều đó tạo ra hai nền kinh tế rất khác nhau từ cùng một giấy phép. Nếu bạn đã sở hữu một node nhiều GPU với công suất dư, chi phí biên của truy vấn khoa học tiếp theo sẽ tiệm cận tiền điện, và không đối thủ nào tính theo token có thể đánh bại mức đó — đó chính là toàn bộ lý do trọng số mở tồn tại. Nếu bạn không sở hữu nó, "miễn phí" nghĩa là phải mua hoặc thuê công suất, và trên công suất đi thuê, việc so sánh với một API tính theo mức dùng là một câu hỏi số học đơn giản về mức độ tận dụng mà một thẻ mô hình không thể trả lời thay bạn. Phía Astra cho cùng câu hỏi thì đơn giản hơn: một bảng giá cước, không có đội vận hành, và một dải ngữ cảnh dài ở mức $20.00 / $75.00 vốn trừng phạt đúng kích cỡ yêu cầu mà một cửa sổ 1.050.000 token mời gọi.

Một chi tiết nghiêng về hướng tự vận hành (self-hosted) và rất dễ bị bỏ qua: giấy phép Apache-2.0 chính là thứ khiến mô hình có thể dùng được trong một môi trường bị quản lý chặt chẽ. Tinh chỉnh trên dữ liệu độc quyền, chạy hoàn toàn tách biệt khỏi mạng (air-gapped), và giữ suy luận nằm trong vành đai dữ liệu là ba điều mà API của Astra không thể cung cấp dù với bất kỳ mức giá nào, và không có dòng benchmark nào phản ánh chúng.

Vị trí của bộ định tuyến trong một cặp ghép như thế này

Intern-S2-397B không có trên OrcaRouter và trang này cũng không khẳng định là có; đây là một checkpoint mở mới, và con đường dẫn đến nó là API Intern chính thức của nhà cung cấp hoặc một bản triển khai của chính bạn. GPT-6 Astra có trong danh mục của chúng tôi với mã openai/gpt-6-astra, theo đúng mức giá niêm yết của OpenAI, chuyển nguyên vẹn với mức markup 0% từ phía chúng tôi.

Hình dạng hữu ích cho một đội vận hành cả hai là sự phân tách thay vì một lựa chọn, và đó chính là cấu hình mà lớp định tuyến sinh ra để phục vụ: gửi lưu lượng tổng quát, ngữ cảnh dài, nhiều tài liệu sang mô hình tính phí theo lượng dùng nằm sau một endpoint tương thích với OpenAI, và giữ công việc theo lô mang tính khoa học và chuỗi thời gian trên checkpoint mà bạn tự vận hành. Chuyển đổi dự phòng tự động sau đó sẽ bao phủ trường hợp một trong hai bên gặp sự cố — nhánh tự lưu trữ khi một node ngừng hoạt động, nhánh API khi một đường dẫn của nhà cung cấp bị suy giảm — mà không bên nào phải viết thêm một tích hợp thứ hai. Đó là một ranh giới được vẽ bằng quy tắc định tuyến, chứ không phải bằng kiến trúc.

Cái nào

Hãy chọn Intern-S2-397B nếu đầu vào của bạn mang tính khoa học theo đúng nghĩa cụ thể mà mô hình đã được huấn luyện — các trang tài liệu dày đặc hình minh họa, cấu trúc phân tử và vật liệu, tín hiệu chuỗi thời gian — hoặc nếu Apache-2.0 là thuộc tính quyết định vì dữ liệu của bạn không thể rời khỏi hạ tầng của bạn. Hãy lập ngân sách cho phần cứng trước khi lập ngân sách cho bất kỳ thứ gì khác, và hãy tự chạy đánh giá của riêng bạn thay vì tin vào thẻ mô hình, vì không có con số độc lập nào để dựa vào.

Chọn GPT-6 Astra nếu công việc của bạn mang tính agentic và có tầm nhìn dài hạn, nếu đầu vào 922.000 token trong một yêu cầu duy nhất là dạng bạn thực sự tạo ra, hoặc nếu bạn cần một bảng điểm độc lập để bảo vệ quyết định đó với người khác. Mức $3,26 cho mỗi tác vụ lập chỉ mục hoàn thành là con số cao nhất trong so sánh này, và nó mua một mô hình phát ra khoảng 60M token khi làm công việc đó, trong khi mô hình trung vị phát ra 85M — đó là lý do giá theo token là con số sai để quyết định, còn chi phí trên mỗi tác vụ đã hoàn thành mới là con số đúng. Đừng chọn nó cho lưu lượng ngắn, khối lượng lớn, và đừng vượt qua ranh giới 272.000 token mà không chạy lại mô hình chi phí của bạn, vì ranh giới đó tăng gấp đôi đơn giá đầu vào trên toàn bộ yêu cầu.

Hai thứ này không thay thế cho nhau, và lý do không nằm ở điểm chuẩn. Một trong số chúng chấp nhận một bảng dữ liệu cảm biến được nhập vào, còn cái kia chấp nhận một trang giấy được quét, và không cái nào làm cả hai đủ tốt đến mức cái kia trở nên không cần thiết. Nếu công việc của bạn bằng cách nào đó tạo ra cả hai, bạn đã biết đội nào trong tổ chức của mình phụ trách nửa nào.

Một bản phát hành cũng là thời điểm để kiểm tra xem trước đây đã có gì sai sót: các sự cố AI và lỗi agent đã được ghi nhận liên quan đến những mô hình thuộc nhóm này đều được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều đi kèm nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.