Intern-S2-397B ตัวเต็มเปิดน้ำหนัก Apache-2.0 — config เหมือน Qwen3.5-397B-A17B ทุกค่ายกเว้น vocab น้ำหนักจับคู่ได้ที่ r≈0.998 แต่การ์ดไม่เอ่ยชื่อ Qwen และแถว SWE-Bench-Pro ของคู่แข่งเปลี่ยนไปจากตารางฉบับ Preview

ทีม InternLM ของ Shanghai AI Laboratory อัปโหลด Intern-S2-397B ตัวเต็มขึ้น Hugging Face เมื่อ 13 ก.ย. 2026 เวลา 03:20 UTC (รีโป FP8 ขึ้นก่อนตั้งแต่ 11 ก.ย.) เป็นโมเดล MoE มัลติโมดัลที่รับข้อความ ภาพ วิดีโอ และข้อมูลอนุกรมเวลา วางตัวเป็นโมเดลสำหรับงานวิทยาศาสตร์และเอเจนต์ที่ทำงานยาว ใช้ใบอนุญาต Apache-2.0 ไฟล์ LICENSE เป็นข้อความมาตรฐาน น้ำหนัก BF16 รวม 403.4B พารามิเตอร์ ใน 188 ไฟล์ (806.9 GB) ส่วนรุ่น FP8 หนัก 406.3 GB นี่คือรุ่นต่อจาก Intern-S2-Preview-397B ที่ปล่อยเมื่อ 16 ก.ค. (ต่างจาก Intern-S2-Mobius ขนาด 35B ที่เราเขียนถึงเมื่อ 17 ส.ค.)

การ์ดขายสามเรื่อง ได้แก่ การ pretrain แบบใหม่ที่ให้โมเดลอ่าน “หน้ากระดาษ” ของเปเปอร์วิทยาศาสตร์เป็นภาพโดยตรง, RL หลายงานครอบคลุมกว่า 20 สาขาวิทยาศาสตร์ และ RL เอเจนต์ในแซนด์บ็อกซ์ขนาดใหญ่ แต่การ์ดไม่เล่าเรื่องหนึ่งที่ไฟล์ในรีโปบอกชัด: โมเดลนี้คือ Qwen3.5-397B-A17B ที่ถูกเทรนต่อ

config ตรงกับ Qwen3.5-397B-A17B ทุกค่า ยกเว้น vocab

config.json ของ Intern-S2-397B ประกาศสถาปัตยกรรม Qwen3_5MoeForConditionalGeneration (model_type: qwen3_5_moe) เมื่อเราดิฟทุกฟิลด์เทียบกับ config ของ Qwen/Qwen3.5-397B-A17B ด้วยสคริปต์ ผลคือ ต่างกันค่าเดียว คือ vocab_size ที่ 251,392 เทียบกับ 248,320 (เพิ่มมา 3,072 โทเคน) ที่เหลือเหมือนกันหมด ทั้ง 60 เลเยอร์ที่สลับ linear attention สามชั้นต่อ full attention หนึ่งชั้น, hidden 4096, expert 512 ตัวที่ใช้งาน 10 ตัวต่อโทเคน, MTP หนึ่งชั้น, คอนเท็กซ์ 262,144 และ vision tower 27 ชั้นเดิม โทเคนที่เพิ่มมาน่าจะมาจาก tokenizer เฉพาะทาง รีโปมีโมเดล SentencePiece แยกสำหรับ SMILES (สูตรโมเลกุล), โปรตีน และกรดนิวคลีอิก ผ่านคลาส InternS1Tokenizer

config ที่เหมือนกันยังไม่ได้พิสูจน์ว่าน้ำหนักมาจากที่เดียวกัน เราจึงดึงเทนเซอร์ input_layernorm ของเลเยอร์ 0, 15, 30, 45 และ 59 จากทั้งสองรีโปด้วย HTTP range request แล้วหาค่าสหสัมพันธ์

• เลเยอร์เดียวกัน Intern-S2 เทียบ Qwen3.5: r = 0.997–0.999 ค่าต่างเฉลี่ยราว 4–5.5% ของขนาดน้ำหนัก
• ชุดควบคุม (คนละเลเยอร์): r = −0.35 ถึง 0.56

ถ้าเทรนเองตั้งแต่ศูนย์ แต่ละเลเยอร์จะไม่มีทางจับคู่กับ Qwen แบบลำดับต่อลำดับที่ 0.997 ขึ้นไป ผลนี้จึงสอดคล้องกับการ continued pretraining และ RL บนน้ำหนัก Qwen3.5-397B-A17B (ข้อจำกัด: เราตรวจเฉพาะ layernorm ห้าชั้น ไม่ได้เทียบ expert ทั้งหมด)

เทียบกับรุ่น Preview เดือน ก.ค. ค่า r = 1.0000 แต่ค่าในเทนเซอร์เปลี่ยนไป 44–72% ของตำแหน่ง ขนาดการเปลี่ยนเฉลี่ย 0.2–0.5% แปลว่าตัวเต็มคือ Preview ที่ถูกเทรนต่ออีกเล็กน้อย ไม่ใช่แค่แพ็กไฟล์ใหม่ อีกความต่างที่ใช้งานได้จริงคือ Preview ใช้คลาสโมเดลของตัวเอง (InternS2PreviewForConditionalGeneration) ส่วนตัวเต็มเปลี่ยนมาใช้คลาส Qwen3.5 MoE มาตรฐาน โค้ดโมเดลที่มีอยู่แล้วใน transformers, vLLM และ SGLang จึงโหลดได้เลย

ประเด็นเครดิตน่าสังเกต เพราะ InternLM เคยบอกฐานมาตลอด README ของ Intern-S1 เขียนว่า “Built upon a 235B MoE language model (Qwen3)” และคำอธิบาย Intern-S2-Preview-35B ใน GitHub ก็ระบุว่า “continued pretrained from Qwen3.5” แต่การ์ดของ 397B ตัวนี้ ซึ่งเป็นหน้าที่คนดาวน์โหลดอ่านจริง ไม่มีคำว่า Qwen เลยนอกจากในคอลัมน์ตารางคะแนน ในทางกฎหมายแทบไม่มีปัญหา เพราะ Qwen3.5-397B-A17B เป็น Apache-2.0 และไม่มีไฟล์ NOTICE ให้ต้องส่งต่อ แต่ผู้ใช้ควรรู้ว่ากำลังวัดผลเทียบกับอะไร

ตารางคะแนน: เก่งกว่าฐานมาก แต่แถว SWE-Bench-Pro มีปัญหา

ตัวเลขทั้งหมดเป็นของผู้พัฒนาเอง ยังไม่มีการวัดอิสระ เทียบกับ Qwen3.5-397B-A17B ที่เป็นฐาน งานวิทยาศาสตร์เฉพาะทางดีขึ้นแบบก้าวกระโดด (Biology-Instructions 55.71 เทียบ 4.49, Mol-Instructions 53.95 เทียบ 11.65, FrontierScience-Olympiad 87.00 เทียบ 67.67) งานเขียนโค้ดก็ขึ้นมาก (SWE-Bench-Multilingual 84.00 เทียบ 65.00, TerminalBench 2.1 64.04 เทียบ 51.30) แต่มีบางรายการที่แพ้ฐาน เช่น AdvancedIF 71.57 เทียบ 75.49 และ SFE 60.74 เทียบ 62.97

ปัญหาอยู่ที่แถว SWE-Bench-Pro เมื่อวางตารางตัวเต็มเทียบกับตารางของ Preview ใน README บน GitHub:

โมเดล	ตาราง Preview (ก.ค.)	ตารางตัวเต็ม (ก.ย.)
Intern-S2 (Preview → ตัวเต็ม)	61.56	68.54
Claude Opus 4.8	69.20	62.10
GLM-5.2	62.10	68.54
Kimi K2.7-Code	57.59	53.49
DeepSeek V4-pro	55.40	49.98
GPT-5.5	58.60	58.60
Gemini 3.1 Pro	54.20	54.20
Qwen3.5-397B-A17B	43.55	43.55

ตารางใหม่เพิ่มเชิงอรรถว่าใช้ “Anti-Hack configurations” เพื่อกันไม่ให้โมเดลเข้าถึงคำตอบ ซึ่งอธิบายได้ถ้าคะแนนของทุกโมเดล “ลดลง” แต่สิ่งที่เกิดขึ้นไม่ใช่แบบนั้น GLM-5.2 กลับ เพิ่มจาก 62.10 เป็น 68.54 ซึ่งเท่ากับคะแนนของ Intern-S2 พอดี ส่วน Claude Opus 4.8 ที่เคยเป็นอันดับหนึ่งลดลงเหลือ 62.10 ซึ่งตรงกับเลขเดิมของ GLM-5.2 ขณะที่ GPT-5.5, Gemini และ Qwen ไม่เปลี่ยนเลย ไม่ว่าจะเป็นการรันใหม่จริงหรือพิมพ์สลับคอลัมน์ ผลคือ Intern-S2 ขยับจากอันดับสามขึ้นมาเสมออันดับหนึ่งในแถวนี้ และการ์ดไม่ได้อธิบาย จึงยังไม่ควรเอาแถวนี้ไปอ้างอิง

ข้อสังเกตอื่นเมื่อเทียบสองตาราง: คะแนนของ Intern-S2 เองบางรายการ ลดลง จาก Preview (TerminalBench 67.42 → 64.04, AdvancedIF 74.44 → 71.57, SciCode 49.11 → 47.63) บางแถวที่ Preview เคยโชว์ เช่น SimpleQA-Verified และ SkillsBench หายไปจากตารางใหม่ และคู่เทียบทั้งชุดยังเป็นรุ่นเดือน ก.ค. (GPT-5.5, Claude Opus 4.8, Gemini 3.1 Pro) ไม่ใช่รุ่นที่ออกมาหลังจากนั้น

รันเองได้แค่ไหน และกับดักที่ต้องรู้

• ฮาร์ดแวร์: สถาปัตยกรรมเดียวกับ Qwen3.5-397B-A17B จึงใช้พารามิเตอร์ราว 17B ต่อโทเคน แต่ต้องโหลดทั้งก้อน รุ่น FP8 406 GB ต้องใช้ระดับเซิร์ฟเวอร์ 8 GPU ขึ้นไป ไม่ใช่โมเดลสำหรับการ์ดจอบ้าน ตอนที่เขียนยังไม่มี GGUF หรือ MLX จากชุมชน
• tokenizer ยังเป็นโค้ดเฉพาะ: คลาสโมเดลเป็นของมาตรฐานแล้ว แต่ tokenizer_config.json ชี้ไปที่ tokenization_interns1.py จึงยังต้องเปิด trust_remote_code
• ค่า sampling ไม่ตรงกัน: การ์ดแนะนำ temperature 0.8, top_k 50, top_p 0.95, min_p 0 แต่ generation_config.json ที่ให้มาเป็น temperature 0.6, top_k 20 ซึ่งเซิร์ฟเวอร์อย่าง vLLM จะหยิบมาเป็นค่าเริ่มต้น ถ้าจะให้ตรงกับที่ผู้พัฒนาวัดผล ต้องตั้งค่าเองในคำขอ
• โหมดคิดเปิดเป็นค่าเริ่มต้น: ปิดได้ด้วย chat_template_kwargs: {"enable_thinking": false} แต่การ์ดไม่แนะนำให้ปิดในงานเอเจนต์
• อนุกรมเวลารองรับเฉพาะ LMDeploy และลิงก์ “Model Deployment Guide” ในการ์ดชี้ไปที่ deployment_guide.md ซึ่ง ไม่มีอยู่ในรีโป

มุมมอง AI Curator

นี่เป็นโมเดล open-weight ตัวที่สามในสัปดาห์เดียวที่ต่อยอดจาก Qwen3.5 โดยการ์ดไม่เอ่ยชื่อ ต่อจาก Nex-N2.5-Pro และ Agnes-3.0-Flash เมื่อเช้านี้ Qwen3.5 กลายเป็น “Linux kernel” ของโมเดลเปิดไปแล้ว คือเป็นฐานที่แล็บทั่วโลกหยิบไปเทรนต่อ ซึ่งไม่ผิดอะไรและเป็นจุดแข็งของ Apache-2.0 แต่ผู้ใช้ควรตั้งคำถามกับทุกโมเดลใหม่ว่า “ดีกว่าฐานของมันเท่าไร” ไม่ใช่ “ดีกว่าโมเดลรุ่นก่อนของค่ายอื่นเท่าไร” ในกรณีนี้คำตอบน่าประทับใจ ถ้าตัวเลขเป็นจริง SWE-Bench-Multilingual ที่ขึ้นจาก 65 เป็น 84 และงานชีววิทยาที่ขึ้นจากเลขหลักเดียวเป็น 50 กว่า เป็นผลของ post-training ล้วน ๆ

บทเรียนที่ใช้ได้กับทุกโมเดล คือให้ ดิฟตาราง Preview กับตัวเต็มทุกครั้ง ตารางคะแนนในการ์ดโมเดลไม่มีประวัติการแก้ไขให้ตรวจสอบเหมือนเปเปอร์ แถวที่คะแนนคู่แข่งขยับขึ้นลงจนเจ้าของโมเดลได้อันดับหนึ่งพอดี เป็นสัญญาณที่ต้องรอคำอธิบายหรือรอผลวัดอิสระ ก่อนจะเอาไปใส่ในสไลด์เสนอผู้บริหาร

สำหรับไทย โมเดลนี้น่าสนใจกับหน่วยงานวิจัยด้านชีววิทยา เคมี และวัสดุ เพราะเป็น Apache-2.0 ที่มี tokenizer สำหรับโมเลกุลและโปรตีนมาในตัว และรุ่น FP8 รันบนเซิร์ฟเวอร์ 8 GPU เครื่องเดียวในองค์กรได้ ข้อมูลสารประกอบหรือลำดับยีนที่ยังไม่เผยแพร่จึงไม่ต้องส่งออกไป API ต่างประเทศ เครื่องระดับซูเปอร์คอมพิวเตอร์อย่าง LANTA ของ ThaiSC คือที่ที่เหมาะจะลองวัดผลกับโจทย์ของนักวิจัยไทยจริง ๆ ก่อนตัดสินใจ แต่สำหรับงานเขียนโค้ดทั่วไป ตัวเลือกที่เบากว่าและมีผลวัดอิสระแล้วยังคุ้มกว่า

แหล่งข่าว

• internlm/Intern-S2-397B — Hugging Face (การ์ด, config, ตารางคะแนน, อัปโหลด 13 ก.ย.)
• internlm/Intern-S2-Preview-397B — Hugging Face (รุ่น Preview, 16 ก.ค.)
• InternLM/Intern-S1 — GitHub (README พร้อมตารางคะแนนของ Preview)
• Qwen/Qwen3.5-397B-A17B — Hugging Face (โมเดลฐานที่ใช้เทียบ config และน้ำหนัก)