Muse Wonder vs Intern S2: 1.048.576 token so với 256K, và không có thước đo chung

Intern-S2-397B và Muse Wonder chưa từng được bất kỳ ai đo lường đối chiếu với nhau. Đó không phải là một lỗ hổng trong nghiên cứu — đó là một sự thật mang tính cấu trúc về cách mỗi mô hình ra đời. InternLM đã công bố Intern-S2-397B vào ngày 13 tháng 9 năm 2026 dưới dạng checkpoint trọng số mở theo Apache-2.0 cho trí tuệ khoa học và các tác nhân dài hạn, được đánh giá hoàn toàn bởi chính những người tạo ra nó, mà không có điểm số nào từ bên thứ ba. Meta Superintelligence Labs bắt đầu bán Muse Wonder vào ngày 12 tháng 10 năm 2026 thông qua Meta Model API và Muse Code, và nó có đúng một dòng của một đơn vị đánh giá độc lập. Vì vậy, mọi thứ dưới đây đòi hỏi phải dán nhãn xem mỗi con số nằm ở phía nào của hàng rào, và hai mô hình bất đồng về một điều còn cơ bản hơn cả điểm benchmark: cửa sổ ngữ cảnh dùng để làm gì. 1.048.576 token của Muse Wonder là một ngân sách phẳng, có tính phí, cho một phản hồi duy nhất. Còn của Intern-S2-397B thì được chia tách — 256K cho suy luận văn bản và 64K cho đầu vào đa phương thức — trên một checkpoint bạn tải về thay vì gọi qua API.

Phiên bản hữu ích của sự so sánh này không phải là mô hình nào thắng. Mà là một trong hai là công cụ cho công việc tài liệu khoa học mà bạn có thể chạy bên trong vành đai của riêng bạn, còn cái kia là một mô hình tổng quát đi thuê với cửa sổ trả phí cố định rất lớn. Đó là những kiểu mua khác nhau.

Mỗi mô hình thực sự là gì

Intern-S2-397B là mô hình chủ lực InternLM của Phòng thí nghiệm AI Thượng Hải, phát hành ngày 13 tháng 9 năm 2026 theo giấy phép Apache-2.0. Cái tên mang con số 397B; thẻ mô hình ghi tổng cộng 403 tỷ tham số, và sự khác biệt đó là kiểu mâu thuẫn mà một checkpoint được xây dựng công khai tích lũy. Về kiến trúc, đây là một transformer mixture-of-experts tiêu chuẩn — 60 lớp, 512 chuyên gia với 10 chuyên gia hoạt động mỗi token — và tuyên bố nổi bật của nó là một paradigm tiền huấn luyện đọc trực tiếp các trang tài liệu khoa học thô, gồm hình vẽ, bố cục, ký hiệu tượng trưng và văn xuôi cùng nhau, thay vì tách văn bản ra trước. Xoay quanh đó, nó mở rộng học tăng cường trên hơn hai mươi lĩnh vực khoa học và bổ sung huấn luyện agent tầm xa trong môi trường sandbox. Nó nhận đầu vào văn bản, hình ảnh và chuỗi thời gian, tạo dự báo từ nhánh chuỗi thời gian, phục vụ trên LMDeploy, vLLM và SGLang, hỗ trợ gọi công cụ, và mặc định suy luận trừ khi bạn truyền enable_thinking=False cho mỗi yêu cầu. Ở BF16, checkpoint nặng khoảng 807 GB, nên tự lưu trữ đồng nghĩa với một node đa GPU nghiêm túc.

Muse Wonder là bản phát hành tiên phong ngày 12 tháng 10 năm 2026 của Meta Superintelligence Labs, được công bố như một loạt hai checkpoint. Chỉ muse-wonder-1.0 có endpoint tính theo token, trên Meta Model API và bên trong Muse Code; Muse Wonder Full, cấu hình đạt điểm cao hơn, chỉ được bán qua đăng ký Muse Code và không có bảng giá công khai. Checkpoint gọi được nhận đầu vào văn bản, hình ảnh, giọng nói và video, trả về văn bản, có cửa sổ ngữ cảnh 1.048.576 token, giới hạn một phản hồi ở 943.718 token, có giá $4.00 mỗi triệu token đầu vào, $0.20 cho token được cache và $20.00 cho token đầu ra, đồng thời chạy suy luận một cách bắt buộc theo thang mức nỗ lực từ tối thiểu đến tối đa, mặc định là trung bình. Không có trọng số, không có giấy phép và không có phiên bản nào bạn có thể tiếp tục chạy nếu endpoint thay đổi.

Đó là khác biệt thực sự đầu tiên giữa chúng, và nó không phải là một dòng trong bảng đánh giá chuẩn. Một cái là một tập tin. Cái kia là một hợp đồng.

Cửa sổ ngữ cảnh, thứ mà hai mô hình hiểu theo cách khác nhau

Đây chính là chỗ mà việc so sánh bảng thông số dễ gây hiểu lầm nhất, bởi vì cả hai mô hình đều thường được mô tả là có ngữ cảnh dài.

• Ngữ cảnh văn bản — Muse Wonder 1.048.576 token trong một cửa sổ; Intern-S2-397B 256K cho suy luận văn bản

• Ngữ cảnh đa phương thức — cửa sổ đầy đủ của Muse Wonder bao quát đầu vào hình ảnh, giọng nói và video của nó; Intern-S2-397B mang một ngữ cảnh đa phương thức 64K riêng biệt

• Đầu ra tối đa trong một phản hồi — Muse Wonder 943.718 token; Intern-S2-397B không công bố như một con số so sánh được.

• Bề mặt đầu vào — Muse Wonder: văn bản, hình ảnh, giọng nói, video; Intern-S2-397B: văn bản, hình ảnh, chuỗi thời gian

• Dự báo chuỗi thời gian — Muse Wonder: không hỗ trợ; Intern-S2-397B: được hỗ trợ, hiện chỉ được kết nối qua LMDeploy

• Mức giá — Muse Wonder $4.00 đầu vào, $0.20 bộ nhớ đệm, $20.00 đầu ra mỗi triệu token; Intern-S2-397B không có mức giá công bố trên mỗi token, vì hình thức phân phối là tải xuống

Hàng dự báo là hàng không có bản tương ứng ở phía bên kia, và nó không phải là một tính năng tiếp thị — đó là lý do mô hình tồn tại ở dạng hiện tại. Một mô hình tiếp nhận tín hiệu chuỗi thời gian và tạo ra dự báo đang làm một việc mà mô hình văn bản không thể được yêu cầu làm, bất kể kích thước cửa sổ của nó là bao nhiêu. Nếu đó là khối lượng công việc của bạn, thì cuộc so sánh đã ngã ngũ.

Đối với mọi người khác, câu hỏi liên quan là điều gì thực sự phù hợp. Một cửa sổ 1.048.576 token với mức phí cố định là một sản phẩm khác với cửa sổ văn bản 256K trên phần cứng mà bạn sở hữu, và sự khác biệt thể hiện đúng ở những khối lượng công việc đã khiến ngữ cảnh dài trở nên thú vị — một cơ sở mã trong lời nhắc, một tập hợp các bài báo, một phiên tác nhân dài vẫn giữ lịch sử của nó.

Các cơ sở bằng chứng, vốn không chạm vào nhau

Các con số được công bố của hai mô hình không thể đặt trên cùng một trục, và cần phải nói thẳng về lý do tại sao.

Thẻ benchmark của Intern-S2-397B là của chính InternLM, được chạy qua OpenCompass, VLMEvalKit và AgentCompass bởi đội ngũ đã xây dựng mô hình, không có bản tái lập độc lập. Các cột của nó là Qwen3.5-397B-A17B, DeepSeek V4 Pro, Kimi K2.7-Code, GLM-5.2, GPT-5.5, Gemini 3.1 Pro và Claude Opus 4.8 — không có mô hình nào từ Meta, và không có Muse Wonder, nên bảng của chính nhà cung cấp không chứa một so sánh Muse nào. và bất kỳ con số "Intern-S2 so với Muse Wonder" nào đang lan truyền ở đâu đó đều là ngoại suy giữa hai bảng không liên quan.

Những gì mà card đó công bố, tất cả đều do InternLM báo cáo: 89.77 trên MMLU Pro, 93.56 trên HMMT-2026, 81.68 trên MMMU Pro, 68.54 trên SWE-bench-Pro, 64.04 trên TerminalBench 2.1, và trên các bộ khoa học 55.71 trên Biology-Instructions, 63.28 trên SciReasoner 1.5 và 53.95 trên Mol-Instructions. Hãy đọc đó như một bức chân dung: mạnh về kiến thức, toán học và suy luận đa phương thức, dẫn đầu về kỹ thuật phần mềm, và kém Claude Opus 4.8 hai mươi điểm về công việc trên terminal — đúng cái trục mà một production agent dành cả ngày để làm việc trên đó.

Bằng chứng của Muse Wonder có hình dạng ngược lại. Bảng công bố của Meta bao quát cả hai checkpoint ở mức suy luận tối đa và được dựng phần lớn từ các benchmark tác nhân duy trì — DeepSWE 1.1, SWE-Marathon, Terminal-Bench 4.0-AA, OSWorld V2.1 — tất cả đều do nhà cung cấp tự báo cáo, trong harness của Meta, không được tái lập. Các bài bình luận độc lập đã nhắc lại những dòng mạnh nhất mà không kèm lưu ý đó, và đó chính là cách một harness của nhà cung cấp biến thành sự thật trước công chúng. Dòng thực sự độc lập duy nhất là Chỉ số Trí tuệ của Artificial Analysis ở mức 52 khi nỗ lực tối đa, đứng thứ chín trong hơn 200 mô hình, với khoảng 4,52 USD chi phí đo được cho mỗi tác vụ chỉ số hoàn thành và khoảng 130 triệu token đầu ra được tiêu thụ, so với mức trung vị của bảng là gần 85 triệu.

Vậy thì: điểm mạnh của một mô hình được chính nhà sản xuất khẳng định dựa trên các benchmark khoa học mà chưa bên thứ ba nào chạy lại. Còn điểm mạnh của mô hình kia, trên các benchmark agentic, cũng vậy. Chưa ai so sánh mô hình này với mô hình kia. Điều duy nhất một trang trung thực có thể làm với chuyện đó là nói thẳng ra.

Trường hợp nào việc so sánh được quyết định bởi giá, và trường hợp nào thì không.

Intern-S2-397B không có bảng giá. Đó là toàn bộ phần định giá, và đây là một phát hiện thực sự chứ không phải một giá trị bị thiếu: hoặc bạn tự vận hành khoảng 807 GB trọng số BF16 trên phần cứng do mình sở hữu, hoặc bạn đăng ký một token trên API riêng của InternLM và sống trong bất kỳ hạn mức nào được cấp. Không có con số trên mỗi token để đặt bên cạnh $4.00 và $20.00 của Muse Wonder, và cũng không có hóa đơn để so sánh với hóa đơn trả theo token.

Điều đó tác động đến quyết định theo cách tinh tế hơn nhiều so với “miễn phí so với trả phí”. Một checkpoint được tải về biến chi phí biến đổi thành chi phí vốn, và nó biến mối quan hệ với nhà cung cấp thành một thứ mà bạn sở hữu. Điều đó rất đáng giá khi dữ liệu của bạn không thể rời khỏi vành đai của bạn, khi khối lượng công việc của bạn đủ ổn định để biện minh cho GPU, hoặc khi khả năng tái lập quan trọng hơn một điểm benchmark. Nó chẳng đáng là bao nếu lưu lượng của bạn tăng vọt theo từng đợt, nếu nhóm của bạn không có ngăn xếp phục vụ, hoặc nếu bạn cần mô hình cải thiện mà bạn không phải làm gì.

Cả hai mô hình đều không do chúng tôi phục vụ, và điều đó đáng được nói thẳng ra thay vì ngụ ý ngược lại: Intern-S2-397B là một checkpoint Apache-2.0 hoàn toàn mới, chưa có phạm vi định tuyến nào, còn Muse Wonder nằm trên API của Meta và bên trong Muse Code, không có dịch vụ bên thứ ba nào mà chúng tôi có thể xác minh. Điều mà một router thực sự giúp ích chính là nửa phần có thể gọi được của câu chuyện này. OrcaRouter mang hơn 200 mô hình sau một khóa duy nhất với giá niêm yết của nhà cung cấp, mức chênh lệch 0% — không có phần cộng thêm của trung gian, nên việc nhà cung cấp giảm giá có hiệu lực ngay trong cùng ngày — bao gồm cả Muse Spark 1.2 và Muse Spark 1.1của chính Meta, nhờ đó những mô hình Meta mà bạn có thể tiếp cận hôm nay nằm ngay cạnh mọi thứ khác trên cùng một thông tin xác thực. Nếu lưu lượng sản xuất của bạn chạy trên một mô hình được định tuyến còn công việc xử lý theo lô phục vụ khoa học của bạn chạy trên Intern-S2-397B ở một nơi do bạn kiểm soát, thì đường nối đó là một quyết định định tuyến chứ không phải một tích hợp thứ hai.

Ai nên chọn cái nào

Hãy chọn Intern-S2-397B khi công việc là đọc khoa học: một bài báo dày đặc hình vẽ, một sơ đồ phân tử, một bảng quét, một dự báo từ tín hiệu chuỗi thời gian, hay một tác nhân phải tiếp tục làm xuyên suốt một nhiệm vụ nghiên cứu. Giấy phép Apache-2.0 nghĩa là bạn có thể tinh chỉnh nó trên dữ liệu độc quyền và giữ kết quả trong vành đai của riêng mình, đây là phần của so sánh này mà không bảng giá nào nắm bắt được. Hãy dự trù ngân sách cho phần cứng và đừng mong có bảng điểm độc lập trong vài tháng — kho lưu trữ mới chỉ vài tuần tuổi và không có phép đo nào từ bên thứ ba.

Hãy chọn Muse Wonder khi công việc mang tính tổng quát, dài và có tính tác nhân, và khi bạn muốn thuê hơn là sở hữu: cửa sổ 1,048,576 token với mức giá cố định không phân bậc, giới hạn phản hồi 943,718 token mà không có gì trong tài liệu công bố của Intern-S2 giải đáp, suy luận bắt buộc cho các tác vụ nhiều bước khó, và hóa đơn trả tiền theo token mà bạn có thể đưa vào bảng tính ngay hôm nay. Lưu ý là điều tương tự áp dụng cho mọi dòng mà M​eta đã công bố: hai ngày đo lường độc lập là hai ngày, và một người đánh giá là một người đánh giá.

Đội cần cả hai nên coi ranh giới giữa chúng là một câu hỏi định tuyến chứ không phải một cuộc di trú. Hãy chạy lưu lượng chung trên một mô hình mà bạn có thể gọi, giữ công việc khoa học trên checkpoint mà bạn có thể giữ, và chạy lại các đánh giá của riêng bạn trên Intern-S2-397B trước khi tin vào một con số của nhà cung cấp về hiệu năng terminal của nó — bởi vì bảng của chính nhà cung cấp là dòng ít tâng bốc nhất trong đó.