Ling-3.0-flash-VL vs. InternLumina U2: Beide veröffentlicht, unterschiedliches Silizium

Beide dieser Modelle sind jetzt real, ausführbar und herunterladbar, was vor vierzehn Tagen noch nicht der Fall war – und der Unterschied zwischen ihnen hat fast nichts mit Benchmarks zu tun. Ling-3.0-flash-VL, vom inclusionAI-Lab der Ant Group, stellte BF16- und FP8-Gewichte zwischen dem 4. und 8. September 2026 auf Hugging Face bereit, veröffentlichte daneben SGLang- und vLLM-Serving-Rezepte und erreichte eine unabhängige Punktzahl von 25 im Artificial Analysis Intelligence Index v4.3. InternLumina U2, vom InternLM-Team des Shanghai AI Laboratory, lieferte zuerst Inferenzcode und veröffentlichte dann seine auf Ascend trainierten Modellgewichte am 10. September auf Hugging Face – sieben safetensors-Shards in einem ascend/Unterordner, womit das Repository insgesamt sechzehn Dateien umfasst.

Der Haken ist, wofür diese beiden Gewichts-Releases gedacht waren. Der veröffentlichte Pfad von Ling-3.0-flash-VL ist der CUDA-Pfad, den alle bereits haben: Ein Knoten mit acht Beschleunigern führt den FP8-Build aus, und die Serving-Stacks sind die, die Sie bereits betreiben. Der veröffentlichte Checkpoint von InternLumina U2 ist der Ascend-Checkpoint, und im README steht ausdrücklich, dass Sie den Checkpoint herunterladen, der dazu passt, wie Sie die Inferenz ausführen möchten — wobei der NVIDIA-trainierte Checkpoint weiterhin als „coming soon“ aufgeführt ist. Zwei Modelle, die in derselben Woche veröffentlicht wurden, und nur eines davon läuft auf der Hardware, vor der die meisten Teams stehen.

Das stellt den Vergleich sinnvoll in einen neuen Rahmen. Hier geht es nicht mehr um einen Artikel über veröffentlicht versus Vaporware, und wer InternLumina U2 immer noch als „weights-pending“ beschreibt, arbeitet mit einem eine Woche alten README. Es ist ein Artikel über zwei sehr unterschiedliche Unified-Visual-Designs, die auf zwei verschiedenen Silizium-Ökosystemen angekommen sind, und darüber, welche Teile jedes Releases tatsächlich fertig sind.

Was jede Version jetzt enthält

Ling-3.0-flash-VL ist ein spärliches Mixture-of-Experts-Modell mit 124 Mrd. Parametern, das pro Token rund 5,5 Mrd. Parameter aktiviert, auf einem 42-schichtigen Hybrid-Trunk, der Kimi Delta Attention mit gegateten MLA-Blöcken im Verhältnis 5:1 abwechselt. Ein Vision-Encoder mit beliebiger Auflösung und ein zweischichtiger MLP-Projektor speisen diesen Trunk, wobei VideoRoPE die räumliche und zeitliche Position übernimmt. Es nimmt Text, Bilder und Video entgegen und gibt Text zurück. Sowohl BF16 (64 Shards) als auch FP8 (etwa 126 GB, wobei der Vision-Tower bewusst mit höherer Präzision als die Expert-Gewichte gehalten wird) sind unter der MIT-Lizenz öffentlich, und die Veröffentlichung ist vollständig genug, dass die unabhängige Benchmark-Community es bewertet hat — 25 im Intelligence Index v4.3, Platz 2 von 64 in seiner Größenklasse gegenüber einem Klassenmedian von 8. Was es nicht veröffentlicht, ist ein Preis pro Token für das Vision-Modell, und seine API-Beispiele tragen eine -rc1-Kennung, die offen lässt, ob der bereitgestellte Checkpoint mit den offenen Gewichten übereinstimmt.

InternLumina U2 ist ein sparse Mixture-of-Experts-Modell mit 16 Mrd. Parametern und etwa 1 Mrd. aktiven Parametern, das auf einem LLaDA-2.0-MoE-Diffusions-Sprachmodell-Backbone basiert und sechs Aufgabenfamilien in einem Modell abdeckt: Text-QA, Text-zu-Bild-Generierung, Bildverständnis, Bildbearbeitung, Videoverständnis und 3D-Verständnis. Der Inferenzcode für all diese Bereiche ist öffentlich auf main verfügbar. Der auf Ascend trainierte Checkpoint ist jetzt öffentlich auf Hugging Face. Laut der eigenen Roadmap des Repositories stehen noch aus: der auf NVIDIA trainierte Checkpoint, der Trainingscode (ein separates Repository) und der technische Bericht. Die Roadmap hakt vier Kästchen ab und lässt zwei offen — Inferenzcode, Ascend-Gewichte sowie der Ascend-Trainings- und Inferenz-Stack erledigt; Trainingscode und Tech-Report nicht.

Ein praktisches Detail steht zwischen diesen beiden Absätzen. Das Ausführen der Vision-Pfade von U2 erfordert die AToken-Tokenizer-Gewichte unter atoken_inference/checkpoints/atoken-sod.pt, und der veröffentlichte Treiber erwartet ein aufgeteiltes Checkpoint-Verzeichnis, in dem die Modell-Assets zusammengehalten werden. Der Code ist echt und lässt sich mit Python 3.11, PyTorch 2.6.0 und, auf dem CUDA-Pfad, flash-attn 2.7.2 installieren. Die Ascend-Unterstützung liegt auf einem separaten ascend-npu-support-Branch und benötigt CANN plus einen passenden torch_npu-Build anstelle der CUDA-Toolchain. Nichts davon ist verborgen; alles davon ist dokumentiert. Es ist einfach ein längerer Weg als pip install und ein Modell-String.

Zwei Antworten auf die Frage „Was ist ein visuelles Token?“

Die Architekturen unterscheiden sich an einer Stelle, die tiefer liegt als die Parameteranzahl, und genau diese Uneinigkeit ist das Spannendste daran, die beiden nebeneinanderzustellen.

Ling-3.0-flash-VL hält den Standardvertrag ein. Ein Bild wird über den Vision-Encoder und Projektor in eine Sequenz von Tokens umgewandelt, diese Tokens gelangen in einen Transformer-Rumpf, und alles läuft autoregressiv. Die Neuheit liegt nicht darin, wie Vision repräsentiert wird, sondern darin, wie kostengünstig der Rumpf läuft — 5,5 Mrd. aktive Parameter pro Token von insgesamt 124 Mrd., was der ganze Grund dafür ist, dass das Modell an der Grenze zwischen Intelligenz und aktiven Parametern erscheint. VideoRoPE gibt räumlicher und zeitlicher Position eine konsistente Kodierung, sodass Video keine separate Maschinerie benötigt.

InternLumina U2 verändert die Repräsentation selbst. Es nutzt Apples AToken-Tokenizer, bei dem jede visuelle Position durch acht komplementäre Codebooks beschrieben wird — lokale Textur, eingebetteter Text, Geometrie und hochfrequente Details als getrennte Streams statt eines einzigen kollabierten Vektors. Jedes Codebook behält sein eigenes Embedding auf dem Weg hinein, und die acht Embeddings pro Position werden konkateniert und auf ein einzelnes Backbone-Token herunterprojiziert. Auf dem Weg hinaus ist die Vorhersage das, was das Team räumlich-parallel, codebook-tief autoregressiv nennt: Das Diffusions-Backbone entrauscht viele maskierte räumliche Positionen auf einmal, dann sagt ein Multi-Codebook-autoregressiver Kopf die acht Codes für jede Position der Reihe nach voraus. Verstehen und Generierung laufen durch dieselbe Maschinerie — das ist die eigentliche Behauptung. Das Argument des Teams ist, dass ein einzelnes Codebook begrenzt, wie viel Information ein visuelles Token tragen kann, während diskret-kontinuierliche Hybride Verstehen und Generierung über unterschiedliche Repräsentationen und Dekodierungspfade aufteilen, und dass vollständig diskret mit mehreren Codebooks der Weg ist, zu einem wirklich vereinheitlichten Modell zu gelangen statt zu zwei zusammengeschraubten Stapeln.

Beide davon sind kohärente Positionen, und sie bringen gegensätzliche Kosten mit sich. Multi-Codebook-Repräsentationen können feinere visuelle Details bewahren; sie multiplizieren außerdem das Token-Budget pro Bild mit der Anzahl der Codebooks und machen das Decoding erheblich aufwendiger, was vermutlich mit ein Grund dafür ist, warum 16B-A1B als Skalierung gewählt wurde. Lings Sparsity erkauft günstige Inferenz pro Token; sie bedeutet aber auch eine kleinere aktive Kapazität pro Forward Pass, was der Trade-off ist, den der Klassenmedian von 8 im Intelligence Index still veranschaulicht — Ling-3.0-flash-VL überschreitet ihn mit 25 komfortabel, aber beim reinen Reasoning konkurriert es nicht mit dichten Frontier-Modellen.

Die Aufgabenoberflächen überschneiden sich nur teilweise.

Beide unter „multimodales Modell“ zu verbuchen, überschätzt die Überschneidung. Zu wissen, wo sie endet, verhindert viele schlechte Vergleiche beim Einkaufen.

• Eingaben — Ling-3.0-flash-VL nimmt Text, Bilder und Video entgegen, bis zu 40 Bilder pro Anfrage, und gibt Text zurück; InternLumina U2 nimmt Text, Bilder, Video und 3D-Assets entgegen und gibt Text, generierte Bilder oder bearbeitete Bilder zurückbr /> • Bildgenerierung — Ling-3.0-flash-VL kann Bilder überhaupt nicht erzeugen oder bearbeiten; die zentrale Behauptung von InternLumina U2 ist, dass es beides kann, bis zu 1024×1024, mit denselben Gewichten, die Bilder lesenbr /> • 3D — Ling-3.0-flash-VL hat keinen 3D-Pfad; InternLumina U2 liefert eine Blender-basierte Pipeline, die GLB- und GLTF-Assets in 64 gepaarte Farb- und Tiefenansichten rendert, über die das Modell Schlussfolgerungen anstellen kannbr /> • Video — Ling-3.0-flash-VL verarbeitet Video über die temporale Kodierung von VideoRoPE; InternLumina U2 sampelt 64 Framesbr /> • Kontext und Ausgabe — Ling-3.0-flash-VL misst ein Kontextfenster von 262K Tokens gegenüber den 256K, die seine Modellkarte angibt, und eine vergleichsweise kurze maximale Ausgabe; InternLumina U2 hat keine der beiden Zahlen veröffentlichtbr /> • Aktive Parameter — Ling-3.0-flash-VL aktiviert pro Token ungefähr 5,5B; InternLumina U2 aktiviert etwa 1B, was ein Fünftel davon ist

Liest man diese Liste, kommt man zu dem Schluss, dass diese beiden genau für eine Aufgabe Substitute sind – ein Bild zu lesen und Fragen dazu zu beantworten – und fast überall sonst Komplemente. Wenn Sie ein Modell benötigen, das ein Bild generiert oder bearbeitet, ist Ling-3.0-flash-VL kein Kandidat, und kein Benchmark ändert das. Wenn Sie ein Modell benötigen, das ein Diagramm liest, eine Variante generiert und über ein 3D-Asset schlussfolgert, ist InternLumina U2 darauf ausgerichtet, und Ling-3.0-flash-VL deckt das nicht ab.

Benchmarks: ein unabhängiger Wert gegen eine Seite voller Herstellerzahlen

Die Qualität der Beweise liegt nicht knapp beieinander, und es lohnt sich, genau zu begründen, warum, anstatt einen Sieger zu behaupten.

Die 25 von Ling-3.0-flash-VL auf dem Intelligence Index v4.3 ist ein Drittanbieter-Durchlauf auf einem veröffentlichten Protokoll, mit einem Klassenmedian von 8 zum Vergleich, plus einem gemessenen Durchsatz von 142,9 Ausgabe-Tokens pro Sekunde gegenüber einem Peer-Median von 105,1 und einer Zeit bis zum ersten Token von 2,21 Sekunden. Die Anbieterkarte dazu behauptet separat 42 auf dem zurückgezogenen v4.1.1-Protokoll, was eine andere Skala ist und nicht neben die 25 gestellt werden kann, als hätte das Modell nachgelassen; der Index wurde im September 2026 überarbeitet und flächendeckend neu bewertet. Der Anbieter meldet außerdem einen 1.441-zu-1.440-Sieg in der Image-to-WebDev Arena über GPT-5.4 unter dem Handle „linthium“ – ein Ein-Punkt-Vorsprung innerhalb des Elo-Rauschens und vom Anbieter gemeldet.

Die Zahlen von InternLumina U2 stammen aus dem eigenen Labor, sind als vorläufig und teilweise gekennzeichnet, und die vollständigen Vergleichstabellen sowie der technische Bericht stehen noch aus. Sie stehen jetzt in einer Tabelle im Repository-README statt auf einem Benchmark-Leaderboard, und sie können noch nicht unabhängig verifiziert werden, weil kein Dritter einen Lauf veröffentlicht hat. So, wie das Labor sie angibt:

• Verständnis — ChartQA 86.52, CharXiv-DQ 83.65, HallusionBench 62.15, MMMU-Pro 36.13, MathVision 33.22, DynaMath 56.37br /> • Video — Video-MME 51.26, MVBench 59.74, MLVU 57.03br /> • Generierung und Bearbeitung — GenEval 0.81, DPG 87.10, TIIF Short 84.60, TIIF Long 85.95, ImgEdit 3.83br /> • Quellen — jeder InternLumina U2-Wert stammt vom Anbieter und ist vorläufig; jeder Ling-3.0-flash-VL-Wert stammt vom Anbieter, außer dem Intelligence Index, der von Artificial Analysis stammt

Zwei davon verdienen eine Kennzeichnung. GenEval 0,81 liegt laut der eigenen Tabelle des Labors hinter den 0,89 eines namentlich genannten Wettbewerbers – ein seltener Fall, in dem ein Anbieter eine Niederlage veröffentlicht, und ein Grund, dem Rest des Datenblatts etwas mehr zu vertrauen. Und ImgEdit mit 3,83 ist ohne die dazugehörige Tabelle bedeutungslos, die Teil dessen ist, was der noch ausstehende technische Bericht enthalten wird. Betrachten Sie die InternLumina U2-Liste als Ergebnisse, die das Labor verteidigen will, nicht als Ergebnisse, auf deren Grundlage Sie handeln können. Beachten Sie außerdem, dass die Verständniswerte davon und der Indexwert von Ling-3.0-flash-VL keine vergleichbaren Größen sind: Das eine ist eine Reihe aufgabenspezifischer Anbieterzahlen, das andere ein zusammengesetzter Index eines Drittanbieters.

Lizenz, Hardware und was ein Einsatz auf jedes davon tatsächlich kostet

Ling-3.0-flash-VL steht unter MIT-Lizenz, und zwar für beide Präzisionsformate – sauberer geht es bei offenen Gewichten kaum: keine Zusatzbedingungen, keine Einschränkungen der Nutzungsbereiche, keine Unklarheiten beim kommerziellen Einsatz. Der FP8-Build mit rund 126 GB passt auf einen Knoten mit acht Beschleunigern der 80-GB-Klasse; BF16 ist etwa doppelt so groß. Unterstützung für das Serving gibt es bereits in SGLang und in einem von Ant gepflegten vLLM-Fork. Das verbleibende Risiko ist eher kommerzieller als rechtlicher Natur: Ant veröffentlicht keinen Preis pro Token für das Vision-Modell, der kostenlose Zugang auf Ling Studio ist eine Werbeaktion und kein Tarif, und Artificial Analysis listet es nur deshalb mit 0,00 $ pro 1 Mio. Tokens für Eingabe und Ausgabe, weil der einzige sichtbare Endpunkt der kostenlose ist.

InternLumina U2 ist im Haupt-Repository Apache-2.0, mit zwei lesenswerten Ausnahmen: das mitgelieferte VeOmni/-Verzeichnis behält seine Apache-2.0-Lizenz aus dem Upstream, und atoken_inference/ ist von Apples ml-atoken abgeleitet und wird unter Apples ursprünglichen Bedingungen weiterverbreitet. Die Infrastrukturbehauptung ist ernst zu nehmen — sie zielt sowohl auf NVIDIA-GPUs als auch auf Huawei Ascend NPUs ab, mit numerischer Ausrichtung auf Operatorebene zwischen den Backends, und das Team berichtet von End-to-End-Training auf einem Ascend-Cluster mit tausend Karten, mit einer 1,85-fachen Verbesserung der Trainingseffizienz durch fusionierte Operatoren, abgestimmtes HSDP-Sharding und Gradient-Checkpointing. Das ist echte Ingenieursarbeit. Es ist auch unabhängig davon, ob das Modell etwas taugt: Trainingseffizienz auf Ascend sagt nichts über die Ausgabequalität aus, und der Checkpoint, den es heute gibt, ist der, der auf diesen Stack abzielt.

Die praktische Asymmetrie liegt also nicht in offen versus geschlossen. Beide sind offen, beide sind permissiv lizenziert, und beide lassen sich heute herunterladen. Sie besteht darin, dass die eine Version die Hardware voraussetzt, die Sie wahrscheinlich haben, und die andere die Hardware, die Sie wahrscheinlich nicht haben. Wenn Ihre Flotte NVIDIA ist, ist Ling-3.0-flash-VL eine Sache von einem Nachmittag und InternLumina U2 eine Warterei. Wenn Ihre Flotte Ascend ist – was im chinesischen Markt, für den dieses Modell gebaut wurde, immer häufiger vorkommt –, kehrt sich diese Gleichung vollständig um, und InternLumina U2 ist diejenige mit einem fertigen Pfad, während die Rezepte von Ling-3.0-flash-VL CUDA voraussetzen.

Fragen, die Menschen tatsächlich zu dieser Paarung stellen

Sind die Gewichte von InternLumina U2 schon herunterladbar?

Ja, der auf Ascend trainierte Checkpoint ist – sieben Safetensors-Shards, veröffentlicht unter ascend/ auf Hugging Face, zusammen mit der Konfigurationsdatei, dem Tokenizer und den Modellierungsdateien. Der auf NVIDIA trainierte Checkpoint befindet sich in einem separaten Unterordner und ist weiterhin als „demnächst verfügbar" gelistet, und der Trainingscode sowie der technische Bericht stehen noch aus.

Ist Ling-3.0-flash-VL strikt besser, weil es eine unabhängige Bewertung hat?

Nein — es ist besser belegt und einfacher auf gängiger Hardware auszuführen, was eine andere Aussage ist. Ling-3.0-flash-VL kann keine Bilder generieren oder bearbeiten, keine 3D-Assets verarbeiten und hat keinen veröffentlichten Preis. Wenn Ihre Aufgabe die Bildgenerierung, Bildbearbeitung oder das 3D-Verständnis ist, deckt InternLumina U2 sie ab, und Ling-3.0-flash-VL deckt sie überhaupt nicht ab, egal wie viele Benchmarks das Ling-Modell hat.

Widerspricht die 42 auf der Modellkarte von Ling-3.0-flash-VL der 25 von Artificial Analysis?

Nicht direkt. Die 42 wurde gegen das Intelligence-Index-Protokoll v4.1.1 gemessen und die 25 gegen v4.3; der Index wurde im September 2026 neu gefasst und flächendeckend neu bewertet, und die beiden Versionen basieren auf unterschiedlichen Evaluationssets. Was man sagen kann, ist, dass die 42 nie unabhängig reproduziert wurde und die 25 unabhängig erzeugt wurde.

Wo eine dieser beiden aufgerufen werden kann

Weder Ling-3.0-flash-VL noch InternLumina U2 steht in unserem Modellkatalog, und etwas anderes zu behaupten wäre eine Behauptung, die ein Leser in zehn Sekunden überprüfen könnte. Ling-3.0-flash-VL ist über die eigene Plattform von Ant erreichbar, die einen OpenAI-kompatiblen Endpunkt und einen Anthropic-kompatiblen veröffentlicht, über kostenlosen Testzugang bei Ling Studio und über die offenen Gewichte, wenn man sie selbst hostet. InternLumina U2 ist über den Hugging-Face-Checkpoint und den Inferenztreiber des Repositorys erreichbar, auf der Hardware, für die dieser Checkpoint ausgelegt ist.

Was wir routen, ist das Vision-Modell, gegen das dieses Paar in der Praxis am häufigsten abgewogen wird: DeepSeek V4 Flash Vision Exp, live im Katalog mit einem Kontextfenster von 1 Mio. Token und einem veröffentlichten Tarif, auf demselben OpenAI-kompatiblen Endpunkt wie der Rest des Katalogs. Wenn ein Labor offene Gewichte veröffentlicht, kann eine Routing-Schicht das Modell in der Regel anbieten, ohne darauf zu warten, dass sich der eigene gehostete Dienst des Labors stabilisiert – darin liegt der praktische Unterschied zwischen einem Modell, das zitierbar ist, und einem Modell, das aufrufbar ist. Dieser Unterschied ist bei Ling-3.0-flash-VL bereits spürbar und für InternLumina U2 vorerst akademisch, deren Release-Story eher ein Hardware-Pfad als eine Hosting-Frage ist.

Das Urteil ist wirklich gespalten, und es spaltet sich an Hardware und Aufgabe statt an Qualität. Ling-3.0-flash-VL ist die vollständige Veröffentlichung: MIT, beide Präzisionsformate, von Dritten bewertet, CUDA-first und auf Verstehen beschränkt. InternLumina U2 ist das ambitioniertere Design und die weniger fertige Veröffentlichung: der Checkpoint eines Hardware-Stacks veröffentlicht, eine einheitliche Oberfläche für sechs Aufgaben einschließlich Generierung und 3D, und ein technischer Bericht noch ausstehend. Wenn Sie diese Woche ein Vision-Modell auf NVIDIA-Hardware benötigen, erledigt sich die Wahl von selbst. Wenn Sie sich für das Multi-Codebook-Design von InternLumina U2 interessieren, ist das, worauf Sie achten sollten, der NVIDIA-Checkpoint — und die ehrliche Position bis dahin ist, dass seine Benchmark-Tabelle, einschließlich der Zeile, die es verliert, ein Modell beschreibt, dessen zweite Hälfte noch nicht ausgeliefert wurde.