Gemini Omni 1.2 Flash vs. InternLumina-U2: Gemietete Sekunden gegen heruntergeladene Gewichte

Stellt man Gemini Omni 1.2 Flash neben InternLumina-U2, ist der Vergleich, der ins Auge springt – Bildqualität, Generierungsgeschwindigkeit, Benchmark-Werte –, der am wenigsten interessante, den es gibt, weil die beiden Modelle nicht um denselben Budgetposten konkurrieren. Gemini Omni 1.2 Flash ist eine nach Verbrauch abgerechnete API, die etwa 0,07 US-Dollar pro Sekunde 720p-Video berechnet, am 5. November 2026 allgemein verfügbar wurde und eine Datei zurückgibt, deren Nutzungsrechte man besitzt, aber nie die Gewichte. InternLumina-U2 ist ein spärliches Diffusions-Sprachmodell mit 16 Milliarden Parametern vom Shanghai AI Laboratory, Apache-2.0, sieben Shards pro Hardware-Tree, das auf Hugging Face liegt, wo es jeder mit genügend Speicherplatz herunterladen kann. Das eine ist ein Dienst. Das andere ist ein Vermögenswert. Die nützliche Frage ist nicht, welches bessere Bilder erzeugt; sie lautet, welche dieser beiden Dinge Ihr Projekt tatsächlich aufnehmen kann.

Diese Einordnung ist wichtig, weil die naheliegende Frage – „Welches ist besser bei der Bildgenerierung?“ – eine irreführende Antwort hat. InternLumina-U2 generiert tatsächlich Bilder und schneidet dabei auf den eigenen, vom Hersteller angegebenen Benchmarks wettbewerbsfähig ab. Aber es versteht auch Video und 3D im selben Backbone – eine Fähigkeit, die Gemini Omni überhaupt nicht besitzt –, während Gemini Omni Video mit synchronisiertem Audio generiert, was InternLumina-U2 nicht kann. Gemessen an der Schnittmenge sind beide Systeme, die Bild und Video nahestehen. Gemessen an der Vereinigung berühren sie sich kaum.

Die Überschneidung, genau genommen

InternLumina-U2 deckt Text-QA, Text-zu-Bild-Generierung, Bildverständnis, Bildbearbeitung, Videoverständnis und 3D-Verständnis in einem einzigen Modell ab. Der Zusatz „Verständnis“ leistet in dieser Aufzählung echte Arbeit: Es liest Video und liest 3D, es erzeugt keines von beiden. Was es erzeugt, sind Bilder und Text.

Gemini Omni 1.2 Flash erzeugt Video. Es nimmt Text, Bilder und Video entgegen und liefert Video mit nativem Audio zurück, drei bis fünfzehn Sekunden bei 24 Bildern pro Sekunde, 360p bis 4K, wobei die beiden obersten Stufen hochskaliert werden. Es erzeugt keine Bilder als Ergebnis – jedes Einzelbild ist ein Einzelbild eines Clips – und es führt keine Bearbeitung von Standbildern im Sinne eines Designers durch.

Die Überschneidung besteht genau in einer Sache: dem Generieren eines Bildes aus einem Prompt. InternLumina-U2 erledigt das als eine von sechs Aufgaben. Gemini Omni 1.2 Flash erledigt es nur als erstes Einzelbild einer Bewegung. Wenn das Ihr gesamter Anwendungsfall ist, ist der Vergleich berechtigt. Wenn nicht, wählen Sie zwischen dem Toolkit eines Standbild-Forschers und einem Video-Produktions-Endpunkt.

• Modalität (Eingabe) — InternLumina-U2 verarbeitet Text, Bild, Video und 3D; Gemini Omni 1.2 Flash verarbeitet Text, Bild und Video.

• Modalität Ausgabe — InternLumina-U2 gibt Text und Bilder zurück; Gemini Omni 1.2 Flash gibt Video mit synchronisiertem Audio zurück.

• Architektur — InternLumina-U2 ist ein MoE-Diffusions-Sprachmodell mit insgesamt 16B Parametern und etwa 1B aktiven Parametern auf dem LLaDA-2.0-Backbone mit diskreten visuellen Tokens aus Apples AToken mit acht Codebooks; die Architektur von Gemini Omni 1.2 Flash ist nicht offengelegt.

• Zugang — Apache-2.0-Gewichte auf Hugging Face, mit separaten Ascend- und NVIDIA-Zweigen; eine geschlossene gehostete API.

• Preis — kein Preis pro Aufruf, da es keinen gehosteten Endpunkt gibt; etwa $0,07 pro Sekunde 720p-Videoausgabe, ohne kostenlose Stufe.

• Kontext — 131.072 Token Eingabe, 65.536 Token Ausgabe auf der Omni-Seite; die InternLumina-Karte gibt kein entsprechendes Fenster an.

Was die Benchmarks aussagen und was nicht

Die Zahlen von InternLumina-U2 stammen aus dem eigenen Paper und der Projektseite (arXiv 2610.20818, eingereicht am 14. Oktober 2026), und niemand hat sie reproduziert. Die zentrale Generierungszahl ist ein GenEval-Score von 89,3 unter dem eigenen PHV-Sampling-Protokoll der Autoren, daneben DPG-Bench 87,79, UniGenBench 86,11 und TIIF-Bench 88,57 bei kurzen Prompts sowie 87,08 bei langen. Das Paper behauptet führende Leistung unter den unified Modellen bei visuellem Verständnis, Bildgenerierung und Bildbearbeitung und sagt, das Modell schlage FLUX.1-dev und liege knapp vor Qwen-Image bei GenEval, UniGenBench und TIIF, während es etwa vierzehnmal weniger Parameter aktiviert.

Es gibt eine Diskrepanz, die man kennen sollte, bevor man irgendetwas davon zitiert. Die Ergebnistabelle der Projektseite führt InternLumina-U2 bei GenEval mit 0,81 auf, LLaDA2.0-Uni mit 0,89 und InternVL-U mit 0,85 — womit das neuere Modell in dieser Zeile hinter seinem eigenen Vorgänger liegt. Die Zahl 89,3 entspricht dem im Paper beschriebenen optimierten Sampling-Protokoll, nicht der Standardevaluierung. Zwei Zahlen, zwei Protokolle, dasselbe Modell. Das Paper ist die günstigere Lesart und die Projektseite die konservativere, und keine von beiden wurde unabhängig geprüft.

Gemini Omni 1.2 Flash hat überhaupt keine von Google veröffentlichten Benchmark-Ergebnisse. Der Beitrag zur Markteinführung vom 5. November ist vollständig qualitativ – längere Clips, bessere Referenztreue, natürlicherer Dialog, weniger Sprünge – und sagt ausdrücklich, dass die Arbeit an „schneller Sportaction, raschen Drehbuchänderungen und komplexer Physik“ fortgesetzt wird. Das ist eine ungewöhnlich offene Liste bekannter Schwächen, und es ist die einzige Qualitätsaussage, die Google gemacht hat. Zahlen von Drittanbietern existieren zwar, beschreiben aber meist frühere Omni-Versionen: Megatons Vergleichsseite ist mit „Gemini Omni Flash“ überschrieben, während ihre Links auf den Preview-Slug verweisen, führt die Audioausgabe als „Nein“ auf (falsch für 1.2, das standardmäßig Audio generiert) und meldet null bewertete Videos und null Messungen hinter ihren Scores. Ein Praktiker, Rohit Rao von Segmind, hat 1.2 jedoch direkt über zwanzig Generierungen hinweg zu Kosten von 16,17 $ getestet, und seine Schlussfolgerung ist der nützlichste unabhängige Datenpunkt, der verfügbar ist: Die Aufrufe dauerten 28 bis 136 Sekunden, die meisten im Bereich von 40 bis 90 Sekunden, das Modell war das anweisungstreueste, das er getestet hatte, und etwa jede vierte Anweisung wurde übersprungen. Er stellte außerdem fest, dass es kein kinematografisches Modell für fotorealistische Menschen ist.

Die ehrliche Bilanz: InternLumina-U2 mit detaillierten, nicht reproduzierten, intern widersprüchlichen Herstellerangaben und Gemini Omni 1.2 Flash mit fast gar keinen Zahlen und einem kleinen unabhängigen Test. Keines von beiden ist eine Grundlage für ein belastbares Qualitätsurteil.

Der Kostenvergleich, bei dem Menschen falsch liegen

InternLumina-U2 hat keinen Preis, und das ist nicht dasselbe wie kostenlos zu sein.

Die Gewichte umfassen 67,6 GB verteilt auf zwei Bäume mit je sieben Shards, also rund 33,8 GB pro Baum, sodass das Herunterladen einer Hardware-Variante einem Download von 34 GB entspricht, bevor eine funktionsfähige Umgebung vorliegt. Das Repository erfordert FlashAttention für den AToken-Pfad und für die 3D-Pipeline Blender 4.5. Das Training lief auf 1.024 Ascend 910B NPUs über 1,05 Billionen Tokens, was zeigt, dass das Modell für einen Cluster ausgelegt wurde, obwohl die Inferenz deutlich leichter ist – 1 Mrd. aktive Parameter sind eine moderate Serving-Last, und die PHV-Sampling-Strategie des Papers beansprucht eine Reduzierung der End-to-End-Latenz um 4,45× bei nativen 1024×1024.

Was Sie tatsächlich ausgeben, ist eine GPU, eine Ingenieurwoche, um die Umgebung richtig einzurichten, und was auch immer Ihre Speicher- und Egress-Kosten betragen. Was Sie dafür bekommen, ist unbegrenzte Generierung zu Grenzkosten von null, ein Modell, das Sie feinabstimmen können, und keinen Anbieter, der Ihnen den Endpunkt unter den Füßen wegziehen kann.

Omnis Kosten sind auf den Cent genau nachvollziehbar. Ein 15-Sekunden-Clip in 720p kostet etwa 1,05 $ an Ausgabe-Tokens. Ein 360p-Entwurf kostet etwa 0,35 $. Ein 4K-Upscale dieser 15 Sekunden kostet etwa 3,14 $. Sie zahlen pro Ausgabesekunde, Sie zahlen bei jedem erneuten Versuch erneut, und konversationelles Editing bedeutet, dass Wiederholungen der normale Workflow sind und nicht die Ausnahme. Ein Werbespot mit zehn Einstellungen und drei Bearbeitungen pro Einstellung ist keine 15-Dollar-Angelegenheit; er liegt eher bei sechzig.

Diese beiden Kostenstrukturen sind nicht ineinander umrechenbar. Der Vergleich von „kostenlos nach Kapital“ mit „sieben Cent pro Sekunde“ ergibt eine Zahl, die vollständig von der Auslastung abhängt, und bei geringem Volumen ist das selbst gehostete Modell pro Bild dramatisch teurer. Bei hohem Volumen ist es dramatisch günstiger. Der Break-even ist eine Rechnung, die man mit dem eigenen GPU-Preis durchführen muss, keine Tatsache, die einem jemand liefern kann.

Was du von keinem von beiden bekommen kannst

Wenn Sie einen Talking-Head-Clip mit lippensynchronem Dialog benötigen, kann InternLumina-U2 nicht helfen, und es gibt keine Umgehung, außer einem separaten Videogenerator. Wenn Sie eine Pipeline zum Verständnis von 3D-Assets benötigen – das Lesen eines Meshes oder einer Szenenbeschreibung zusammen mit Bildern –, kann Gemini Omni 1.2 Flash nicht helfen, und es gibt keine Umgehung, außer einem separaten Vision-Modell.

Es gibt außerdem einen Unterschied bei den Formalitäten, der wichtiger ist, als er klingt. InternLumina-U2 steht unter Apache-2.0, was kommerzielle Nutzung, Änderung und Weitergabe mit Namensnennung bedeutet, und der Lizenztext ist im Repository zu finden. Gemini Omni 1.2 Flash ist ein gehosteter Dienst, dessen Bedingungen regeln, was man mit der Ausgabe tun darf; jeder Clip trägt ein SynthID-Wasserzeichen, ob man will oder nicht, und das Bearbeiten oder Erweitern hochgeladener Videos ist im EWR, in der Schweiz und im Vereinigten Königreich nicht verfügbar. Für ein Team in London, das ein Produkt auf konversationeller Videobearbeitung aufbaut, ist diese regionale Beschränkung ein Ausschlusskriterium, das kein Benchmark-Vergleich zutage fördern würde.

Wo OrcaRouter ehrlich gesagt steht

Keines der beiden Modelle steht in unserem Katalog. google/gemini-omni-1.2-flash liefert auf OrcaRouters Modellseiten einen 404-Fehler, und InternLumina-U2 hat nirgends einen gehosteten Endpoint – seine Modellkarte sagt genau das, und nur ein Community-Space nutzt es. Kein Aufruf an unsere API erreicht also eines der beiden, und dieser Beitrag sagt das lieber klar, als einen Host anzudeuten, den wir nicht haben.

Was das Gateway abdeckt, ist die Ebene, in der beide Workloads liegen. Eine selbst gehostete InternLumina-U2-Pipeline braucht weiterhin ein Textmodell, um die Prompts zu schreiben, die Ausgaben zu bewerten und Fehler weiterzuleiten, und das ist ein Aufruf, den wir über mehr als 200 Modelle mit einem Schlüssel und automatischem Failover bereitstellen. Auf der Omni-Seite, da OrcaRouter den Listenpreis des Anbieters mit 0 % Aufschlag durchreicht, kommt eine Preissenkung von Google noch am selben Tag bei uns an statt erst im nächsten Abrechnungszyklus – und die Omni-Linie hat ihren Videotarif in diesem Jahr bereits einmal geändert, von 17,50 $ auf 12,00 $ pro Million Ausgabe-Tokens. Wenn Sie einen selbst gehosteten Aufbau mit einem gemieteten vergleichen, ist die gemietete Seite, die sich unter Ihnen bewegt, genau die Variable, die eine Durchreichungsrechnung sichtbar macht.

Wie man entscheidet

Bauen Sie auf InternLumina-U2 auf, wenn Sie Bilder benötigen, wenn Sie 3D- oder Videoverständnis im selben Modell brauchen, wenn Sie über GPU-Kapazität verfügen, die Sie ohnehin bereits bezahlen, und wenn die Lizenzbedingungen für Ihr Produkt wichtig sind. Akzeptieren Sie, dass Sie ein Forschungsartefakt betreiben: Die Benchmarks stammen von den Autoren selbst, die GenEval-Tabelle widerspricht sich selbst, und das Tooling erwartet einen bestimmten Stack.

Kaufen Sie Gemini Omni 1.2 Flash, wenn Sie Bewegung mit Ton benötigen, heute einen funktionierenden Endpunkt wollen und Ihr Volumen niedrig genug ist, dass sekundengenaue Abrechnung günstiger ist als eine ungenutzte GPU. Akzeptieren Sie, dass Sie keine Qualitätsbenchmarks, keinen Textausgabemodus und keine negativen Prompts haben, dass die Bearbeitungsfunktionen regional eingeschränkt sind und jedes Einzelbild ein Wasserzeichen trägt.

Der Fehler, den es zu vermeiden gilt, ist, dies als Bake-off zu behandeln. Es ist eine Beschaffungsentscheidung zwischen einem Download und einem Meter, und die Frage der Modellqualität – diejenige, über die beide Anbieter am liebsten mit Ihnen streiten würden – ist diejenige, für die auf beiden Seiten die wenigsten Belege vorliegen.