Muse Wonder 對上 Intern S2：1,048,576 個 Token 對比 256K，而且沒有共用的尺規

Intern-S2-397B 與 Muse Wonder 從未有人將兩者相互評測過。這不是研究上的空白——而是關於這兩個模型各自如何誕生的結構性事實。InternLM 於 2026 年 9 月 13 日發布 Intern-S2-397B，作為 Apache-2.0 開放權重檢查點，用於科學智慧與長時程代理，完全由其自家開發者進行基準測試，完全沒有第三方評分。Meta Superintelligence Labs 於 2026 年 10 月 12 日開始透過 Meta Model API 和 Muse Code 銷售 Muse Wonder，而它恰好只有一列獨立評估者的評分。因此，以下每一項都需要標明每個數字落在圍籬的哪一側，而這兩個模型在某件比基準測試分數更基本的事情上並不一致：脈絡視窗的用途是什麼。Muse Wonder 的 1,048,576 個 token 是固定、計價、單一回應的預算。Intern-S2-397B 的則被拆分——256K 用於文字推理，64K 用於多模態輸入——存在於一個你下載而非呼叫的檢查點上。

這個比較真正有用的重點，不在於哪個模型勝出，而在於：其中一個是能在你自己環境內運作的科學文件工作工具，另一個則是租來的通才，有著非常大的固定費率使用窗口。這是兩種不同的採購。

每個模型實際上是什麼

Intern-S2-397B 是上海人工智慧實驗室的 InternLM 旗艦模型，於 2026 年 9 月 13 日以 Apache-2.0 授權釋出。名稱帶有 397B；模型卡顯示總參數量為 4030 億，而這項差異正是公開打造檢查點所會累積出的那種不一致。在架構上，它是標準的專家混合 Transformer——60 層、512 個專家，每個 token 啟用 10 個——而它最受矚目的主張，是一種預訓練範式：直接一同讀取科學文獻的原始頁面、圖表、版面、符號標記與散文，而不是先把文字解析出來。在此基礎上，它將強化學習擴展到二十多個科學領域，並加入在沙盒環境中的長時程代理訓練。它接受文字、影像與時間序列輸入，會從時間序列路徑產生預測，可在 LMDeploy、vLLM 與 SGLang 上提供服務，支援工具呼叫，且預設會進行思考，除非你在每次請求時傳入 enable_thinking=False。在 BF16 下，該檢查點約為 807 GB，因此要自行託管，就代表需要一台規模可觀的多 GPU 節點。

Muse Wonder 是 Meta Superintelligence Labs 於 2026 年 10 月 12 日推出的前沿發布，以雙檢查點系列的形式發表。只有 muse-wonder-1.0 提供按 token 計價的端點，位於 Meta Model API 及 Muse Code 內；而得分較高的組態 Muse Wonder Full，僅透過 Muse Code 訂閱販售，並無公開價目表。可呼叫的檢查點接受文字、圖像、語音與影片輸入，回傳文字，具備 1,048,576 個 token 的上下文視窗，單次回應上限為 943,718 個 token，價格為每百萬輸入 token 4.00 美元、快取 0.20 美元、輸出 20.00 美元，並且強制執行推理，採用從 minimal 到 max 的努力程度階梯，預設為 medium。沒有權重、沒有授權，而且一旦端點變更，就沒有任何版本能讓你繼續運行。

那是它們之間第一個真正的差異，而且它不是基準測試中的一列。一個是檔案。另一個是契約。

上下文視窗，這兩個模型對它的理解不同

這正是規格表比較最容易造成誤導的地方，因為這兩款模型經常都被描述為長上下文。

• 文字上下文 — Muse Wonder 在單一視窗中可處理 1,048,576 個 token；Intern-S2-397B 則以 256K 進行文字推理

• 多模態脈絡——Muse Wonder 的完整脈絡視窗涵蓋其圖像、語音和視訊輸入；Intern-S2-397B 則擁有獨立的 64K 多模態脈絡

• 單次回應的最大輸出量 — Muse Wonder 943,718 個 token；Intern-S2-397B 未公布可供比較的數字

• 輸入介面 — Muse Wonder 文字、圖像、語音、影片；Intern-S2-397B 文字、圖像、時間序列

• 時間序列預測 — Muse Wonder 無；Intern-S2-397B 支援，目前僅透過 LMDeploy 接入

• 費率 — Muse Wonder 每百萬個 token 為輸入 $4.00、快取 $0.20、輸出 $20.00；Intern-S2-397B 未公布每 token 費率，因為其發布模式是提供下載

預測列是在另一側沒有對應項目的那一列，而且它不是行銷功能——它是這個模型以這種形式存在的原因。一個接收時間序列訊號並產生預測的模型，正在做文字模型無法被要求做到的事，無論它的視窗大小為何。如果那是你的工作負載，這場比較早就已經結束了。

對其他所有人來說，真正相關的問題是實際上什麼才容納得下。以固定費率提供的 1,048,576 詞元視窗，和在你自有硬體上使用的 256K 文字視窗，是截然不同的產品；而這項差異正好會顯現在那些讓長上下文變得有趣的工作負載上——提示中放入一整個程式碼庫、一批論文語料，或是一場會保留自身歷史的長時間代理式工作階段。

證據基礎，彼此並不相接觸。

這兩個模型公布的數字無法放在同一條軸上，而其中原因值得直言不諱。

Intern-S2-397B 的基準測試卡是 I​nternLM 自家的，由打造該模型的團隊透過 OpenCompass、VLMEvalKit 和 AgentCompass 執行，且未經獨立重現。其欄位為 Qwen3.5-397B-A17B、D​eepSeek V4 Pro、Kimi K2.7-Code、GLM-5.2、GPT-5.5、Gemini 3.1 Pro 與 Claude Opus 4.8——沒有來自 M​eta 的模型，也沒有 Muse Wonder，因此廠商自家的表格不包含任何一項 Muse 比較。而任何流傳於各處的「Intern-S2 對比 Muse Wonder」數字，都是跨越兩份不相關表格的外推。

那張卡所公布的內容，全部都是 I​nternLM 回報的數據：MMLU Pro 拿下 89.77，HMMT-2026 拿下 93.56，MMMU Pro 拿下 81.68，SWE-bench-Pro 拿下 68.54，TerminalBench 2.1 拿下 64.04，而在科學類別上，Biology-Instructions 拿下 55.71，SciReasoner 1.5 拿下 63.28，Mol-Instructions 拿下 53.95。把這些讀成一幅肖像：在知識、數學與多模態推理上很強，在軟體工程上領先，但在終端機工作上落後 Claude Opus 4.8 整整二十分——而這正是正式環境代理整天投入的那條軸線。

Muse Wonder 的證據呈相反形狀。M​eta 的發布表格涵蓋兩個檢查點在最大推理能力下的表現，且主要由持續型代理基準測試構成——DeepSWE 1.1、SWE-Marathon、Terminal-Bench 4.0-AA、OSWorld V2.1——全部由廠商自行報告，出自 M​eta 的測試框架，未經重現。獨立評論一再重述最強的那些列，卻未附上這項但書；廠商測試框架就是這樣在公開領域變成事實。唯一真正獨立的一列是 Artificial Analysis 的 Intelligence Index，在最大努力下為 52，在超過 200 個模型中排名第九，每完成一項索引任務的實測成本約 4.52 美元，且消耗約 1.3 億個輸出 token，而排行榜中位數接近 8,500 萬個。

所以：某個模型的優勢，是由其開發商根據科學基準所主張，而那些基準沒有任何第三方重新執行過。另一個模型的優勢，則是在代理型基準上所主張，情況亦是如此。兩者從未由任何人相互比較過。一個誠實的頁面能做的，就只有把這件事大聲說出來。

在比較取決於價格之處，以及不取決於價格之處

Intern-S2-397B 沒有費率表。這就是整個定價部分，而這是一項真實的發現，而不是一個缺失的值：您要不是在自己擁有的硬體上自行託管約 807 GB 的 BF16 權重，就是在 I​nternLM 自家的 API 上註冊取得權杖，並在獲配的任何額度內使用。沒有可與 Muse Wonder 的 $4.00 和 $20.00 並列的每 token 數字，也沒有可與按 token 計費帳單相比較的發票。

那對決策的影響比「免費與付費之爭」更微妙。下載而來的檢查點把變動成本轉換成資本成本，也把供應商關係轉換成你擁有的產物。當你的資料不能離開你的邊界、當你的工作負載穩定到足以證明添購 GPU 是合理的，或當可重現性比一個基準測試分數更重要時，這點價值極高。但若你的流量起伏劇烈、你的團隊沒有推論服務堆疊，或你需要模型在你什麼都不做的情況下自行進步，那這點價值就微乎其微。

這兩個模型都不是由我們提供服務的，而這一點值得直說，而不是暗示相反的情況：Intern-S2-397B 是全新的 Apache-2.0 檢查點，沒有任何路由涵蓋；而 Muse Wonder 位於 Meta 的 API 上、也在 Muse Code 之內，我們無法驗證有任何第三方提供服務。路由器真正幫得上忙的，是這件事中可呼叫的那一半。OrcaRouter 透過單一金鑰，以供應商定價、零加成提供超過 200 個模型——沒有中間商差價，因此供應商降價當天即刻生效——包括 Meta 自家的 Muse Spark 1.2 與 Muse Spark 1.1，因此你今天能取用的 Meta 模型，會與其他所有模型並列在同一組憑證之下。如果你的生產流量落在經路由的模型上，而你的科學批次工作在你掌控的某處跑 Intern-S2-397B，那麼這道接縫就是一項路由決策，而不是第二套整合。

誰應該選哪個

當工作內容是閱讀科學時，就採用 Intern-S2-397B：圖表密集的論文、分子圖、掃描表格、時間序列訊號的預測，或是一個必須持續推進研究任務的代理。Apache-2.0 授權意味著你可以用專有資料對它進行微調，並將成果留在自家邊界內，而這正是這項比較中任何價目表都無法體現的部分。要為硬體編列預算，並預期幾個月內不會有獨立評比——該儲存庫才問世數週，且未附帶任何第三方量測。

當工作是通用、冗長且具代理性時，以及當你寧願租用而非擁有時，就選擇 Muse Wonder：一個 1,048,576 個權杖的視窗，以固定費率提供且沒有分階，一個 943,718 個權杖的回應上限，這是 Intern-S2 已發布資料中沒有任何內容能回答的，對於困難的多步驟任務強制進行推理，以及一份你今天就能放進試算表的按權杖計費帳單。需要注意的是，這同樣適用於 Meta 發布的每一行數據：兩天的獨立測量就是兩天，而一位評估者就是一位評估者。

同時需要兩者的團隊，應把兩者之間的界線當成路由問題，而不是遷移問題。把一般流量跑在你可呼叫的模型上，將科學工作留在你能握有的檢查點上，並在相信供應商關於 Intern-S2-397B 終端機效能的數字之前，先自己重跑評估——因為供應商自家的表格正是其中最不體面的一列。