LFM3-Omni-2B vs. InternLumina U2: Zwei Modelle, zwei Bedeutungen von Omni

LFM3-Omni-2B und InternLumina U2 sind beide unter „omni" geführt, und sie sind nicht im selben Geschäft tätig. Das Modell von Liquid AI mit 2,17 Milliarden Parametern nimmt Text, Bilder, Video und Audio entgegen und gibt Text oder 24-Kilohertz-Sprache zurück. InternLumina U2 vom Shanghai AI Laboratory nimmt Text, Bilder, Video und 3D entgegen und gibt Text oder Bilder zurück. Das eine ist ein Mund. Das andere ist eine Hand. Fast jeder Vergleich, den Sie zwischen den beiden finden, verbringt seine Länge mit Benchmarks, an denen nur eine Seite überhaupt teilnehmen kann, weshalb die nützliche Frage enger gefasst und billiger zu beantworten ist: Welche Hälfte von „omni" fehlt Ihrem Produkt?

Die beiden Veröffentlichungen kamen zudem in entgegengesetzten Formen daher, und das ist wichtiger als üblich. Liquid AI kündigte die LFM3-Familie am 27. Oktober 2026 in einem einzigen Beitrag an, der sechs Modelle der 2B-Klasse abdeckte, und LFM3-Omni-2B war eine Zeile dieses Beitrags statt einer eigenen Markteinführung – seine Gewichte lagen bereits seit dem 21. Oktober in einem öffentlichen Repository. InternLumina U2 ging den umgekehrten Weg: Der Inferenzcode und eine Projektseite erschienen am 1. September, die Gewichte folgten später in hardwarespezifischen Ordnern, und eine Ankündigung gab es nie. Keines der beiden Modelle hat eine Zahl, die ein Dritter reproduziert hat. Jede unten stehende Angabe ist die Selbstbeschreibung des Anbieters.

Die Ablehnungen sagen dir mehr als die Spezifikationen.

Spezifikationslisten werden so geschrieben, dass Modelle kompatibel erscheinen. Beginne stattdessen mit dem, was jedes von ihnen physisch nicht aufnehmen kann, denn die beiden Listen überschneiden sich überhaupt nicht.

LFM3-Omni-2B kann nicht zeichnen. Im Stack gibt es einen Vision-Encoder, aber er liest nur; der Ausgabepfad ist Text und Sprache. Bittet man es, ein Foto zu bearbeiten, lautet die ehrliche Antwort, dass die Anfrage im Modell keine Repräsentation hat.

InternLumina U2 kann nicht sprechen. Es hat keinen Audio-Encoder, keinen Codec-Tokenizer, keinen Speech-Head. Übergibt man ihm eine WAV-Datei, gibt es in der Architektur nichts, das sie empfangen könnte. Sein „omni“ ist eine Wette darauf, dass Verstehen und Generierung zu einem visuellen Backbone gehören; sein Ausgabevokabular besteht aus Text- und Bild-Tokens, nicht aus Wellenformen.

Die erste Frage ist also nicht, welches Modell höher abschneidet. Sie lautet, ob Ihre Arbeitslast eine synthetisierte Stimme oder ein bearbeitetes Bild benötigt, denn genau eine davon ist auf jeder der beiden Seiten verfügbar, und keines der Modelle wird die jeweils andere Fähigkeit durch Fine-Tuning ausbauen. Das ist eine Eigenschaft des Tokenizers, nicht der Trainingsdaten.

Der eine diktiert einen Satz, der andere verfeinert ihn.

Die Architekturen unterscheiden sich auf einer Ebene, die tiefer reicht als die Parameteranzahl, und dieser Unterschied erklärt die Aufspaltung der Fähigkeiten.

LFM3-Omni-2B ist autoregressiv. Ein LFM3-Backbone mit 1,7 Milliarden Parametern liest Tokens aus einem LFM3-Vision-Encoder und einem kausalen LFM3-Audio-Encoder und gibt Text-Tokens oder LiquidCodec-Sprach-Tokens von links nach rechts aus. Video wird mit 2 Bildern pro Sekunde abgetastet, und jeder 2×2-Bild-Patch wird zu einem einzigen Sprachmodell-Token zusammengefasst – so bleibt bei einem 2,17-Milliarden-Modell ein 32K-Fenster auf einem Smartphone nutzbar. Sprache wird mit 24 kHz ausgegeben, Audio geht mit 16 kHz mono hinein.

InternLumina U2 ist ein Diffusions-Sprachmodell, und das ist der Punkt, für den es sich lohnt, kurz innezuhalten. Es gibt nicht Token für Token aus; es beginnt mit Rauschen und verfeinert eine gesamte Sequenz parallel mithilfe eines maskierten Diffusionsziels. Seine visuelle Repräsentation ist vollständig diskret – acht Codebooks mit AToken-Bildtokens pro Position, die auf der Eingabeseite konkateniert und auf der Ausgabeseite Codebook für Codebook vorhergesagt werden. Ein Bild zu erzeugen ist dann derselbe Vorgang wie eine Frage zu beantworten: eine Sequenz visueller Tokens entrauschen. Das ist eine wirklich andere Wette als die, die jedes andere offene multimodale Modell eingeht, und genau deshalb kann das Modell überhaupt ein Bild erzeugen.

Der Preis dieser Wette ist die Werkzeugkette. InternLumina ist keine transformers-Pipeline, die man in drei Zeilen aufruft. Die Karte verlangt den AToken-Tokenizer mit FlashAttention, eine eigene block-diffusion generate API und Blender 4.5, wenn man die 3D-Ausgabe gerendert haben möchte. LFM3-Omni-2B dagegen kommt als gewöhnliche BF16-Gewichte mit einem dokumentierten Fine-Tuning-Pfad und einem bereits kursierenden Ollama-Build — einem, dessen Eintrag 125K Kontext gegenüber den 32K in der Modellkarte angibt, eine Diskrepanz, die bisher niemand erklärt hat.

Die technischen Daten, die entscheiden, ob es passt

• Parameter — LFM3-Omni-2B: 2,17 Mrd. dicht; InternLumina U2: 16 Mrd. insgesamt, 1 Mrd. aktiv in einem spärlichen Mixture-of-Experts.

• Ausgabe — Text und 24-kHz-Sprachausgabe, einschließlich verschränkter Text-und-Sprachausgabe, gegenüber Text und generierten oder bearbeiteten Bildern.

• Eingabe — Text, Bild, Video mit oder ohne Audio und 16-kHz-Audio, gegenüber Text, Bild, Video und 3D.

• Kontext — 32K Token für Eingabe und Ausgabe, gegenüber einer Kontextlänge, die die InternLumina-Karte nach wie vor nicht angibt.

• Sprachen — 16 Textsprachen und 19 Sprach-Locales für LFM3-Omni-2B; InternLumina veröffentlicht keine Anzahl.

• Lizenz — LFM Open License v1.0, eine Lizenz mit Umsatzschwelle, gegenüber Apache 2.0 mit Sonderregelungen für den mitgelieferten AToken- und VeOmni-Code.

• Hardware — Telefone, Laptops und Edge-Boards auf der einen Seite; auf der anderen Seite Checkpoints, aufgeteilt in einen auf Huawei Ascend NPUs trainierten ascend/-Baum und einen nvidia/-Baum, jeweils etwa 33,8 GB pro Baum.

Die beiden Benchmarks, die sie tatsächlich gemeinsam haben

In beiden Karten gibt es genau zwei Video-Nummern, und sie widersprechen sich darin, welches Modell besser ist, was das Aufschlussreichste auf dieser Seite ist.

Auf MVBench meldet InternLumina U2 61,8 und LFM3-Omni-2B 58,03 — ein Vorsprung von 3,8 Punkten für das Diffusionsmodell. Auf Video-MME ohne Untertitel meldet LFM3-Omni-2B 57,70 und InternLumina U2 56,7 — ein Vorsprung von 1 Punkt in die andere Richtung. Beide Ergebnisse wurden von den Anbietern selbst erzeugt, auf unterschiedlichen Harnesses und mit unterschiedlichen Prompts, und keines der Labore hat den Evaluierungscode veröffentlicht. Ein Unterschied von 1 Punkt ist unter diesen Bedingungen Rauschen; ein Unterschied von 3,8 Punkten ist wahrscheinlich real, sagt aber wenig über Ihr Filmmaterial aus.

Alles andere ist nicht gemeinsam erhoben. Die Modellkarte von InternLumina führt mit CharXiv-DQ 85,9 und HallusionBench 64,6, Dokument- und Halluzinationstests, die LFM3-Omni-2B nie absolviert hat. Die Modellkarte von LFM3-Omni-2B führt mit DocVQA 92,47, OCRBench 806 und MMMU 42,44 sowie einer Sprachspalte – englische ASR-Wortfehlerrate 6,36, mehrsprachig 6,72, TTS UTMOSv2 3,80 –, die auf der anderen Seite kein Gegenstück hat. Die eigene Modellkarte kennzeichnet die Zahlen als von Liquid AI gemessen, mit dem jeweiligen Chat-Template des Modells und Greedy-Decoding, was der übliche Vorbehalt ist – und ein berechtigter.

InternLumina ist noch freimütiger: Seine Karte bezeichnet die Ergebnisse als „vorläufige, partielle Ergebnisse“ und verschiebt die Vergleichstabellen auf später. Das ist keine falsche Bescheidenheit. Ein 16B-A1B-Diffusionsmodell, das bei DPG-Bench 87.79 und GenEval 0.89 Bilder generiert, ist ein ernstzunehmendes Ergebnis, und es ist zugleich die Art von Ergebnis, die sich ändert, wenn jemand es mit einem anderen Sampler erneut laufen lässt.

Wer sollte was auswählen?

Wenn Ihr Produkt antworten muss – ein Sprachassistent, eine Freisprech-Schnittstelle, ein Barrierefreiheits-Tool, ein Anrufzusammenfasser, der dem Anrufer eine gesprochene Antwort liefert –, ist LFM3-Omni-2B das einzige dieser beiden, das die Aufgabe erledigen kann. Es ist außerdem das einzige, das auf dem Gerät läuft, was bei Sprache doppelt zählt: Audio ist die datenschutzsensibelste Modalität, mit der die meisten Apps zu tun haben, und es an einen Server zu schicken, ist eine Entscheidung, die man rechtfertigen muss.

Wenn Ihr Produkt ein Bild erzeugen oder bearbeiten muss, ist InternLumina U2 das Einzige, das starten kann. Der Preis dafür ist, dass Sie jetzt einen Diffusion-Inferenz-Stack auf Ascend-first-Hardware warten, mit einem NVIDIA-Zweig, der erst seit Kurzem nutzbar ist, und einem 3D-Pfad, der eine Blender-Installation erfordert. Das ist ein Research-Deployment, kein App-Store-Deployment.

Was fast niemand zugibt, ist, dass echte Produkte beides brauchen, und diese beiden Modelle lassen sich nicht miteinander kombinieren. Eine Anfrage, die ein generiertes Diagramm und eine gesprochene Erklärung benötigt, muss zwei Laufzeitumgebungen, zwei Lizenzen und zwei Hardwareprofile durchqueren. An dieser Nahtstelle setzen die meisten Teams irgendwann einen Router ein statt eines größeren Modells. OrcaRouter ist die gehostete Seite dieser Anordnung – eine API über 200+ Modelle zu 0 % Aufschlag auf den Listenpreis des Anbieters, mit automatischem Failover, wenn ein Anbieter ausfällt – und weder LFM3-Omni-2B noch InternLumina U2 stehen heute in diesem Katalog. Der Punkt ist nicht, dass eines von beiden dort hingehört. Der Punkt ist, dass die zweite Hälfte, sobald man die Arbeit in zwei Teile teilt, irgendwo laufen muss.

Was würde die Antwort ändern

Eine unabhängige Evaluation eines der beiden Modelle würde mehr bewirken als eine weitere Anbietertabelle. Bei InternLumina U2 ist die zentrale Kennzahl die Generierungsqualität unter einem anderen Sampler, denn Diffusion-Outputs verändern sich, wenn sich der Sampler ändert, und kein unabhängiger Dritter hat das getestet. Bei LFM3-Omni-2B ist es die Frage, ob die Sprache außerhalb von Liquids eigenen Prompts standhält – konkret, ob die 3.80 UTMOSv2 den Kontakt mit einem Hörer übersteht, der nicht die eigene Arbeit bewertet.

Bis dahin ruht die Entscheidung auf etwas Seltenerem als einem Benchmark: einer Fähigkeitsliste. LFM3-Omni-2B spricht und kann nicht zeichnen. InternLumina U2 zeichnet und kann nicht hören. Für die meisten Teams ist damit die Sache entschieden, bevor die erste Evaluierung läuft.