Intern-S2-397B vs Kimi K3: Mô hình khoa học 397B và gã khổng lồ suy luận 2.8T

Intern-S2-397B và Kimi K3 nằm ở hai phía đối lập của ranh giới trọng số mở sẽ định hình phần còn lại của năm 2026: chuyên gia khoa học có thể tải xuống so với mô hình tổng quát ngữ cảnh dài đã được chứng minh độc lập. Intern-S2-397B là mô hình đa phương thức khoa học 403 tỷ tham số mà InternLM phát hành theo Apache-2.0 vào ngày 13 tháng 9 năm 2026 — không có bảng giá, không có điểm số độc lập, và một nhánh thị giác được huấn luyện trên các trang tài liệu khoa học thô. Kimi K3 là mô hình chủ lực mixture-of-experts 2,8 nghìn tỷ tham số của Moonshot AI, ra mắt vào tháng 7 năm 2026 với giá 3,00 USD cho mỗi triệu token đầu vào và 15,00 USD cho mỗi triệu token đầu ra, mở trọng số vào ngày 27 tháng 7 theo giấy phép MIT sửa đổi, và đã trải qua sáu tuần đánh giá độc lập. Điều bất thường ở cặp đối đầu này là cả hai mô hình đều có cùng tham vọng tầm xa — tiếp tục xử lý một tác vụ lớn, lộn xộn — và giải quyết nó theo hai hướng ngược nhau.

Cả hai đều đầy tham vọng, nhưng cơ chế thì trái ngược

Tham vọng là chung: mỗi mô hình đều muốn trở thành thứ vẫn tiếp tục khi tác vụ kéo dài. Chúng đạt được điều đó theo những cách khác nhau, và sự khác biệt nằm ở kiến trúc.

Câu trả lời của Kimi K3 chính là ngữ cảnh. Một cửa sổ 1.048.576 token trên cả đầu vào lẫn đầu ra nghĩa là cả một kho mã, cả một phòng dữ liệu, hay một vòng lặp agent năm mươi bước đều có thể nằm gọn trong một cuộc hội thoại. Ngăn xếp suy luận Mooncake của Moonshot được cho là duy trì tỷ lệ trúng bộ nhớ đệm trên 90% ở các khối lượng công việc lập trình, và đó là cách mức giá 15 đô-la cho mỗi triệu token đầu ra trở nên khả thi trên thực tế. Kimi K3 phơi ra một điều khiển reasoning_effort ở cấp cao nhất và không nhận tham số lấy mẫu nào, mặc định suy luận ở độ sâu tối đa, và yêu cầu bạn phát lại nguyên văn reasoning_content cùng tool_calls trước đó trong các vòng lặp công cụ nhiều lượt, nếu không chất lượng sẽ giảm sút.

Câu trả lời của Intern-S2-397B là chuyên môn hóa cùng khả năng kiểm soát ở cấp độ trọng số. Ngữ cảnh của nó — 256K suy luận văn bản và 64K đa phương thức, cả hai con số đều từ model card — là một loại cửa sổ khác hẳn, đủ cho một bài báo đồ sộ hoặc một phiên nghiên cứu dài, nhưng không đủ cho một tập làm việc một triệu token. Thay vào đó, nó cung cấp một nhánh thị giác đọc trực tiếp tài liệu khoa học — hình vẽ, bố cục, ký hiệu và văn xuôi cùng nhau — và một đầu vào chuỗi thời gian tạo ra dự báo, song song với khả năng suy nghĩ được bật theo mặc định và có thể chuyển đổi theo từng yêu cầu. Nếu tác vụ dài của bạn mang tính khoa học, mô hình đã được huấn luyện chính xác cho việc đó; nếu tác vụ dài của bạn là một codebase, đây không phải là mô hình có cửa sổ một triệu token dành cho nó.

• Ngữ cảnh — Kimi K3: 1.048.576 token vào và ra so với Intern-S2-397B: 256K văn bản / 64K đa phương thức.

• Quy mô — Kimi K3: tổng 2.8T, ~104B hoạt động mỗi token so với Intern-S2-397B: tổng 403B, 512 chuyên gia / 10 hoạt động.

• Bề mặt điều khiển — Kimi K3: nút chỉnh reasoning_effort, không có tham số lấy mẫu, so với Intern-S2-397B: công tắc bật/tắt enable_thinking cùng khả năng kiểm soát đầy đủ ở cấp trọng số theo giấy phép Apache-2.0.

• Đầu vào — Kimi K3: văn bản, hình ảnh so với Intern-S2-397B: văn bản, hình ảnh, chuỗi thời gian.

• Trọng số — Kimi K3: mở theo Modified MIT (27 tháng 7) so với Intern-S2-397B: mở theo Apache-2.0 (13 tháng 9).

• Bằng chứng độc lập — Kimi K3: sáu tuần điểm số từ bên thứ ba so với Intern-S2-397B: chưa có.

Sự bất đối xứng về bằng chứng mới là sự khác biệt thực sự

Kimi K3 đã trải qua quy trình kiểm định độc lập đầy cam go và đạt được những điểm số mà bạn có thể tin cậy. Artificial Analysis xếp nó ở mức giữa 40 trên Chỉ số Trí tuệ hiện tại, với GPQA Diamond ở mức đầu 90, HLE ở mức giữa 40, điểm nhớ lại ngữ cảnh dài được đo độc lập là 88.7 và điểm lập trình ở mức giữa 70. Nó giữ vị trí dẫn đầu trên Frontend Code Arena (Elo ở mức 1670) và đạt 91.2 trên BrowseComp, con số cao nhất trên chuẩn đánh giá truy xuất tầm xa đó — mặc dù chính Moonshot lưu ý rằng K3 "vẫn xếp sau những mô hình độc quyền mạnh mẽ nhất", và một số dòng trong ngày ra mắt của nó vẫn do nhà cung cấp tự báo cáo.

Bằng chứng của Intern-S2-397B là bảng công bố ra mắt của chính nó, được chạy qua OpenCompass, VLMEvalKit và AgentCompass, xuất bản vài giờ trước khi bạn đọc bài này. Mọi con số đều là của chính nhà cung cấp và chưa được tái lập: MMLU Pro 89.77, MMMU Pro 81.68, HMMT-2026 93.56, SWE-bench-Pro 68.54, và TerminalBench 2.1 ở mức 64.04 — một con số mà thẻ cho thấy đang thua một thế hệ đóng cũ hơn với khoảng cách lớn. Các hàng khoa học của nó là những con số làm nên lập luận cho một chuyên gia: 55.71 trên Biology-Instructions, 63.28 trên SciReasoner 1.5, 53.95 trên Mol-Instructions, 62.35 trên MolecularIQ. Hai cơ sở bằng chứng không chạm vào nhau, đó là lý do cách diễn đạt trung thực cho cuộc đối đầu này không phải là "ai thắng" mà là "loại bằng chứng nào mà khối lượng công việc của bạn cần."

Mỗi thứ tốn bao nhiêu, bản trọng số mở

Cả hai mô hình đều là trọng số mở, điều này biến câu hỏi về chi phí từ câu chuyện quen thuộc giữa tính phí theo lượng dùng và miễn phí thành một so sánh giữa hai phương án vận hành. Kimi K3 có giá API được công bố — 3,00 / 15,00 USD mỗi triệu token theo bảng giá niêm yết của Moonshot, được chuyển tiếp trên OrcaRouter với mức chênh 0%, cộng thêm giá đọc bộ nhớ đệm — và nó cũng có thể tải xuống: một bản phát hành trọng số mở gồm 96 shard, cần phần cứng cấp supernode, từ 64 accelerator trở lên, để phục vụ. Đối tượng thực tế cho một K3 tự vận hành là các đội ngũ có ngân sách trung tâm dữ liệu. Intern-S2-397B hoàn toàn không có giá API được công bố; thẻ mô hình chỉ đến API Intern chính thức, và bài toán kinh tế thực sự nằm ở việc tự vận hành: khoảng 807 GB trọng số trải trên 188 shard ở BF16, một node đa GPU đáng kể, với bản dựng FP8 cắt giảm dung lượng khoảng một nửa.

Cả hai mô hình đều có thể được gọi qua cùng một mối nối nếu bạn định tuyến: Kimi K3 có mặt trên OrcaRouter với giá niêm yết của Moonshot, mức tăng giá 0%, trong khi Intern-S2-397B không được định tuyến — một checkpoint Apache-2.0 hoàn toàn mới, đường đến với nó là API riêng của nhà cung cấp hoặc một triển khai tự lưu trữ. Giá trị của định tuyến trong cặp đối đầu này là giữ lưu lượng tổng quát ngữ cảnh dài trên khóa bạn đã có và công việc theo lô khoa học trên mô hình bạn tự vận hành, với khả năng chuyển đổi dự phòng tự động giữa hai bên. DSL biến ranh giới đó thành một cấu hình thay vì một tích hợp thứ hai.

Bản án

Hãy chọn Kimi K3 khi công việc là công việc tổng quát với ngữ cảnh dài — lập trình toàn bộ kho mã, vòng lặp tác tử kéo dài, công việc tri thức cần một triệu token bộ nhớ làm việc — và bạn muốn có một bảng điểm độc lập đằng sau nó. Đây là mô hình có bằng chứng mạnh mẽ hơn về mọi mặt, trọng số mở của nó là thật (Modified MIT, ngày 27 tháng 7), và nếu bạn đã đang vận hành hạ tầng cấp supernode thì chi phí kinh tế trên mỗi token với bộ đệm là thuận lợi.

Chọn Intern-S2-397B khi tác vụ mang tính khoa học: các bài báo dày đặc hình vẽ, sơ đồ phân tử, tài liệu quét, tín hiệu chuỗi thời gian, và dữ liệu phải nằm trong phạm vi kiểm soát của bạn hoặc trọng số bạn muốn tinh chỉnh trên các kết quả độc quyền. Apache-2.0 khiến điều đó khả thi, không một API đi thuê nào làm được, và các hàng khoa học trong thẻ mô hình là một loài khác hẳn so với thứ mà một mô hình tổng quát từng được tinh chỉnh để làm. Hãy dự trù ngân sách cho phần cứng, tự chạy đánh giá của riêng bạn, và coi mọi con số được công bố về nó như một tuyên bố cho đến khi có ai đó bên ngoài InternLM tái lập được một con số.