GPT-6 Astra 对决 Intern-S2：各自实际接受什么

本次对比中的两个模型都被描述为多模态，而这个词在两种情况下几乎没起任何作用。GPT-6 Astra由 OpenAI 于 2026 年 9 月 3 日发布，接受文本和图像——根据路由器列表，还包括文件输入，而 OpenAI 自己的文档并未证实这一点。Intern-S2-397B是上海人工智能实验室 InternLM 团队于 2026 年 9 月 13 日以 Apache-2.0 许可发布的 4030 亿参数科学模型，接受文本、图像和时间序列信号，其预测路径通过 LMDeploy 接入，而不是通过模型自身的默认服务方案。两者都不接受音频。两者都不接受视频。有趣的问题不在于哪一个更加多模态；而在于你的工作实际产生的是这两种输入面中的哪一种，因为它们几乎没有重叠，而且彼此都无法替代对方。

两个只是看起来相似的输入界面

在真实工作负载真正触及的维度上对齐这些规格：

• 文本 — 两者：GPT-6 Astra 单次请求最高支持 922,000 个输入 token；Intern-S2-397B 在文本推理方面的最大推理长度评估为 256,000 个 token

• 图像——两者都可，但方式不同：Astra 会在同一次请求中接收一张图像和一份长文档；Intern-S2-397B 经过预训练，能阅读科学文献的原始页面，将符号内容与视觉内容一并建模，而这说的是它的训练方式，而不是它接受什么。

• 时间序列 — 仅限 Intern-S2-397B，通过其预测头实现，目前经由 LMDeploy

• 文件输入 — 根据路由器列表，为 GPT-6 Astra；OpenAI 自己的页面仅列出文本和图像，因此应将其视为未确认

• 音频和视频——两者都不

• 输出——两者均为文本，且仅为文本

• 推理控制 — GPT-6 Astra 提供 low、medium、high、xhigh 和 max 档位的 reasoning.effort；Intern-S2-397B 默认开启思考，并可通过 enable_thinking=False 按请求将其关闭

• 权重 — Intern-S2-397B Apache-2.0，提供 FP8 和 BF16 格式下载；GPT-6 Astra 闭源，仅提供 API

时间序列那一行，对一部分买家而言正是决定这场对比胜负的关键，对其他人而言则直接将其排除在外。时间序列预测并不是你靠一段长文本提示就能近似获得的能力——输入是数值，有其自身的结构，而一个未曾在这样的数据上训练过的模型，并不会因为你把数字序列化进提示词里就获得这种能力。如果这正是你的工作负载，那么比较已经结束，不需要任何基准测试表格。如果不是，那一行就与你无关，本页其余的内容才是你要读的。

真正重要的上下文编号是被求值的那个。

营销页面引用的是窗口大小；基准测试表引用的是模型实际运行时的长度，而第二个数字才是能预测行为表现的那个。这里的差距很能说明问题。

GPT-6 Astra 的窗口为 1,050,000 tokens，其中最多 922,000 输入、128,000 输出，其文档化的服务档位也如实说明了使用它的成本：输入超过 272,000 tokens 的请求将按每百万 $20.00 输入和 $75.00 输出重新计价，缓存读取为 $2.00、缓存写入为 $25.00，且适用于整个请求，而非仅适用于超出部分。低于该线时，计费表显示为 $10.00、$1.00 和 $12.50，输出为 $50.00。

Intern-S2-397B 的模型卡在方法说明中，而不是在显眼标题里，陈述了自身的限制：文本推理基准测试以最高 256,000 token 的推理长度运行，多模态基准测试则为 64,000。这并非该模型的上限——模型卡没有以买家能够识别的方式公布上限——但卡片上的每一个数字都是在这一长度下得出的。一个仅在 64,000 token 的图像上下文内得到证明的能力，就是仅在 64,000 token 的图像上下文内得到证明的能力；而一个只印出相同分数却不注明长度的页面，就是在印出半个事实。

这是这两个模型都理应得到的严谨，而两家厂商的材料都没让做到这一点变得容易。Astra 的厂商数字附带了一个测试框架，会在某一基准测试上让这些数字相差 37 分；Intern-S2 的厂商数字则附带了一个最大推理长度，它决定了其中是否有任何数字能迁移到你的工作负载。在阅读任何一张表之前，请先读完两条脚注。

Intern-S2-397B 的数字是什么，以及是谁产出的

下面每一项数据都是 InternLM 自己的，由训练该模型的团队通过 OpenCompass、VLMEvalKit 和 AgentCompass 跑出来，并随权重一同发布。其中没有任何一项经过独立复现。Artificial Analysis 上没有 Intern-S2-397B 的页面，而这一缺失比平常更值得注意，因为这意味着没有第三方可以拿来核对通用能力那几行数据。

科学类几行是该模型最强的地方，也是最能说明其定位的地方：Biology-Instructions 上 55.71，SciReasoner 1.5 上 63.28，MolecularIQ 上 62.35，Mol-Instructions 上 53.95。与此并列的，还有一些拿得出手的通用成绩：MMLU Pro 上 89.77，MMMU Pro 上 81.68，HMMT-2026 上 93.56，SWE-bench-Pro 上 68.54。还有一行能说明这是哪一类模型——TerminalBench 2.1 上 64.04，而按照该实验室自己的表格，这个成绩输给了一个更早的闭源代际。Intern-S2-397B 是一台在通用方面也够格的科学仪器，而不是一个硬加上科学专长的通才模型。

GPT-6 Astra 的各项数据是什么，以及它在哪些方面最弱

Astra 的成绩分为两半，二者在侧重点上并不一致。Artificial Analysis 基于十项评估，在其当前的 Intelligence Index 上将其测得 53 分，每完成一项指数任务为 3.26 美元，在该次运行中生成约 6000 万个输出 token，而榜单中位数接近 8500 万个，输出速度为每秒 44.6 个 token。这是一项方法已公开的独立评估，它将模型在智能方面排在 216 个中的第 7 位，在速度方面排在 185 个中的第 168 位。

厂商那一半自成一表：在 FrontierMath Tier 4 上达到 98%，被描述为已使该层级饱和；在 ARC-AGI-3 上达到 99.9%；在 ExploitBench 上达到 100%，其中 Astra 是首个跨过该公司关键网络安全能力阈值的 OpenAI 模型；在 Terminal-Bench 4.0 上为 57.9%，而 GPT-5.6 Sol 为 37.3%。每个数字都可归因于 OpenAI，且无一得到复现。ARC-AGI-3 的那个数字流传最广，也最值得怀疑：ARC Prize 在两种评测框架下运行了该模型，并公布了两者，在标准评测框架下录得 62.7%，在一种会在请求之间保留推理状态的供应商适配器下录得 99.9%。这 37 个百分点的差距衡量的是评测框架，而不是丑闻——OpenAI 记录了两种设置——但任何拿 99.9% 去与另一个模型的标准评测框架数字相比较的做法，都是在比较两个实验，却将其称为基准测试。

这里还要再提一个不对称之处，因为正是它使得独立数字成为规划时该依据的那个数字。Intern-S2-397B 的卡片上根本没有独立一栏，所以它的数字就是唯一的数字，只承载厂商的权威，别无其他。Astra 两者都有，而它们在通用推理能力到底有多强上存在分歧，这种分歧不可能双方都成立——厂商表格说已达饱和，指数说排第七。

“自由重量”是明智之选

Intern-S2-397B 采用 Apache-2.0 许可，而实际后果与其说是许可问题，不如说是算术问题。已发布的检查点有 4030 亿参数，BF16 仓库大约占 807 GB——这还没算上服务栈、KV 缓存，或你为回滚保留的第二份副本。已有 FP8 构建，可将空间占用大致减半。该实验室将 LMDeploy、vLLM 和 SGLang 列为支持的服务器，其自带的工具调用示例是 LMDeploy 服务器上的一个 OpenAI 兼容端点，因此集成路径并不特殊。硬件才是。

这会从同一份许可证中产生两种截然不同的经济账。如果你已经拥有一台带闲置容量的多 GPU 节点，那么下一次科学查询的边际成本就接近电费，而任何按 token 计费的竞争对手都无法与之匹敌——这正是开放权重存在的全部理由。如果你不拥有它，“免费”就意味着购买或租用算力，而在租来的算力上，与按量计费 API 的比较就是一个关于利用率的简单算术问题，模型卡无法替你回答。Astra 在同一问题上的答案更简单：一张价目表、无需运维团队，以及定价为 $20.00 / $75.00 的长上下文档位，它恰恰惩罚了 1,050,000 token 窗口所招致的请求规模。

一个有利于自托管路线却容易被忽视的细节：正是 Apache-2.0 许可证，才让该模型在受监管环境中完全可用。在专有数据上进行微调、以气隙隔离方式运行，以及将推理保持在数据边界之内，这三件事是 Astra 的 API 无论出多少钱都无法提供的，而且没有任何一行基准测试结果能体现它们。

在像这样的配对中，路由器所处的位置

Intern-S2-397B 不在 OrcaRouter 上，本页面也没有声称它在；它是一个新的开放检查点，获取它的途径是供应商官方的 Intern API，或您自行部署。GPT-6 Astra 已在我们目录中，型号为 openai/gpt-6-astra，按 OpenAI 的标价透传，我们收取 0% 加价。

对于同时运行两者的团队来说，有用的形态是分流，而不是二选一，而这正是路由层存在的意义：把通用的、长上下文的、文档密集型的流量交给按量计费的模型，置于一个 OpenAI 兼容端点之后，而把科学计算和时序批处理工作留在你自己运维的检查点上。自动故障转移随后就能覆盖任一侧不健康的情况——节点掉线时的自托管链路、供应商路径降级时的 API 链路——而无需任何一方团队再写第二套集成。这是一条以路由规则划定的边界，而非架构上的边界。

哪一个

如果你的输入属于该模型所训练的那种特定科学范畴——图表密集的文献页面、分子与材料结构、时间序列信号——或者，如果 Apache-2.0 才是决定性属性，因为你的数据不能离开你的基础设施，那就选择 Intern-S2-397B。在预算其他任何东西之前，先为硬件做好预算，并且自己运行评估，而不是相信那张卡片，因为没有任何独立数值可供依靠。

如果你的工作是智能体式、长周期的，如果单次请求中 922,000 个 token 的输入是你实际会产生的形态，或者你需要一个独立的评分依据来向别人为这个决定辩护，那就选择 GPT-6 Astra。其每完成一个索引任务 3.26 美元的价格是本次比较中最高的数字，而它换来的是一个在执行这项工作时大约输出 6000 万个 token 的模型，中位模型则输出 8500 万个——这就是为什么按 token 价格来决定是错误的数字，而按已完成任务成本才是正确的。不要为短请求、高并发流量选择它，也不要在未重新运行成本模型的情况下越过 272,000 个 token 这条线，因为越过这条线会使整个请求的输入费率翻倍。

这两者并非彼此的替代品，原因也不在于基准分数。其中一个接受键入的传感器读数表格，另一个接受论文的扫描页面，而两者都没能把这两件事都做得足够好，好到让另一个变得多余。如果你的工作在某种程度上会同时产生这两者，那你其实已经知道组织里哪个团队负责哪一半。

发布也是回查以往出过哪些问题的时刻：围绕这一类模型，有记录的 AI 事故和智能体故障都汇集在 OrcaRouter AI 事故档案库中，其中每条记录都附有自己的信息来源、严重程度、置信度等级和争议标记。