Một thẻ tiêu đề ghi NVIDIA Nemotron 3.5 Super VL 120B so với Intern-S2-397B, với bốn bảng số liệu cho thấy Intern-S2-397B có tổng 403B tham số với 10 tham số hoạt động mỗi token trên 60 lớp, trọng số BF16 và F32 khoảng 807 GB trải trên khoảng 188 mảnh, giấy phép Apache-2.0 của nó đối lại với OpenMDW-1.1 của Super VL, và ngữ cảnh 1M token của Super VL đối lại với cửa sổ văn bản 256K của Intern-S2-397B cùng đánh giá đa phương thức ở 64K, với logo OrcaRouter ở góc.
Engineering & Research

NVIDIA Nemotron 3.5 Super VL 120B so với Intern-S2-397B: hai mô hình thị giác mở, một trong số đó bạn thực sự có thể gọi ngay hôm nay

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Cả hai mô hình này đều có trọng số mở, đều là đa phương thức, đều được cấp phép kiểu Apache hoặc OpenMDW cho mục đích thương mại, và đều thuộc kiểu thứ bạn tải về chứ không phải đăng ký thuê bao. Sự khác biệt quyết định phần lớn các đánh giá không nằm trên bảng thông số kỹ thuật của bên nào. Intern-S2-397B, mẫu chủ lực 403 tỷ tham số của InternLM được phát hành trên Hugging Face vào ngày 13 tháng 9 năm 2026, có API do nhà cung cấp vận hành mà bạn có thể trỏ một client tương thích với O​penAI tới ngay cùng ngày bạn đọc về nó. N​VIDIA N​emotron 3.5 Super VL 120B A12B, được tải lên Hugging Face vào ngày 12 tháng 10 năm 2026 và được xác nhận trong thông báo của N​VIDIA vào ngày 15, thì không: N​VIDIA chưa công bố endpoint nào và cũng không có giá theo token cho nó trên bất kỳ kênh nào, kể cả microservice NIM của chính họ. Vậy một trong hai cái này bạn có thể đánh giá ngay chiều nay chỉ với một token, còn cái kia cần một H200 hoặc bốn H100 trước prompt đầu tiên. Khoảng cách đó đáng giá hơn bất kỳ chênh lệch bảy điểm nào trên bảng benchmark.

Sàn triển khai, đặt cạnh nhau

Hãy bắt đầu từ đây, vì điều này loại bỏ một trong những mẫu này đối với hầu hết độc giả trước khi chất lượng được bàn đến.

• Tổng số tham số và tham số hoạt động — Intern-S2-397B: tổng 403B với 10 tham số hoạt động mỗi token trên 60 lớp và 512 chuyên gia; N​emotron 3.5 Super VL 120B A12B: tổng 120B với 12 tham số hoạt động mỗi token trên các lớp Mamba-2, MoE và attention xen kẽ.

• Kích thước trọng số trên đĩa — Intern-S2-397B khoảng 807 GB trải khắp khoảng 188 phân mảnh BF16/F32; bản dựng BF16 của Super VL chỉ bằng một phần nhỏ so với con số đó, với bản dựng NVFP4 đủ nhỏ để chạy trên một DGX Spark.

• Phần cứng tối thiểu khả dụng — Intern-S2-397B cần một cụm nhiều GPU thực sự; Super VL cần 4× H100 hoặc 2× GB200 ở BF16, hoặc một H200, một GB200, 2× H100 hoặc một DGX Spark ở NVFP4.

• Truy cập được lưu trữ — Intern-S2-397B nằm trên API Intern của chính nhà cung cấp tại chat.intern-ai.org.cn/api/v1 với mã model là intern-s2-397b, được tài liệu hóa là tương thích với OpenAI và Anthropic; Super VL không có endpoint nào được công bố từ bất kỳ ai.

• Giấy phép — Apache-2.0 cho Intern-S2-397B; OpenMDW-1.1 cho Super VL. Cả hai đều cho phép sử dụng cho mục đích thương mại.

• Ngữ cảnh — 256K token cho Intern-S2-397B, với đánh giá đa phương thức ở 64K; 1M token cho Super VL.

• Đầu vào video — Super VL chấp nhận MP4 tối đa hai phút, được lấy mẫu thành các khung hình; các phương thức được tài liệu hóa của Intern-S2-397B là văn bản, hình ảnh và dữ liệu tín hiệu thô. Video không nằm trong số đó.

Đọc danh sách đó hai lần và hình dạng sẽ trở nên rõ ràng. Intern-S2-397B là mô hình lớn hơn, cũ hơn, mang tính khoa học hơn, với một lối vào được host. Super VL là mô hình nhỏ hơn, mới hơn, dễ triển khai hơn, với cửa sổ dài hơn và video, và chưa có lối vào nào cả.

Mục đích thực sự mà Intern-S2-397B được tạo ra để làm gì

InternLM mô tả mô hình này là mở rộng theo ba trục, và trục đầu tiên là tuyên bố kỹ thuật đáng để hiểu: tiền huấn luyện thị giác – ngôn ngữ được thực hiện trực tiếp trên các trang thô của tài liệu khoa học, mô hình hóa đồng thời ngữ nghĩa ký hiệu và các mối quan hệ thị giác trong một không gian biểu diễn chung, không có bước phân tích trung gian. Một hình vẽ, một bảng, một phổ và câu mô tả chúng được học cùng nhau thay vì văn bản được trích xuất rồi hình ảnh được gắn vào sau đó.

Thiết kế đó xuất hiện trong các benchmark mà InternLM chọn để dẫn đầu, và đó là lý do vì sao các con số thị giác của hai mô hình không thể hoán đổi cho nhau. Thẻ của Intern-S2-397B báo cáo ChartQAPro 71.12 và MMMU Pro 81.68 và dẫn đầu ở các điểm số chuyên về khoa học — Biology-Instructions 55.71, Mol-Instructions 53.95, MolecularIQ 62.35, SciReasoner-1.5 63.28, TOMG-Bench 66.76. Thẻ của Super VL dẫn đầu với OCR-Reasoning 65.08, OCRBench-v2 ở 68.12 tiếng Anh và 59.15 tiếng Trung, MMLongBench-Doc 62.82, CharXiv-RQ 80.82 và MathVision 78.16. Các tác vụ khác nhau, các phân phối huấn luyện khác nhau, và không có bộ số liệu nào được tái lập một cách độc lập.

Trục thứ ba là điều khiến Intern-S2-397B trở nên khác thường đối với một khối lượng công việc agentic: học tăng cường agentic dạng hộp đen trong các môi trường sandbox, với agent được kết nối qua nhiều framework và nhắm một cách rõ ràng tới các giới hạn nhiệm vụ dài hạn. Tuyên bố tương đương của N​VIDIA dành cho Super VL là một pipeline hậu huấn luyện kết thúc bằng RL với phần thưởng có thể kiểm chứng cùng chưng cất on-policy đa giáo viên, được đánh giá trên SWE-bench và tau2-bench. Cả hai đều là những khẳng định về phương pháp chứ không phải các phép đo kết quả.

Khả năng nhập tín hiệu mà không đối thủ nào có

Intern-S2-397B chấp nhận dữ liệu tín hiệu thô — .npy, .csv và .wav — như một kiểu đầu vào hạng nhất, ngang hàng với văn bản và hình ảnh, kèm một ví dụ về sự kiện động đất đã được ghi tài liệu để phát hiện chỉ số thời điểm đến của sóng P và sóng S, cùng khả năng dự báo điểm và dự báo theo phân vị thông qua tham số forecast_horizon. Hiện tại tính năng này chỉ có trên LMDeploy, và đây là tính năng ở thời điểm suy luận chứ không phải là kết quả đánh giá chuẩn.

Không có mô hình nào trong so sánh này làm được điều gì tương tự, và cũng không có mô hình tiên phong đóng nào làm được. Nếu công việc của bạn liên quan đến dấu vết cảm biến, dữ liệu địa chấn hoặc dự báo chuỗi thời gian phải được suy luận cùng với hình ảnh và văn bản, thì Intern-S2-397B không phải là lựa chọn tốt hơn trong hai mô hình này — nó là lựa chọn duy nhất, và 807 GB trọng số là khoản phí vào cửa.

Các chỉ số chuẩn, với nguồn tham chiếu đi kèm cho từng mục

Cả hai mô hình đều không có một đánh giá độc lập rõ ràng, và hai bảng của nhà cung cấp không trùng nhau ở dù chỉ một hàng, nên những gì sau đây là việc đọc các tuyên bố chứ không phải là một bảng xếp hạng.

Intern-S2-397B, tất cả đều do nhà cung cấp InternLM báo cáo trên các harness riêng của mình (OpenCompass, VLMEvalKit, AgentCompass), chưa được tái lập, với GPT-5.5 làm tham chiếu đóng: 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 và FrontierScience-Research 55.00. Artificial Analysis không có mục Intern-S2-397B nào tại thời điểm phát hành và các bảng xếp hạng trung lập cũng không có mục nào — khoảng trống đó có thể đã được lấp đầy kể từ đó, và nên kiểm tra trước khi bạn dựa vào bất kỳ số liệu nào trong số này.

Nemotron 3.5 Super VL 120B A12B, được chia tách giữa hai nguồn. Do nhà cung cấp báo cáo bởi NVIDIA trên NeMo Gym: SWE-bench Verified 71.10, SWE-bench Multilingual 67.72, SWE-bench Pro 51.78, tau2-bench bán lẻ 69.24 và hàng không 76.50, BrowseComp 78.91, GraphWalks 89.71, GPQA-Diamond 89.52, HLE 31.79 khi không dùng công cụ, OCRBench-v2 68.12 tiếng Anh, MMLongBench-Doc 62.82, Video-MME-v2 32.85. Được hội đồng của Artificial Analysis đo lường, và đây là con số độc lập duy nhất trong toàn bộ bài viết này: Chỉ số Thông minh (Intelligence Index) là 26.49, với 0.0 trên Terminal-Bench 4.0 và tỷ lệ ảo giác đo được là 0.3585.

Hai điều đáng được lưu ý trong khối thứ hai đó. Con số Terminal-Bench 2.1 của NVIDIA xuất hiện là 66.70 trên thẻ mô hình và 60.67 trong bảng tóm tắt của báo cáo kỹ thuật, trong khi mọi hàng khác trong các tài liệu đó đều khớp nhau — một trong hai là sai, và cho đến khi các công thức được chạy lại, cả hai đều không an toàn để trích dẫn. Và mức 0.0 của panel trên Terminal-Bench 4.0 so với 64.04 do nhà cung cấp báo cáo trên TerminalBench 2.1 cho Intern-S2-397B, được đo trên một bộ khác bởi chính phòng thí nghiệm của nó, là lời nhắc rằng điểm terminal-agent không thể so sánh giữa các harness ngay cả khi tên gọi trông giống nhau.

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.

Vì sao cửa sổ 1M token so với 256K không phải là một thắng lợi trị giá bảy chữ số

Bảng thông số kỹ thuật nói Super VL phục vụ 1M token và Intern-S2-397B phục vụ 256K, với đánh giá đa phương thức ở 64K. Điều đó trông như một trận thắng áp đảo cho mô hình N​VIDIA cho đến khi bạn gắn thêm chỉ số nhớ ngữ cảnh dài của bảng đánh giá: 0,69 trên AA-LCR. Một mô hình có cửa sổ một triệu token và điểm ngữ cảnh dài dưới một là mô hình có thể tiếp nhận một triệu token và không nhất thiết làm được nhiều với chúng ở tận cuối.

256K của Intern-S2-397B được ghi nhận là 256K cho suy luận văn bản và 64K cho đa phương thức, còn InternLM chưa công bố bất kỳ con số nào về khả năng truy hồi ngữ cảnh dài. Vậy quan điểm trung thực là một mô hình có cửa sổ dài hơn nhưng khả năng truy hồi đo được trên đó lại kém, còn mô hình kia có cửa sổ ngắn hơn và không có phép đo nào. Nếu khả năng truy hồi ngữ cảnh dài là trọng tâm trong khối lượng công việc của bạn, thì không nên chọn mô hình nào trong hai mô hình này chỉ dựa trên ưu thế độ dài ngữ cảnh của nó.

Tính khả dụng và cách OrcaRouter phù hợp khi cả hai mô hình đều không có trong danh mục của chúng tôi

Cả Intern-S2-397B lẫn NVIDIA Nemotron 3.5 Super VL 120B A12B đều hiện chưa được OrcaRouter phục vụ, và bài viết này sẽ không ngụ ý điều ngược lại. Intern-S2-397B có thể truy cập qua API riêng của nhà cung cấp và tự triển khai với LMDeploy, vLLM hoặc SGLang, kèm theo các công thức triển khai được cung cấp trong model card. Super VL chỉ có thể tự triển khai — microservice NIM của NVIDIA là hướng được công bố, và chưa có endpoint hay mức giá nào được công bố cho nó.

Giá trị của một gateway khi những mô hình bạn muốn không nằm trên nó có một câu trả lời cụ thể: nó là nơi phần còn lại của pipeline vốn đã ở đó. Việc phân loại tài liệu phải ở lại trong mạng của bạn sẽ chạy trên bản triển khai Intern-S2-397B hoặc Super VL của chính bạn; các lệnh gọi trích xuất, phân loại và tóm tắt xung quanh nó chạy trên một mô hình được host bằng cùng một key. DSL định tuyến là thứ giữ cho ranh giới đó rõ ràng — được diễn đạt như một điều kiện trên prompt thay vì một nhánh bị chôn trong mã ứng dụng — và tính năng chuyển đổi dự phòng tự động nghĩa là nửa tự host gặp lỗi cũng không kéo theo cả yêu cầu. Zero markup quan trọng ở đây theo một cách kém hào nhoáng hơn: nửa được host trong pipeline của bạn hôm nay tốn bao nhiêu thì ở đây cũng tốn đúng bấy nhiêu, bởi vì giá niêm yết của nhà cung cấp được chuyển tiếp nguyên vẹn.

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

Lựa chọn giữa chúng

Chọn Intern-S2-397B nếu bạn cần chạy ngay hôm nay mà không phải mua phần cứng, nếu lĩnh vực của bạn là tài liệu khoa học và hình minh họa, nếu đầu vào là tín hiệu thô hoặc chuỗi thời gian là một phần của khối lượng công việc, hoặc nếu một endpoint được lưu trữ do nhà cung cấp duy trì có giá trị với bạn hơn quyền kiểm soát việc triển khai. 807 GB trọng số là một chi phí thực sự, nhưng API được lưu trữ nghĩa là bạn có thể xác định liệu mô hình có tốt hay không trước khi phải trả khoản chi phí đó.

Hãy chọn Nemotron 3.5 Super VL 120B A12B nếu video là đầu vào, nếu thứ bạn có chỉ là một H200 hoặc một DGX Spark thay vì cả một cụm, nếu mô hình cần nằm trong mạng nội bộ của bạn, hoặc nếu bạn định tinh chỉnh — NVIDIA đã công bố các bộ dữ liệu hậu huấn luyện và môi trường RL NeMo Gym cùng với trọng số, và đó là phần có thể tái sử dụng nhiều hơn của bản phát hành. Hãy chạy bộ tài liệu của riêng bạn qua bản dựng NVFP4 trước khi cam kết, và kiểm tra cụ thể khả năng truy hồi ngữ cảnh dài thay vì tin vào con số 1 triệu token.

Hiện tại, hãy chọn cả hai đều không, nếu điều bạn thực sự cần là một mô hình có đánh giá độc lập mà bạn có thể dựa vào. Các con số của Intern-S2-397B đều do nhà cung cấp báo cáo và độ bao phủ bảng đánh giá của nó thì không rõ ràng; Super VL chỉ có đúng một điểm số từ bên thứ ba và đó là một con số chỉ số duy nhất. Hai mô hình thị giác mở, cách nhau khoảng sáu tuần về thời điểm phát hành, cả hai đều có những bảng điểm chuẩn chưa được tái lập và không mô hình nào nằm trên một bảng xếp hạng trung lập theo cách bạn có thể so sánh — động thái có trách nhiệm là đánh giá chuẩn chúng trên chính tài liệu của bạn, và API của nhà cung cấp chính là thứ giúp một nửa công việc đó trở nên rẻ.

Điều cần chú ý: một mục trên bảng đánh giá độc lập dành cho Intern-S2-397B, thứ sẽ biến toàn bộ thẻ của nó từ những tuyên bố thành bằng chứng; một mức giá và một endpoint cho Super VL, thứ sẽ loại H200 ra khỏi các yêu cầu đầu vào; và một con số Terminal-Bench đã được đính chính từ N​VIDIA, thứ sẽ giải quyết chỗ duy nhất mà hai tài liệu chính của chính một nhà cung cấp mâu thuẫn với nhau.

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.

Không có điều nào trong số này là lý do để tránh mô hình, mà chỉ là lý do để biết về lịch sử: các sự cố AI được ghi nhận và những thất bại của agent đằng sau các mô hình thuộc lớp này được tập hợp trong the OrcaRouter AI Incident Archive, nơi mỗi mục đều mang nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.