GPT-6 Astra 對比 Intern-S2：各自實際上接受什麼

這次比較中的兩個模型都被描述為多模態，而這個詞在兩者身上幾乎都沒起到什麼實質作用。GPT-6 Astra由 OpenAI 於 2026 年 9 月 3 日發布，接受文字與圖像——以及檔案輸入，這是根據路由器列表所述，但 OpenAI 自家的文件並未確認。Intern-S2-397B則是上海 AI 實驗室 InternLM 團隊於 2026 年 9 月 13 日以 Apache-2.0 授權釋出的 4030 億參數科學模型，接受文字、圖像與時間序列訊號，其預測路徑是透過 LMDeploy 串接，而非走模型自帶的預設服務配置。兩者都不接受音訊。兩者都不接受視訊。真正有意思的問題不是哪一個更「多模態」，而是你的工作實際上產出的是這兩種輸入介面中的哪一種，因為兩者幾乎不重疊，而誰也無法取代誰。

兩個只是看起來相似的輸入介面

在實際工作負載會觸及的層面上對齊規格：

• 文字 — 兩者：GPT-6 Astra 在單一請求中最高支援 922,000 個輸入 token；Intern-S2-397B 在文字推理方面以最高 256,000 個 token 的推論長度進行評估

• 圖像 — 兩者皆是，但方式不同：Astra 會在同一個請求中，將圖像與長篇文件一併處理；Intern-S2-397B 則是經過預訓練，能以符號與視覺內容一起建模的方式閱讀科學文獻的原始頁面，而這是關於其訓練方式的說法，而非它能接受什麼

• 時間序列 — 僅限 Intern-S2-397B，透過其預測頭，目前經由 LMDeploy

• 檔案輸入 — 根據路由器清單為 GPT-6 Astra；OpenAI 自家頁面僅列出文字與圖像，因此將其視為未確認

• 音訊與視訊 —— 兩者皆非

• 輸出 — 兩邊都只能是文字，而且僅限文字

• 推理控制 — GPT-6 Astra 提供 reasoning.effort，可設為 low、medium、high、xhigh 與 max；Intern-S2-397B 預設開啟 thinking 運作，並可透過 enable_thinking=False 針對個別請求將其關閉

• 權重 — Intern-S2-397B 採 Apache-2.0 授權，提供 FP8 與 BF16 格式下載；GPT-6 Astra 為封閉原始碼，僅提供 API

時間序列那一列，對一部分買家而言是決定這場對決勝負的關鍵，對其他所有人來說則直接排除了這個選項。時間序列預測不是靠一段冗長的文字提示就能模擬出來的能力——輸入是數值資料，有其自身結構，而一個未曾在這類資料上訓練過的模型，不會因為你把數字序列化成提示詞就具備這項能力。如果那正是你的工作負載，這場比較已經結束，不需要任何基準測試表。如果不是，那一列就無關緊要，而本頁其餘內容才是你要讀的重點。

真正要緊的上下文編號是被評估的那個。

行銷頁面引用的是視窗；基準測試表引用的則是模型實際運行時的長度，而第二個數字才是能預測行為的數字。這裡的落差很說明問題。

GPT-6 Astra 的視窗為 1,050,000 個 token，最大輸入為 922,000，輸出為 128,000，而其文件記載的服務級距也誠實反映了使用成本：輸入超過 272,000 個 token 的請求，會重新計價為每百萬輸入 $20.00、輸出 $75.00，快取讀取為 $2.00、快取寫入為 $25.00，且適用於整個請求，而非僅超出的部分。低於這條線時，計價表顯示為 $10.00、$1.00 與 $12.50，輸出為 $50.00。

Intern-S2-397B 的模型卡是在方法論註記中、而非在標題處說明自身的限制：文字推理基準是以最大推論長度 256,000 個 token 執行，多模態基準則為 64,000 個。那並非該模型的上限——模型卡並未以買家能辨識的形式公布上限——但那是該卡上每一個數字產出時所用的長度。一項僅在 64,000 個 token 的圖像脈絡內展示過的能力，就是一項僅在 64,000 個 token 的圖像脈絡內展示過的能力；而一個印出相同分數卻未印出長度的頁面，等於只印出了一半的事實。

這正是這兩款模型都應得的嚴謹態度，而兩家廠商的資料都沒讓這件事變得容易。Astra 的廠商數據附帶了一套測試工具，會在某項基準測試上讓數據改變 37 分；Intern-S2 的數據則附帶了最大推論長度，而這個長度決定其中任何數據是否能轉移到你的工作負載。在閱讀任一張表之前，請先讀完兩邊的註腳。

Intern-S2-397B 的數字是多少，以及是誰產出的

以下每一項數字都是 InternLM 自家的，由訓練該模型的團隊透過 OpenCompass、VLMEvalKit 和 AgentCompass 跑出來，並隨權重一同發布。這些數字沒有任何一項經過獨立重現。Artificial Analysis 上沒有 Intern-S2-397B 的頁面，而這個缺席比平時更關鍵，因為這意味著沒有第三方可以拿來核對一般能力那幾列的表現。

科學類的列是模型表現最強、也是支持它的理由最明確的地方：Biology-Instructions 55.71、SciReasoner 1.5 63.28、MolecularIQ 62.35、Mol-Instructions 53.95。除此之外，一般能力的列也相當可觀：MMLU Pro 89.77、MMMU Pro 81.68、HMMT-2026 93.56、SWE-bench-Pro 68.54。還有一列能說明這是哪一類模型——TerminalBench 2.1 為 64.04，而根據該實驗室自家的表格，這輸給了較舊的閉源世代。Intern-S2-397B 是一具在一般領域也稱職的科學儀器，而不是一款硬加上科學專長的通用型模型。

GPT-6 Astra 的數字為何，以及它最弱的地方在哪裡

Astra 的表現紀錄分為兩半，而它們在側重點上並不一致。Artificial Analysis 在其現行 Intelligence Index 上，以十項評估測得 53 分，每完成一項指數任務花費 3.26 美元，在該次運行中產生約 6,000 萬個輸出 token，而排行榜中位數接近 8,500 萬，速度為每秒 44.6 個輸出 token。那是一項採用公開方法論的獨立評估，將該模型在智能方面列於 216 個模型中的第 7 名，在速度方面列於 185 個模型中的第 168 名。

供應商那一半自成一張表：在 FrontierMath Tier 4 拿到 98%，被形容為已使該層級飽和；在 ARC-AGI-3 拿到 99.9%；在 ExploitBench 拿到 100%，其中 Astra 是首個跨越該公司「關鍵網路安全能力」門檻的 OpenAI 模型；在 Terminal-Bench 4.0 拿到 57.9%，而 GPT-5.6 Sol 為 37.3%。每一項數字都歸因於 OpenAI，且沒有任何一項被重現過。ARC-AGI-3 的那個數字流傳最遠，也最值得懷疑：ARC Prize 在兩種測試框架下運行該模型並公布兩者，在其標準框架下錄得 62.7%，而在會保留請求之間推理狀態的供應商轉接器下錄得 99.9%。這 37 個百分點的差距是對測試框架的測量，不是醜聞——OpenAI 記錄了這兩種設定——但任何把 99.9% 拿去與另一個模型的標準框架數字相比的比較，都是在拿兩個實驗互比，卻稱之為基準測試。

這裡還應該再談一個不對稱，因為這正是為什麼應該以獨立數字作為規劃依據。Intern-S2-397B 的模型卡完全沒有獨立欄位，所以它的數字就是唯一的數字，而它們只承載了廠商的權威，別無其他。Astra 兩者都有，而它們對它在一般推理上有多好看法分歧，且這種分歧的方式是其中一個不可能在這點上有錯——廠商表格說飽和，指數說第七。

「自由重量」是一項重大決定

Intern-S2-397B 採用 Apache-2.0，而實際的後果與其說是授權問題，不如說是算術問題。已發布的檢查點有 4,030 億個參數，而 BF16 儲存庫大約佔 807 GB——這還不算上服務堆疊、KV 快取，或是你為了回滾而保留的第二份副本。FP8 版本確實存在，而且大約能將占用空間減半。該實驗室將 LMDeploy、vLLM 和 SGLang 列為支援的伺服器，而它自家的工具呼叫範例是 LMDeploy 伺服器上與 OpenAI 相容的端點，因此整合路徑並不奇特。硬體才是。

同一份授權會產生兩種截然不同的經濟效益。如果你已經擁有一台具備閒置產能的多 GPU 節點，下一次科學查詢的邊際成本就趨近於電費，而沒有任何按 token 計價的競爭者能勝過這一點——這正是開放權重存在的全部理由。如果你不擁有這種節點，「免費」就意味著要購買或租用算力；而在租用算力上，與按用量計費的 API 相比，這只是關於使用率的簡單算術問題，模型卡無法替你回答。Astra 對同一問題的說法更簡單：一張價目表、不需要維運團隊，以及 $20.00 / $75.00 的長上下文級距——而這恰好會懲罰 1,050,000 token 視窗所招來的請求規模。

有一個細節有利於自我託管這條路，而且很容易被忽略：正是 Apache-2.0 授權，才讓這個模型能在受監管的環境中發揮作用。以專有資料進行微調、在氣隙環境中運行，以及將推論留在資料邊界內，這三件事是 Astra 的 API 再高的價格都無法提供的，而沒有任何一列基準數據能反映它們。

在像這樣的配對中，路由器位於什麼位置

Intern-S2-397B 並不在 OrcaRouter 上，而本頁面也沒有聲稱它在；它是一個全新的開放檢查點，你取得它的途徑是供應商官方的 Intern API，或自行部署。GPT-6 Astra 已在我們的目錄中，名稱為 openai/gpt-6-astra，以 OpenAI 的定價表費率原樣轉嫁，我們的加成率為 0%。

對同時運行兩者的團隊來說，有用的形態是分流，而不是二選一，而這正是路由層存在的目的：把一般性、長上下文、文件密集的流量送往按用量計費的模型 置於單一 OpenAI 相容端點之後，並把你所維運的檢查點留給科學與時間序列的批次工作。自動容錯移轉接著能涵蓋任一端不健康的情況——當節點掉線時由自架的那條腿接手，當供應商路徑劣化時由 API 那條腿接手——而不需要任一團隊再寫第二套整合。那是一道以路由規則劃出的界線，而不是架構上的界線。

哪一個

若你的輸入在該模型受訓所針對的特定意義上屬於科學性質——圖表密集的文獻頁面、分子與材料結構、時間序列訊號——或是 Apache-2.0 是決定性條件，因為你的資料無法離開你的基礎架構，就選擇 Intern-S2-397B。先為硬體編列預算，再考慮其他任何支出，而且要自行執行評估，而不是相信模型卡，因為沒有獨立的數字可供依靠。

如果你的工作是代理式且長跨度的，如果單次請求中 922,000 個 token 的輸入是你實際會產生的形態，或者你需要一個獨立的計分板來向他人為這項決定辯護，就選擇 GPT-6 Astra。它每完成一項索引任務的 $3.26 是本次比較中最高的數字，而它換得的模型在執行該工作時大約輸出 60M 個 token，中位數模型則輸出 85M——這就是為什麼按 token 計價是錯誤的判斷依據，而按完成任務計價才是正確的。不要為了簡短、高流量的流量選擇它，也不要在未重新執行成本模型的情況下跨越 272,000-token 這條線，因為跨越該線會使整個請求的輸入費率加倍。

這兩者並非彼此的替代品，而原因不在於基準分數。它們一個接受的是鍵入的感測器讀數表格，另一個接受的是掃描的論文頁面；而兩者都無法把兩種輸入都處理得夠好，足以讓另一方變得不再必要。如果你的工作不知怎麼地會同時產出這兩者，你早就知道組織裡哪個團隊負責其中哪一半。

發布也是檢查過去出了什麼問題的時機：與這類模型相關、已記錄在案的 AI 事故與代理失效，都彙整於 OrcaRouter AI Incident Archive，其中每筆條目都附有各自的來源、嚴重程度、信心等級與爭議標記。