“Sage-S2.1-Flash vs Qwen 3.8 Flash”对比图的头图标题卡,副标题为“One has a price list. The other has 645 GB of weights and an empty model card”,三张卡片分别写着“321B total / 18B active”、“645 GB BF16 / 8x H200 to serve”和“/bin/bash.15 in / /bin/bash.47 out per 1M tokens”,页脚注明 Sage-S2.1-Flash 的数据来自其 Hugging Face 仓库,Qwen 3.8 Flash 的价格来自 QwenCloud 2026 年 11 月 16 日的标价;右下角合成有 OrcaRouter 标志。
Guides & Insights

Sage-S2.1-Flash 对比 Qwen 3.8 Flash:八块 H200 对阵十五美分

作者

Gideon Frost

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

面向Sage-S2.1-Flash的模型卡只有二十一字节长。开头是一个许可证标头,写着 license: mit,然后就结束了。没有简介,没有基准测试表,没有上下文长度,没有预期用途,没有联系地址。仓库本身并非空无一物——有 120 个 bfloat16 权重分片,总计约 645 GB,外加一个配置文件、一个聊天模板、一份部署指南和五个小型科学适配器文件夹——但读者通常用来判断是否值得关注的一切都被省略了。权重于 2026 年 11 月 15 日上传,并一直修订到 16 日。InternLM 是上海人工智能实验室的模型组织,它没有发布任何消息:没有博客文章,没有论文,也没有在该系列自己的网站上发布帖子。截至撰写本文时,该仓库显示当月下载量为零、一个赞,且没有推理服务商为其提供服务。

Qwen 3.8 Flash是截然相反的一类对象。Alibaba 自 2026 年 8 月 26 日起通过 QwenCloud 以每百万输入 token 0.15 美元、每百万输出 token 0.47 美元的价格出售它,公布了其速率限制和工具列表,以 Qwen3.8-Flash-Next 之名发布了开放权重,并在那张卡片上放了一张十二行的基准测试表。它已在 OrcaRouter 上以 qwen/qwen3.8-flash 按供应商自己的标价上线。你可以在接下来三十秒内给它发送请求。

所以,这并不是在比较两个你能买到的模型。它比较的是一个有公开标价的廉价托管模型,和一个拥有 3210 亿参数的开放权重专家混合模型——后者没有价格、没有评分,也没有发布公告。而真正的问题并不是哪一个更好,因为目前没人能回答这一点。问题在于:为这个尚未被测量的模型搭建八张 H200,是否比按每百万 token 15 美分为那个已被测量的模型付费更划算;以及对多少团队来说,这个问题的答案会是有意义的肯定。

Sage-S2.1-Flash 仓库究竟证明了什么

先讲事实,因为事实比那张空白卡片所暗示的要丰富得多。权重索引中的参数数量为 321,323,031,390,部署指南将其四舍五入为“320B-A18B”——总参数 3200 亿,每个 token 激活 180 亿。文本配置包含 45 层,其中 34 层是门控 delta-net 类型的线性注意力层,11 层是 DeepSeek 谱系的稀疏注意力层;共有 288 个路由专家,每个 token 会激活其中八个外加一个共享专家;隐藏维度为 4,096,词表大小为 154,880 个 token。最大位置嵌入设置为 1,048,576。

A two-column comparison scoreboard titled 'Sage-S2.1-Flash vs Qwen 3.8 Flash — the scoreboard': the left column Sage-S2.1-Flash reads Parameters '321B total, 18B active', Context '1,048,576 configured', Input price 'no hosted endpoint', Output price 'no hosted endpoint', Licence 'MIT, ungated', Published benchmarks 'none'; the right column Qwen 3.8 Flash reads Parameters '125B plus 51B n-gram, 6B active', Context '1,000,000 tokens', Input price '$0.15 per 1M', Output price '$0.47 per 1M', Licence 'Qwen community licence', Published benchmarks '12 rows, unreproduced'; the footer reads 'Sage-S2.1-Flash figures read from its repository; Qwen 3.8 Flash per Alibaba, vendor-reported.'; the OrcaRouter logo is composited in the bottom-right corner.

许可证是 MIT,仓库中没有可接受使用附加条款。这一点值得停下来想一想:一个采用宽松许可证的 321B 多模态 MoE,下载没有任何门槛,这比围绕它的沉默所暗示的要罕见得多。

这条传承关系可核查,且略令人意外。架构字符串是 glm5_next,类别是 Glm5NextForConditionalGeneration,部署指南明确说明该模型使用 GLM-5.3-Flash 架构,并且后续应遵循的框架配方是官方 GLM-5.3-Flash 配方,只需替换模型路径。更早、更大的 Sage-S2.1——753B 参数,架构为 glm_moe_dsa,仍附带一张“Atria Dawn”模型卡,称其基于 744B GLM-5.2 骨干构建——则是完全不同一代的骨干。Flash 不是蒸馏版 S2.1。它是一个新的、更小的模型,基于来自不同实验室的更新架构,却沿用同一家族名称。

这个家族名称本身就是一个移动靶。旧的 internlm/Atria-Dawn 仓库现在会重定向到 internlm/Sage-S2.1,而重定向目标页面的卡片在每个标题中仍然写着“Atria Dawn”——更名已经发生,但文档没有跟上。今年早些时候读过 Atria Dawn 相关报道、现在又在找“Sage”的人应当明白,它们是同一个仓库的两个名字,而 Flash 是它新推出的、更精简的同系列成员。

projectors/sage-s2.1-flash/ 下放着五个小文件夹——cif/jarvis、dna/splice、ecg/phu01、eeg/neu06、protein-seq/mpbind——每个文件夹都包含一个配置文件和一个 4 到 28 兆字节的投影器,用于将科学特征流映射到主干模型的 4,096 维空间中。晶体结构经过 CHGNet 0.3.0 编码器处理,每个原子对应一个 64 维状态。蛋白质序列经过 ESM2-t33-650M 处理,每个残基对应一个最后一层状态。DNA 适配器是基于三个特征进行任务适配的 DNABERT2 读出;ECG 和 EEG 适配器同样很小,并且针对特定任务。全部五个适配器的权重开销总计不足 90 MB,而语言模型为 645 GB。

那些配置文件还泄露了模型卡所隐瞒的来源信息。它们标明了骨干检查点目录、训练运行的日期戳,以及一个读数为 sage-s2.1-flash-hf111-bf16-norm-261113 的指纹——2026年11月13日,比权重出现早两天。这里的谱系就是这样确立的:不是来自新闻稿,而是来自打包时忘记删除的一个配置字段。

Qwen 3.8 Flash 发布了什么,以及没有发布什么

这种对比的关键不在于 Qwen 诚实而 Sage 不诚实,而在于一个厂商为其产品编写了文档,另一个还没顾得上做这件事。阿里巴巴为 Qwen 3.8 Flash 提供的模型卡明确列出:1,000,000 token 的上下文、991,000 token 的最大输入、131,072 token 的最大输出,以及 262,144 token 的推理预算;支持文本、图像和视频的多模态输入并输出文本;支持函数调用、结构化 JSON 输出、前缀补全、上下文缓存、批处理和微调;同时支持 OpenAI 和 Anthropic 的请求协议,因此它可以原样接入 Claude Code 和 Codex。

其背后的开放权重产物是 Qwen3.8-Flash-Next,于 2026 年 8 月 24 日发布:1250 亿参数,其中 60 亿激活;外加一个 510 亿参数的 n-gram 嵌入表和一个 40 亿参数的多 token 预测头;48 层按“三个门控 DeltaNet 块加一个稀疏注意力块”的模式重复十二次排列;512 个专家,每个 token 激活十个路由专家加一个共享专家;原生上下文为 262,144 个 token,可扩展至一百万。A​libaba 将托管的 Qwen 3.8 Flash 描述为该架构加上生产级特性——默认的 1M 窗口和内置工具是新增部分。权重遵循 Q​wen 社区许可证,而非 MIT。

那张卡片上的基准测试表是厂商自行报告的,尚未经过独立复现。请带着这个标签来看:DeepSWE 1.1 为 58.7,SWE-bench Pro 为 62.5,SWE-bench Multilingual 为 81.0,NL2Repo-Bench 为 48.1,CoWorkBench 为 73.9,JobBench 为 55.7,Toolathlon Verified 为 73.5,IFBench 为 81.3,GPQA Diamond 为 91.7,HLE 为 35.9,LiveCodeBench v6 为 91.9,Agents' Last Exam 为 24.3 pass@1、得分 51.2。这些数字是 A​libaba 在一组包含 397B 前代模型和一款 Claude 模型的对比集中给自己批改作业的结果。但它们仍然远多于 Sage-S2.1-Flash 所能提供的——后者什么都没有。

A screenshot of the Hugging Face repository page for internlm/Sage-S2.1-Flash, captured in English on 16 November 2026, showing the YAML frontmatter line 'license: mit', the Safetensors format tag with the repository's parameter count, and the file listing that includes the chat template, on a repository whose model card has no description, no benchmark table and no intended-use statement.

从真正影响购买决策的各个维度将两者并排对比:

• 总参数量 — Sage-S2.1-Flash 321B,其中每个 token 激活 18B;相比之下,Qwen 3.8 Flash 为 125B 外加 51B 的 n-gram 表,其中激活 6B

• 上下文——配置为 1,048,576 个 token,而发布值为 1,000,000 个;Qwen 侧最大输入为 991,000 个,最大输出为 131,072 个

• 输入价格——Sage-S2.1-Flash 没有此项,因为没有任何服务提供它,而对比价格为每百万 token 0.15 美元

• 输出价格——无,对比每百万 0.47 美元;在我们的列表中,缓存读取为每百万 0.0184 美元

• 许可证 — MIT,无限制,相较于 Qwen 社区许可证

• 已发表的评估——零项基准测试,对比供应商的十二行表格,且未复现

• 服务权重 — 在 120 个分片中共计 645 GB bfloat16,或在 FP8 同类版本中为 328 GB,相比之下托管端点则有所不同

看似价格比较,实为资本支出问题

Sage-S2.1-Flash 没有按 token 计价的价格可与 $0.15 对比,因为该模型在任何地方都没有托管端点。它有的是一项服务要求:根据部署指南自身的参考配置,bfloat16 检查点需要八块 H200。因此,这不是美分对美分的比较,而是租金对 token 的比较,最终归结为一个无人公布过的数字。

以每 GPU 小时 3 美元作为一个有代表性的 H200 价格——这是一个假设,不是报价,而且这个数字会因云服务商和承诺用量而变化。八块这样的 GPU 就是每小时 24 美元、每天 576 美元,在你处理哪怕一个请求之前,每月大约就是 17,500 美元。按照 Alibaba 的费率,576 美元可以购买 38.4 亿个输入 token 或 12.3 亿个输出 token。因此,盈亏平衡的问题是:你的流量原本是否会在 Qwen 3.8 Flash 上每天花费超过 576 美元——大约相当于每天持续消耗 38 亿个输入 token 的量。

只有当你知道 Sage-S2.1-Flash 在八块 H200 上每秒能生成多少 token 时,这个比较才成立。没有人测过这一点,代码库中也没有说明。激活参数数量能给你一个粗略的直觉——18B 激活参数对 6B 激活参数,暗示 Sage 模型每生成一个 token 的计算成本大约是后者的三倍——但直觉不是吞吐量数字,而没有这个数字,上面的盈亏平衡计算两边就都有未知数。同系列的 FP8 版本将常驻权重从 645 GB 降到 328 GB,这改变的是你所需的硬件;它并不能告诉你结果运行得有多快。

对大多数团队来说,这个未知项本身就是全部论点所在。一个你无法针对吞吐量进行基准测试的模型,就是一个你无法核算成本的模型;而一个你无法核算成本的模型,就不是生产路径的候选者——它是一个研究对象。这并不是对这次发布的批评;这正是"未经预告的发布"的用意所在。

证据的不对称性,直白地说

两个模型,两种证据失效模式。Qwen 3.8 Flash 有厂商报告的基准测试成绩,以及八十二天的第三方使用,这意味着它的数字未经审计,但它的行为至少是可观察的:有人在运行它、报告它,并公开触及其极限。Sage-S2.1-Flash 两者皆无。其 645 GB 权重比泄露或截图更能证明一个真实模型的存在——这是已交付的产物,不是传闻——但权重证明的是存在,不是质量。

如今依然无从得知的具体事项有:Sage-S2.1-Flash 在任何基准上的得分如何;它的解码速度有多快;它的 1M 位置嵌入在长序列下是否依然站得住脚,还是会像大多数长上下文扩展那样出现退化;其配置中的视觉塔(vision tower)是按生产标准训练的,还是从主干模型沿用过来的;科学投影器(scientific projectors)的评测是否超出了它们自身的训练分布;以及 InternLM 对托管版本是否有意收费、若收费收多少。这个代码仓库对这些问题的答案一个都没有。任何告诉你相反说法的人,都是在根据主干模型的声誉做外推——那是一个合理的先验,而不是一次实测。

模型究竟是用来做什么的

投影器就是破绽所在。没有人会事后随手把五个科学模态适配器硬拧到一个通用聊天模型上;文件夹结构、各任务的提示模板以及编码器的选择都表明,这个模型从设计之初就是为了把晶体、剪接位点、心脏信号、脑信号和蛋白质序列当作一等输入来读取,而不是把它们当作这些事物的文本描述。晶体结构被标记化为原子状态,上限为 512 个原子;蛋白质序列带有逐残基状态,并可选配一个科学读出头;DNA 适配器则是对单一对象的概率读出。

Qwen 3.8 Flash 不这样做。它能读取图像、视频和文本,并且在视觉基准测试上给出了公开数据——CharXiv、MathVision、ERQA、LVBench、OSWorld 2.0——但以 PNG 渲染出来的晶格并不是晶格。如果你的工作负载是结构生物学、材料筛选或生理信号分析,那么诚实的解读是:这两个模型并不是在争夺同一项工作,Qwen 的比较只是一个价格锚点,而不是替代品。如果你的工作负载是文本和代码,那么投影器就无关紧要,而 Sage-S2.1-Flash 是一个 321B 的聊天模型,没有显卡。

关于多模态问题需要提醒一点,因为这套配置容易让人过度解读。该仓库包含一个 24 层视觉塔,隐藏维度为 1,024,输入为 448 像素,patch 为 14 像素,还包含图像和视频的起始与结束 token,以及一个带有图像、视频和音频槽位的聊天模板。但该模板是 GLM-5.3 系列模板,音频槽位没有对应的音频配置,而部署指南中唯一针对媒体的说明是关于图像出现在工具结果中的情况。应将该视觉塔视为已存在但未文档化:权重在设计上可接受文本之外的内容,而该发布版本打算让你向它输入什么,并未说明。

摩擦力,它不为零

自托管 Sage-S2.1-Flash 并不是把 vLLM 指向某个代码仓库那么简单。部署指南提出了三项要求,而第二项才是棘手的那一项。

• --trust-remote-code 在每个引擎上都是必填项——该仓库自带自己的 tokenizer 和 processor,如果没有这个标志,引擎会静默加载一个原版 tokenizer,它会把 <tool_call> 这样的字符串编码为控制 token 而不是文本,从而在毫无警告的情况下破坏推理和工具调用

• vLLM 0.33.0 需要为 vllm/renderers/hf.py 提供一个补丁,因为当并行工具结果未按调用顺序返回时,模板会按调用顺序渲染这些结果,而 vLLM 会按消息顺序收集它们的图像,从而在不知不觉中把每张图像附加到错误的结果上;上游修复仍是一个草稿拉取请求

• LMDeploy 需要 5.17 至 5.19 之间的 transformers,因为 5.19 重命名了层类型,引擎将不再接受该层类型;SGLang 需要 0.5.20 或更高版本,并且必须显式传入仓库中的聊天模板,否则 SGLang 会为该架构安装它自带的内置模板

其中每一项都是针对一个才发布一天的模型而记录在文档中的变通方案,而指南也坦率地说明这些框架仍在变化。这些都没有不合理之处;但它们全都是 Qwen 3.8 Flash 并不需要的工程时间,因为在托管侧,它只需要一个 base URL 和一个 API key。

一把钥匙,两种截然不同的承诺程度

Qwen 3.8 Flash 已在 OrcaRouter 上线,型号为 qwen/qwen3.8-flash,按阿里巴巴的目录价提供 无加价直通——每百万输入 token 0.15 美元,每百万输出 token 0.47 美元,每百万缓存读取 0.0184 美元,上下文长度为 1,000,000 token,输出上限为 131,072 token。QwenCloud 自己的页面标注隐式缓存变体为 0.016 美元;直通规则意味着无论阿里巴巴如何调价,你都能当天生效,而不是等到下一次合同续约。Sage-S2.1-Flash 不在目录中,也没有任何服务提供它,因此这里没有通往它的路由,也没有理由假装有。

A screenshot of the OrcaRouter model page for qwen/qwen3.8-flash, captured in English on 16 November 2026, showing the model name and model id, the per-million-token input and output pricing, the context window and maximum output limits, and the API access details for the model.

在这种情况下,路由层真正擅长的是让评估保持成本低且可逆。如果你有自己的硬件,就在上面运行 Sage 实验,把 Qwen 3.8 Flash 保留为生产路由,并让 故障转移链位于这条新路径之后,这样一张空卡上的模型在它处理真实流量的第一天就绝不会成为单点故障。同样的思路也适用于更难的问题——模型融合,即由一个模型小组用多个模型回答同一个提示,再由裁判模型来调和它们,这是弄清楚一个 321B 科学 MoE 是否值得其租用成本的最便宜方式:你不迁移,而是两边都问,然后阅读答案。

谁应该选哪个

如果你本季度要交付文本或代码,Q​wen 3.8 Flash 就是站得住脚的选择,而 Sage-S2.1-Flash 根本算不上一个选项。Q​wen 模型每个 token 的成本比同能力水平的几乎任何模型都低,文档足够完善、可据此制定规划,许可证足够清晰、可部署,而且可在公开环境中观察。它的基准测试结果出自 A​libaba 自己,应被视为一种宣称;但一份宣称加上其他人八十二天的经验,胜过一片沉默加上无人积累的三天。

如果你从事结构生物学、蛋白质设计、材料或生理信号方面的工作,这笔账就要反过来算。Sage-S2.1-Flash 仓库里的五个 projector,是 Qwen 3.8 Flash 乃至大多数开放模型在任何价位都不提供的能力,许可证是 MIT,而硬件要求——八块 H200,若用 FP8 checkpoint 还可更少——本就在研究组已有的成本之内。正确的做法是把它下载下来,跑一遍仓库自带的 CPU 侧 projector 检查,然后测量它没有告诉你的两件事:在你的硬件上的解码吞吐量,以及在你自己的留出集上的准确率。这是一周的工作量,而这是让这个模型从一件新奇玩意儿变成一项决策的唯一途径。

第三种情况是最大的一个。如果你只是好奇,正确的做法是等待模型卡。当 InternLM 发布模型卡时,真正重要的数字将是这个仓库无法提供的那些——吞吐量、长上下文退化、视觉塔是否启用,以及投影器在其训练分布之外的得分。在此之前,Sage-S2.1-Flash 是一个真实存在的产物,其规格说明尚未被解读;它最有用的地方在于权重存在、无需门控且采用 MIT 许可——这意味着当有人真正测量它时,你无需获得许可就能核查他们的工作。

本文中的对比2

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新