InternLumina-U2 vs Qwen2.5 Omni: Das Omni-Modell, das Alibaba geliefert hat, vs. das, das Shanghai AI Lab noch verspricht

InternLumina-U2 und Qwen2.5 Omni sind beide Antworten auf denselben Anspruch – ein einziges Modell, das alle Modalitäten verarbeitet, statt eines Zoos von Spezialisten – aus zwei Generationen. Qwen2.5 Omni ist die Antwort, die tatsächlich ausgeliefert wurde: ein Open-Weight-Modell mit 7 Milliarden Parametern, das im März 2025 veröffentlicht wurde, zum Zeitpunkt dieses Textes siebzehn Monate alt, das Text, Bilder, Audio und Video als Eingabe akzeptiert und in Text oder natürlicher Streaming-Sprache antwortet. InternLumina-U2 ist die Antwort des Shanghai AI Laboratory, veröffentlicht als Inferenzcode am 1. September 2026: ein Sparse-Diffusionsmodell mit 16B Parametern, das behauptet, Bilder, Video und 3D wahrzunehmen und Bilder über eine gemeinsame Schnittstelle diskreter Tokens zu erzeugen und zu bearbeiten. Eine Generation der Omni-Idee ist seit anderthalb Jahren in Produktion; die andere ist einen Tag alt und kann von niemandem ausgeführt werden, weil ihre Gewichte noch nicht existieren. Die Kluft zwischen ihnen ist der Unterschied zwischen einem gehaltenen und einem gemachten Versprechen.

Das veröffentlichte Omni: Qwen2.5 Omni

Qwen2.5 Omni ist als Baseline durchaus ernst zu nehmen, denn es ist eines der seltenen offenen Modelle, die das Versprechen „alles wahrnehmen, in beliebiger Form antworten“ tatsächlich einlösen. Seine Thinker-Talker-Architektur kombiniert einen Text-Thinker mit einem Talker, der Sprache erzeugt, und nutzt eine zeitlich abgestimmte multimodale Positionskodierung, sodass Audio und Video synchron bleiben. Die Eingabe umfasst Text, Bilder, Audio und Video, und die Ausgabe kann in derselben Runde Text plus Stimme enthalten, mit vier integrierten Stimmen. Die Einschränkungen sind ebenso dokumentiert wie die Fähigkeiten: Der Kontext umfasst 32K-Token, es gibt kein Function Calling und keine strukturierte Ausgabe, und es ist eher ein Omni-Gesprächspartner als ein Agent. Was es nicht tut, ist für diesen Vergleich hervorzuheben – es nimmt Bilder, Audio und Video wahr, erzeugt sie aber nicht. Das „Omni“ in Qwen2.5 Omni bedeutet Omni-Wahrnehmung mit Sprachsynthese auf der Ausgabeseite; die Pixel gehen hinein, und Worte kommen heraus.

Die Erfolgsbilanz ist real. Das Modell wurde hunderttausendfach heruntergeladen, hat eine gehostete API über die eigene Plattform des Entwicklers und mehrere Drittanbieter-Plattformen und hat siebzehn Monate damit verbracht, Quantisierungen, Community-Tools und einen bekannten Preis anzusammeln – Aggregator-Listen beziffern Text auf etwa 0,09 $ pro Million Eingabe-Token und 0,34 $ pro Million Ausgabe-Token, wobei Audio separat abgerechnet wird. Siebzehn Monate sind lang genug, dass sowohl seine Stärken als auch seine Grenzen gut kartiert sind. Das ist es, was Reife kauft: nicht Perfektion, sondern Vorhersehbarkeit.

Das Omni, das verheißen ist: InternLumina-U2

InternLumina-U2 versucht, einen Schritt weiter zu gehen als Qwen2.5 Omni, und genau dort liegt die Schwierigkeit. Seine Design-These lautet, dass Wahrnehmung und Generierung sich eine gemeinsame Schnittstelle aus diskreten Token teilen sollten: Statt eines Sprachmodells, das Video wahrnimmt, und eines separaten Diffusionsmodells, das zeichnet, soll ein einzelnes spärliches MoE-Diffusions-Backbone – 16B insgesamt, 1B aktiv – sowohl ein Bild, ein Diagramm, ein Video oder ein 3D-Asset lesen als auch ein neues Bild oder eine Bearbeitung schreiben können, unter Verwendung eines vollständig diskreten visuellen Vokabulars aus acht Codebooks, sodass jede visuelle Position genügend Informationen trägt, um beide Richtungen zu unterstützen. Das ist eine wesentlich größere Behauptung als die von Qwen2.5 Omni. Es ist eine Sache, jede Eingabemodalität in Text und Sprache zu leiten; eine andere, ein einziges Gewichtsset dazu zu bringen, Pixel so fließend zu erzeugen, wie es über sie nachdenkt.

Es ist außerdem im Moment eine unbelegbare Behauptung. Das Labor hat Inferenzcode, eine Projektseite mit einer „vorläufigen, unvollständigen" Benchmark-Tabelle und einen leeren Hugging-Face-Stub veröffentlicht; die Gewichte, der Trainingscode, der technische Bericht und der Ascend-NPU-Stack sind alle als „in Kürze" markiert. Es gibt keine unabhängige Bewertung, weil es nichts zu bewerten gibt. Qwen2.5 Omnis Architektur war in der Woche der Veröffentlichung überprüfbar, weil die Gewichte mitgeliefert wurden; InternLumina-U2s Architektur ist heute lesbar, und ihre Qualität bleibt ein Versprechen des Anbieters.

Die Anzeigetafel

Da eines dieser Modelle siebzehn Monate Geschichte hat und das andere einen Tag Code, tragen die Zeilen eine Herkunftsangabe, anstatt so zu tun, als wären die Spalten symmetrisch.

• Alter — Qwen2.5 Omni: veröffentlicht im März 2025, siebzehn Monate im Einsatz, Hunderttausende Downloads. InternLumina-U2: Inferenzcode veröffentlicht am 1. September 2026, null Downloads, null unabhängige Ausführungen.

• Form — Qwen2.5 Omni: ~7B Ende-zu-Ende, Thinker-Talker mit zeitlich abgestimmter multimodaler Positionskodierung. InternLumina-U2: 16B gesamt / 1B aktive spärliche MoE-Diffusions-LLM mit einem diskreten visuellen Tokenizer mit acht Codebüchern.

• Eingabe — beide akzeptieren Text und Bilder; Qwen2.5 Omni akzeptiert zusätzlich Audio und Video für den Omni-Chat; InternLumina-U2 gibt zudem Videoverständnis anhand von 64 abgetasteten Frames und 3D-Verständnis anhand von Blender-gerenderten GLB/GLTF-Ansichten an.

Ausgabe — Qwen2.5 Omni: Text und Streaming-Sprache, vier Stimmen. InternLumina-U2: behauptet, Text, Text-zu-Bild bis zu 1024×1024 und anweisungsbasierte Bildbearbeitung zu unterstützen.

• Generierungsgrenze — Qwen2.5 Omni: erzeugt Wörter und Stimme, keine Pixel. InternLumina-U2: versucht, innerhalb desselben diskreten Token-Modells, das liest, Pixel zu erzeugen und zu bearbeiten.

• Gewichte und Lizenz — beide prinzipiell offene Gewichte unter Apache-2.0; die von Qwen2.5 Omni sind heute herunterladbar, die von InternLumina-U2 sind noch nicht öffentlich.

• Bereitstellung — Qwen2.5 Omni: gehostete API plus Selbsthosting (eine schwere Vollpräzisions-Bereitstellung); bekannter 32K-Kontext, keine Funktionsaufrufe. InternLumina-U2: nicht bereitstellbar — der veröffentlichte Treiber erwartet Checkpoints, die nicht existieren.

• Kernzahlen — Qwen2.5 Omni: seit Langem auf dem OmniBench-Leaderboard etabliert (ein Wert von etwa 0,561 auf den aktuellen Ranglisten); InternLumina-U2: ChartQA 86,52, MathVision 33,22, GenEval 0,81 — alles vom Anbieter gemeldet, vorläufig und unvollständig.

Warum die Generationenkluft die eigentliche Geschichte ist

Lässt man ihr Alter beiseite, ist der wesentliche Unterschied die Grenze, an der jedes Modell Halt macht. Qwen2.5 Omni hat sich für eine praktikable Version von Omni entschieden: Es nimmt breit wahr, antwortet in Text oder per Stimme und überlässt die Bild- und Videosynthese dedizierten Generierungsmodellen an anderer Stelle im Stack. Diese Arbeitsteilung prägt im Jahr 2026 im Wesentlichen jedes produktive Multimodalsystem – und genau deshalb konnte Qwen2.5 Omni 2025 ausgeliefert werden und bleibt 2026 nützlich: Es macht seinen Teil gut und lässt sich mit dem Rest kombinieren. InternLumina-U2 ist eine Wette darauf, dass die Arbeitsteilung das Problem ist: Ein Modell, das gezwungen ist, alles – Wahrnehmung und Generierung – in einem gemeinsamen diskreten Vokabular zu repräsentieren, entwickelt ein tieferes Verständnis von visuellen Inhalten als ein Modell, das sie nur beschreiben muss. Diese Wette ist, wenn sie sich auszahlt, das wichtigere Ergebnis. Zahlt sie sich nicht aus, wird InternLumina-U2 zu einem langsameren, hungrigeren Qwen2.5 Omni mit einem Bildgenerator, der unbeholfen in dieselben Gewichte eingebaut wurde. Der gesamte Wettstreit – und es ist ein Wettstreit zwischen einem ausgelieferten Design und einer Hypothese, nicht zwischen zwei lauffähigen Modellen – ist die Frage, ob sich die anspruchsvollere Architektur selbst rechtfertigt.

Die Qwen/Qwen2.5-Omni-7B-Karte auf Hugging Face, aufgenommen am 27. August 2026 — die Thinker-Talker-Übersicht, die Apache-2.0-Lizenz und die Modalitäts-Tags des Modells für Text, Bild, Audio und Video.

Was eineinhalb Jahre Downloads tatsächlich einbringen

Reife ist kein Vibe; sie ist eine Liste von Dingen, die man weiß. Mit Qwen2.5 Omni weiß man, dass der 32K-Kontext eine harte Randbedingung ist, und kann seine Anwendungen entsprechend darum herum konstruieren. Man weiß, dass es keinen Pfad für Function Calling gibt, und tut nicht so, als gäbe es einen. Man weiß ungefähr, was ein Deployment kostet, sowohl über eine gehostete API als auch auf eigenen GPUs, weil das Modell von genug Leuten bepreist und betrieben wurde, sodass sich die Zahlen eingependelt haben. Man weiß, dass die OmniBench-Position real ist, weil unabhängige Leaderboards sie seit über einem Jahr verfolgen. Bei InternLumina-U2 trifft keines dieser Verben zu – man weiß es nicht, man kann es nicht wissen, weil es kein Artefakt gibt. Wenn ein Modell einen Tag alt und gewichtslos ist, ist jede Behauptung darüber eine Absichtserklärung. Diese Asymmetrie ist kein Seitenhieb gegen die Wissenschaft; sie ist die richtige epistemische Haltung für jeden, der entscheidet, worauf er baut.

Das GitHub-Repository InternLM/InternLumina-U2, erfasst am 2. September 2026 – die Repository-Startseite, die die Architektur öffentlich macht – Beschreibung, Lizenz und die Inferenzskripte – während die Gewichte selbst im Verzeichnisbaum fehlen.

Die Routing-Entscheidung, ehrlich dargestellt

Wir wollen die Verfügbarkeit klar benennen: OrcaRouter hostet InternLumina-U2 nicht, weil es keine Gewichte gibt, die jemand hosten könnte, und Qwen2.5 Omni führen wir derzeit ebenfalls nicht – es läuft über die eigene API des Entwicklers und über Plattformen Dritter. Beim Routing geht es hier also um die Grundhaltung, nicht darum, diese beiden Modelle heute über einen einzigen API-Schlüssel aufzurufen. Das dauerhaft tragfähige Muster ist jenes, auf das jede Entscheidung zwischen etabliertem Modell und Neuling letztlich stößt: das bewährte Modell auf dem Hauptpfad belassen – wo eine einzige API für über 200 Modelle und eine Weitergabe ohne Aufschlag (0 %) bedeuten, dass man genau den Listenpreis des Anbieters zahlt und nicht mehr – und den unerprobten Neuling auf einen Testpfad mit automatischem Failover lenken, sodass beim ersten Stocken, Abdriften oder Liefern von Unsinn der Aufruf auf das Modell mit der siebzehnmonatigen Erfolgsbilanz durchfällt. Auf diese Weise können Sie eine ambitionierte neue Architektur wie InternLumina-U2 an dem Tag bewerten, an dem ihre Gewichte veröffentlicht werden – ohne den Produktionspfad aufs Spiel zu setzen, von dem Sie bereits abhängen.

Das Urteil

Qwen2.5 Omni ist das Omni-Modell, auf das man heute aufbauen kann: verfügbar, herunterladbar, dokumentiert, mit bekannten Einschränkungen und einem festen Preis. InternLumina-U2 ist das Omni-Modell, das man beobachten sollte: ein echter architektonischer Schritt über die Wahrnehmung hinaus zur Kreation, Apache-2.0, mit veröffentlichtem Code und ausstehenden Gewichten. Wenn die Multi-Codebook-Wette des Labors unabhängigen Tests standhält, wird InternLumina-U2 nicht so sehr ein Rivale von Qwen2.5 Omni sein, sondern die nächste Generation derselben Idee. Wenn nicht, wird der siebzehn Monate alte Allrounder, der tatsächlich veröffentlicht wurde, immer noch da sein und die Arbeit tun, die er die ganze Zeit getan hat. Behalten Sie den Hugging-Face-Stub im Auge; das Urteil hängt von den Safetensors-Dateien ab, nicht von diesem Artikel.