LFM3-Omni-2B مقابل InternLumina U2: نموذجان، ومعنيان لـ Omni

LFM3-Omni-2B وInternLumina U2 كلاهما مُدرج تحت تصنيف "omni" وليسا في المجال نفسه. نموذج Liquid AI ذو 2.17 مليار معامل يستقبل النص والصور والفيديو والصوت ويعيد نصًا أو كلامًا بتردد 24 كيلوهرتز. نموذج InternLumina U2 من مختبر شنغهاي للذكاء الاصطناعي يستقبل النص والصور والفيديو والبيانات ثلاثية الأبعاد ويعيد نصًا أو صورًا. أحدهما فم، والآخر يد. تكاد كل مقارنة تجدها بينهما تُنفق طولها على معايير لا يستطيع حتى طرف واحد أن يجلس إليها، ولهذا فإن السؤال المفيد أضيق وأرخص في الإجابة: أي نصف من "omni" يفتقده منتجك؟

وصل الإصداران أيضًا في هيئتين متعاكستين، وهذا يهم أكثر مما يحدث عادةً. أعلنت Liquid AI عن عائلة LFM3 في 27 أكتوبر 2026 في منشور واحد يغطي ستة نماذج من فئة 2B، وكان LFM3-Omni-2B سطرًا واحدًا في ذلك المنشور بدلًا من أن يكون إطلاقًا مستقلًا بذاته — فقد كانت أوزانه متاحة بالفعل في مستودع عام منذ 21 أكتوبر. أما InternLumina U2 فسار في الاتجاه المعاكس: ظهر كود الاستدلال وصفحة مشروع في 1 سبتمبر، ثم تبعت الأوزان لاحقًا في مجلدات مخصصة لكل عتاد، ولم يصدر أي إعلان. لا يملك أي من النموذجين رقمًا أعاد طرف ثالث إنتاجه. وكل رقم أدناه هو وصف البائع لنفسه.

الرفضات تقول لك أكثر مما تقوله المواصفات.

تُكتَب قوائم المواصفات لتجعل الطرازات تبدو متوافقة. ابدأ بدلًا من ذلك بما لا يستطيع كلٌّ منهما قبوله ماديًا، لأن القائمتين لا تتقاطعان على الإطلاق.

لا يستطيع LFM3-Omni-2B الرسم. توجد مُرمِّز رؤية في البنية، لكنه يقرأ فقط؛ ومسار الإخراج نصّ وكلام. اطلب منه تعديل صورة وستكون الإجابة الصادقة أن هذا الطلب ليس له تمثيل في النموذج.

لا يستطيع InternLumina U2 التحدث. فليس لديه مُرمّز صوتي، ولا مُرمّز رموز للكوديك، ولا رأس كلام. أعطه ملف WAV فلن تجد في المعمارية ما يستقبله. إن صفة "omni" لديه رهان على أن الفهم والتوليد ينتميان إلى عمود فقري بصري واحد؛ ومفردات مخرجاته هي رموز نص وصورة، لا موجات صوتية.

إذن السؤال الأول ليس أيّ نموذج يحصل على درجات أعلى. بل هو ما إذا كان عبء العمل لديك يحتاج إلى صوت مُصنَّع أم صورة مُعدَّلة، لأن واحدًا فقط من هذين متاح على كل جانب، ولن يكتسب أيٌّ من النموذجين القدرة الأخرى عبر الضبط الدقيق. فهذه خاصية بالمُرمِّز، وليست بخاصية بيانات التدريب.

أحدهما يُملي جملة، والآخر يصقلها.

تختلف هذه البُنى على مستوى أعمق من عدد المعاملات، ويفسّر هذا الاختلاف انقسام القدرات.

LFM3-Omni-2B ذاتي الانحدار. يقرأ العمود الفقري LFM3 البالغ 1.7 مليار معامل الرموز من مُرمِّز رؤية LFM3 ومُرمِّز صوت سببي LFM3، ويُصدر رموز نص أو رموز كلام LiquidCodec من اليسار إلى اليمين. تُؤخذ عينات الفيديو بمعدل إطارين في الثانية، وتتقلّص كل رقعة صورة 2×2 إلى رمز لغة واحد، وهكذا يُبقي نموذج 2.17B نافذة 32K قابلة للاستخدام على هاتف. يخرج الكلام عند 24 kHz، ويدخل الصوت عند 16 kHz أحادي القناة.

InternLumina U2 نموذج لغوي انتشاريّ، وهذا هو الجانب الذي يستحق التأنّي عنده. فهو لا يُصدر رمزًا واحدًا في كل مرة؛ بل يبدأ من الضوضاء ويُحسّن تسلسلًا كاملًا على نحو متوازٍ، باستخدام هدف انتشار مقنّع. تمثيله البصري منفصل تمامًا — ثماني مجموعات ترميز من رموز AToken البصرية لكل موضع، تُدمج متسلسلةً في جانب الإدخال ويُتنبأ بها مجموعة ترميز تلو الأخرى في جانب الإخراج. وبذلك يصبح توليد صورة هو العملية نفسها التي يجيب بها عن سؤال: إزالة الضوضاء من تسلسل من الرموز البصرية. وهذا رهان مختلف جوهريًا عن الرهان الذي يخوضه كل نموذج متعدد الوسائط مفتوح آخر، وهو السبب في قدرة النموذج على إنتاج صورة أصلًا.

ثمن هذا الرهان هو الأدوات. فـ InternLumina ليس خط أنابيب transformers تستدعيه في ثلاثة أسطر. تتطلب بطاقة النموذج مُرمِّز AToken مع FlashAttention، وواجهة برمجة تطبيقات generate مخصّصة للانتشار الكتلي، وBlender 4.5 إذا أردت تصيير المخرجات ثلاثية الأبعاد. أما LFM3-Omni-2B، بالمقارنة، فيُشحن كأوزان BF16 عادية مع مسار ضبط دقيق موثّق ونسخة Ollama متداولة بالفعل — نسخة يذكر إدراجها سياقًا قدره 125K مقابل 32K في بطاقة النموذج، وهو تباين لم يفسّره أحد بعد.

المواصفات التي تحدد ما إذا كانت مناسبة

• المعاملات — LFM3-Omni-2B كثيف بسعة 2.17B؛ InternLumina U2 بإجمالي 16B، مع 1B نشط في خليط خبراء متناثر.

• الإخراج — نص وكلام بتردد 24 كيلوهرتز، بما في ذلك نص وكلام متداخلان، مقابل نص وصور مُولّدة أو مُعدّلة.

• المُدخل — نص، وصورة، وفيديو مع صوت أو بدونه، وصوت بتردد 16 كيلوهرتز، مقابل نص، وصورة، وفيديو وثلاثي الأبعاد.

• السياق — 32 ألف رمز تغطي المدخلات والمخرجات، مقابل طول سياق لا تزال بطاقة InternLumina لا تذكره.

• اللغات — 16 لغة نصية و19 لغة صوتية لـ LFM3-Omni-2B؛ ولا تنشر InternLumina عددًا.

• الترخيص — LFM Open License v1.0، وهو ترخيص مرتبط بعتبة إيرادات، مقابل Apache 2.0 مع استثناءات للشيفرة المضمّنة AToken وVeOmni.

• الأجهزة — الهواتف والحواسيب المحمولة ولوحات الحوسبة الطرفية من جهة؛ ومن جهة أخرى، نقاط التحقق مقسّمة إلى شجرة ascend/ مدرّبة على وحدات NPU من Huawei Ascend وشجرة nvidia/، بحجم يقارب 33.8 غيغابايت لكل شجرة.

المعياران المرجعيان اللذان يتشاركانهما فعليًا

يوجد رقمان بالضبط لمقاطع الفيديو في كلتا البطاقتين، وهما يختلفان حول أي الطرازين أفضل، وهو أكثر ما يقدّم معلومات على هذه الصفحة.

على MVBench، تُبلغ InternLumina U2 عن 61.8 وتُبلغ LFM3-Omni-2B عن 58.03 — أي تفوق بمقدار 3.8 نقاط لصالح نموذج الانتشار. وعلى Video-MME من دون ترجمات، تُبلغ LFM3-Omni-2B عن 57.70 وتُبلغ InternLumina U2 عن 56.7 — أي تفوق بمقدار نقطة واحدة في الاتجاه الآخر. كلتا المجموعتين أجراهما المورّد، على أدوات تقييم مختلفة، وبمطالبات مختلفة، ولم ينشر أي من المختبرين شيفرة التقييم. الفارق البالغ نقطة واحدة في ظل هذه الظروف ضجيج؛ أما الفارق البالغ 3.8 نقاط فمن المحتمل أنه حقيقي، لكنه لا يقول الكثير عن اللقطات الخاصة بك.

كل ما عدا ذلك غير مشترك. تتصدّر بطاقة InternLumina بـ CharXiv-DQ 85.9 وHallusionBench 64.6، وهما اختبارا المستندات والهلوسة اللذان لم يخضع لهما LFM3-Omni-2B قط. وتتصدّر بطاقة LFM3-Omni-2B بـ DocVQA 92.47 وOCRBench 806 وMMMU 42.44، إضافةً إلى عمود للكلام — معدل خطأ الكلمات في التعرّف الآلي على الكلام الإنجليزي 6.36، ومتعدد اللغات 6.72، وTTS UTMOSv2 3.80 — لا نظير له على الجانب الآخر. وتصنّف بطاقته الخاصة الأرقام على أنها مقيسة بواسطة Liquid AI باستخدام قالب الدردشة الخاص بكل نموذج وفك الترميز الجشع، وهو التحفظ المعتاد، وهو تحفظ حقيقي.

إن InternLumina أكثر صراحةً من ذلك: فبطاقته تصف النتائج بأنها "نتائج أولية جزئية" وتؤجّل جداول المقارنة. وهذا ليس تواضعًا زائفًا. فَنموذج انتشار 16B-A1B الذي يولّد صورًا بدرجات DPG-Bench 87.79 وGenEval 0.89 نتيجة جدية، وهو أيضًا من النوع الذي يتغيّر عندما يعيد شخص تشغيله على sampler مختلف.

من الذي يجب أن يختار ماذا

إذا كان منتجك يحتاج إلى أن يردّ عليك — مساعد صوتي، أو واجهة تعمل دون استخدام اليدين، أو أداة إتاحة، أو ملخّص مكالمات يقدّم للمتصل إجابة منطوقة — فإن LFM3-Omni-2B هو الوحيد من بين هذين الاثنين القادر على إنجاز المهمة. وهو أيضًا الوحيد الذي يعمل على الجهاز نفسه، وهذا يهم مرتين في مجال الكلام: فالصوت هو أكثر وسائط البيانات حساسية للخصوصية التي تتعامل معها معظم التطبيقات، وإرساله إلى خادم قرار عليك تبريره.

إذا كان منتجك يحتاج إلى إنتاج صورة أو تحريرها، فإن InternLumina U2 هو الوحيد الذي يمكنه البدء. المقابل هو أنك الآن تدير مكدس استدلال انتشار على عتاد يُقدّم Ascend، مع شجرة NVIDIA لم تصبح قابلة للاستخدام إلا مؤخرًا، ومسار ثلاثي الأبعاد يستلزم تثبيت Blender. هذا نشر بحثي، وليس نشرًا عبر متجر تطبيقات.

ما لا يعترف به أحد تقريبًا هو أن المنتجات الحقيقية تحتاج إلى الاثنين، وأن هذين النموذجين لا يمكن دمجهما معًا. فالطلب الذي يحتاج إلى مخطّط مُولّد وشرح منطوق عليه أن يعبر بيئتي تشغيل، وترخيصين، وملفي تعريف عتاد. وهذا الحد الفاصل هو حيث تضع معظم الفرق في النهاية موجّهًا بدلًا من نموذج أكبر. وOrcaRouter هو الجانب المستضاف من هذا الترتيب — واجهة برمجة تطبيقات واحدة عبر أكثر من 200 نموذج بهامش 0% على سعر قائمة المزوّد، مع تحويل تلقائي عند انقطاع أحد المزوّدين — ولا يوجد أي من LFM3-Omni-2B أو InternLumina U2 في ذلك الكتالوج اليوم. الفكرة ليست أن أيًا منهما ينتمي إلى هناك. الفكرة هي أنك بمجرد أن تقسّم العمل إلى نصفين، يصبح النصف الثاني بحاجة إلى مكان يعمل فيه.

ما الذي سيغيّر الإجابة؟

إن تقييمًا مستقلًا واحدًا لأي من النموذجين سيفعل أكثر من جدول آخر من مورّد. وبالنسبة إلى InternLumina U2، فالرقم الذي يجب مراقبته هو جودة التوليد باستخدام أداة أخذ عينات مختلفة، لأن مخرجات الانتشار تتغير عندما تتغير أداة أخذ العينات، ولم يجرّبها أي طرف خارجي. أما بالنسبة إلى LFM3-Omni-2B، فالمسألة هي ما إذا كان الكلام يصمد خارج المطالبات الخاصة بـ Liquid — وتحديدًا، ما إذا كانت نتيجة 3.80 في UTMOSv2 تصمد عند الاحتكاك بمستمع لا يقيّم عمله بنفسه.

حتى ذلك الحين، يرتكز القرار على شيءٍ أندر من معيار أداء: قائمة قدرات. فـ LFM3-Omni-2B يتحدث ولا يستطيع الرسم. أما InternLumina U2 فيرسم ولا يستطيع السمع. وبالنسبة لمعظم الفرق، يحسم هذا الأمر قبل تشغيل أول تقييم.