一个标题卡,上面写着 NVIDIA Nemotron 3.5 Super VL 120B 对比 Intern-S2-397B,配有四个数据面板,分别给出:Intern-S2-397B 的 403B 总参数,跨 60 层、每 token 激活 10 个参数;其约 188 个分片中共约 807 GB 的 BF16 与 F32 权重;其 Apache-2.0 许可证,对比 Super VL 的 OpenMDW-1.1;以及 Super VL 的 1M token 上下文,对比 Intern-S2-397B 的 256K 文本窗口(多模态评估时为 64K),角落里还有一个 OrcaRouter 标志。
Engineering & Research

NVIDIA Nemotron 3.5 Super VL 120B 与 Intern-S2-397B:两个开放视觉模型,其中一个你今天就能实际调用

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

这两个模型都是开放权重,都是多模态,都以 Apache 风格或 OpenMDW 许可证授权用于商业用途,而且都是那种下载而不是订阅的东西。决定大多数评测的差异,并不在任一规格表上。Intern-S2-397B是 InternLM 的 4030 亿参数旗舰模型,于 2026 年 9 月 13 日在 Hugging Face 上发布,它有一个厂商托管的 API,你在读到它的当天就可以让一个 O​penAI 兼容客户端指向它。N​VIDIA N​emotron 3.5 Super VL 120B A12B于 2026 年 10 月 12 日上传到 Hugging Face,并在 15 日 N​VIDIA 的公告中得到确认,却没有:N​VIDIA 没有在任何路径上为其公布端点,也没有公布按 token 计费的价格,包括其自家的 NIM 微服务。所以,其中一个你只需一个 token 就能在今天下午开始评测,而另一个在发出第一个提示之前就需要一台 H200 或四台 H100。这个差距比基准测试表上任何 7 个百分点的差距都更有价值。

部署场地,并排呈现

从这里开始,因为在讨论质量之前,这一步就已经为大多数读者排除了这些模型中的一个。

• 总参数与激活参数——Intern-S2-397B 总参数 403B,每个 token 有 10 个激活参数,跨 60 层与 512 个专家;Nemotron 3.5 Super VL 120B A12B 总参数 120B,每个 token 有 12 个激活参数,跨交错的 Mamba-2、MoE 与注意力层。

• 磁盘上的权重体积 — Intern-S2-397B 约为 807 GB,分布在大约 188 个 BF16/F32 分片中;Super VL 的 BF16 构建只占其一小部分,而 NVFP4 构建小到足以在单台 DGX Spark 上运行。

• 最小可行硬件 — Intern-S2-397B 需要真正的多 GPU 集群;Super VL 采用 BF16 时需要 4× H100 或 2× GB200,或者采用 NVFP4 时需要一块 H200、一块 GB200、2× H100 或一台 DGX Spark。

• 托管访问 — Intern-S2-397B 位于供应商自有的 Intern API 上:chat.intern-ai.org.cn/api/v1,模型 ID 为 intern-s2-397b,文档标明其兼容 OpenAI、兼容 Anthropic;而 Super VL 没有任何一方公布过端点。

• 许可证 — Intern-S2-397B 采用 Apache-2.0;Super VL 采用 OpenMDW-1.1。两者均允许商业使用。

• 上下文 — Intern-S2-397B 为 256K tokens,多模态评估时为 64K;Super VL 为 1M tokens。

• 视频输入——Super VL 接受时长不超过两分钟的 MP4,并按帧采样;Intern-S2-397B 已记录的模态为文本、图像和原始信号数据。视频不在其中。

把那份清单读两遍,轮廓就清晰了。Intern-S2-397B 是更大、更早、更偏科学研究的模型,带有一个托管入口。Super VL 则是更小、更新、更易部署的模型,拥有更长的窗口并支持视频,而且目前完全没有入口。

Intern-S2-397B 究竟为何而打造

InternLM 将该模型描述为沿三个维度扩展,而第一点是一个值得理解的技术主张:视觉-语言预训练直接在科学文献的原始页面上进行,在共享的表示空间中联合建模符号语义与视觉关系,且没有任何中间解析步骤。图、表、光谱以及描述它们的句子被一起学习,而不是先提取文本、事后再附上图像。

这种设计体现在 InternLM 选择主推的基准测试中,也正是这两个模型的视觉指标不能互换的原因。Intern-S2-397B 的模型卡报告 ChartQAPro 71.12 和 MMMU Pro 81.68,并在科学专项得分上领先——Biology-Instructions 55.71、Mol-Instructions 53.95、MolecularIQ 62.35、SciReasoner-1.5 63.28、TOMG-Bench 66.76。Super VL 的模型卡则主打 OCR-Reasoning 65.08、OCRBench-v2 英文 68.12 和中文 59.15、MMLongBench-Doc 62.82、CharXiv-RQ 80.82 以及 MathVision 78.16。不同的任务、不同的训练分布,而且这两组结果都没有被独立复现。

第三条轴线使 Intern-S2-397B 在智能体工作负载中显得不同寻常:在沙箱环境中进行黑盒智能体强化学习,智能体通过多个框架接入,并明确以长时程任务上限为目标。N​VIDIA 对 Super VL 的对应说法则是一条后训练流水线,其终点是带可验证奖励的强化学习与多教师同策略蒸馏,并在 SWE-bench 和 tau2-bench 上进行评估。两者都是对方法的断言,而非对结果的测量。

两家竞争对手都不具备的信号输入能力

Intern-S2-397B 将原始信号数据——.npy、.csv 和 .wav——作为与文本和图像并列的一等输入类型,并提供了有文档记录的地震事件示例,可检测 P 波与 S 波的到达索引,还能通过 forecast_horizon 参数进行点预测和分位数预测。该功能目前仅支持 LMDeploy,且属于推理时特性,而非基准测试结果。

这场对比中没有任何模型能做到类似的事情,闭源前沿模型也不例外。如果你的工作涉及传感器迹线、地震数据,或需要与图像和文本一同推理的时间序列预测,那么在这两个模型之间,Intern-S2-397B 并不是更优选择——它是唯一的选择,而 807 GB 的权重就是入场费。

基准,每项均附有来源

两个模型都没有一份干净的独立评测,而两家厂商的表格在哪怕一行上也不重叠,因此下文是对各方说法的解读,而非排名。

Intern-S2-397B,所有数据均由 InternLM 在其自有测试框架(OpenCompass、VLMEvalKit、AgentCompass)上以厂商口径报告,未经复现,并以 GPT-5.5 作为闭源参照: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 和 FrontierScience-Research 55.00。Artificial Analysis 在发布时没有 Intern-S2-397B 的条目,中立排行榜上也没有收录——此后这一空白可能已被填补,在依赖其中任何一项数据之前,值得先核实。

Nemotron 3.5 Super VL 120B A12B,数据来自两个来源。NVIDIA 在 NeMo Gym 上报告的厂商自测数据:SWE-bench Verified 71.10、SWE-bench Multilingual 67.72、SWE-bench Pro 51.78、tau2-bench 零售 69.24 与航空 76.50、BrowseComp 78.91、GraphWalks 89.71、GPQA-Diamond 89.52、无工具条件下 HLE 31.79、OCRBench-v2 英语 68.12、MMLongBench-Doc 62.82、Video-MME-v2 32.85。由 Artificial Analysis 进行的小组实测,也是整篇文章中唯一一个独立产出的数字:智能指数 26.49,Terminal-Bench 4.0 为 0.0,实测幻觉率为 0.3585。

第二块内容中有两点值得指出。NVIDIA 的 Terminal-Bench 2.1 数值在模型卡上显示为 66.70,而在技术报告的汇总表中为 60.67,且这些文档中的所有其他行都一致——两者中必有一个是错的,在重新运行这些配方之前,两者都不宜引用。而该面板在 Terminal-Bench 4.0 上的 0.0,与 Intern-S2-397B 由厂商报告的 TerminalBench 2.1 成绩 64.04 相对照——后者是其自家实验室在另一套测试套件上测得的——提醒我们:即使名称看起来相似,终端智能体得分在不同测试框架之间也不具可比性。

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.

为什么 1M token 窗口相比 256K 并不是七位数的胜利

规格表显示,Super VL 可处理 100 万 token,Intern-S2-397B 可处理 256K,多模态评估则为 64K。这看起来像是 NVIDIA 模型的一场碾压式胜利,直到你加上该评测面板的长上下文召回率数据:在 AA-LCR 上为 0.69。一个拥有百万 token 窗口、长上下文得分却低于 1 的模型,是那种能吞下百万 token、却未必能在长文本远端派上多大用场的模型。

Intern-S2-397B 的 256K 在文档中标明:文本推理为 256K,多模态为 64K;而 InternLM 完全没有公布任何长上下文召回率数据。所以诚实的立场是:一个模型拥有更长的窗口,但其上测得的召回率很差;另一个模型窗口更短,且没有任何测量数据。如果长上下文召回对你的工作负载至关重要,那么这两个模型都不应仅凭其上下文长度而被选中。

可用性,以及当两个模型都不在我们的目录中时,OrcaRouter 如何适配

Intern-S2-397B 和 N​VIDIA N​emotron 3.5 Super VL 120B A12B 目前均未由 OrcaRouter 提供服务,本文也不会暗示情况并非如此。Intern-S2-397B 可通过厂商自有 API 访问,也可借助 LMDeploy、vLLM 或 SGLang 自行托管,部署方案随模型卡一并提供。Super VL 仅支持自行托管——N​VIDIA 的 NIM 微服务是官方公布的路径,且尚未为其发布任何端点或价格。

当你想用的模型不在网关上的时候,网关究竟还有什么价值?对此有一个明确的答案:它就是流水线其余部分已经所在的地方。必须留在你网络内部的文档分诊,运行在你自己部署的 Intern-S2-397B 或 Super VL 上;而围绕它的抽取、分类和摘要调用,则通过同一个密钥运行在托管模型上。路由 DSL 正是让这条边界保持清晰可辨的关键——它以提示词上的条件来表达,而不是作为埋藏在应用代码里的一个分支——而自动故障转移意味着,自托管的那一半出故障时,请求不会跟着一起失败。零加价在这里的意义更为平淡:你的流水线中托管的那一半今天成本是多少,在这里就是多少,因为服务商标价原样透传。

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

在两者之间选择

如果你需要今天就能运行而无需购买硬件,如果你的领域是科学文献和图表,如果原始信号或时间序列输入是工作负载的一部分,或者如果供应商维护的托管端点对你来说比部署控制权更有价值,那就选择 Intern-S2-397B。807 GB 的权重是一项实际成本,但托管 API 意味着你可以在付费之前先确认该模型是否足够好。

如果输入是视频,如果你拥有的是一块 H200 或一台 DGX Spark 而不是一整个集群,如果模型需要部署在你自己的网络内部,或者你打算进行微调,那就选择 Nemotron 3.5 Super VL 120B A12B——NVIDIA 在发布权重的同时发布了后训练数据集和 NeMo Gym RL 环境,而这是该发布中更具可复用性的一半。在正式采用之前,先让你自己的文档集跑一遍 NVFP4 构建版本,并专门测试长上下文召回,而不是轻信 1M token 这个数字。

如果你真正需要的,是一个可以依赖、有独立评测支撑的模型,那么眼下两个都先别选。Intern-S2-397B 的各项数字全部出自厂商自报,其评测面板的覆盖范围也不清楚;Super VL 只有唯一一个第三方评分,而且只是一个单一的指数值。两个开源视觉模型,发布时间相差约六周,基准测试表格都未见复现,也都没有以你能加以对比的方式登上中立榜单——负责任的做法,是用你自己的文档对它们做基准测试,而厂商 API 正是让这件事的一半变得便宜的关键。

值得关注的是:Intern-S2-397B 的一条独立评审小组条目,这将使其整张卡片从主张变为证据;Super VL 的价格与端点,这将把 H200 从入选要求中移除;以及来自 NVIDI​A 的更正后的 Terminal-Bench 数据,这将解决该厂商自己两份主要文档相互矛盾的那一处问题。

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.

这一切都不是回避该模型的理由,而只是了解其历史的理由:这一类模型背后有记录的 AI 事件和智能体故障,都收集在OrcaRouter AI 事件档案其中每条记录都带有各自的来源、严重程度、置信等级和争议标记。