LFM3-Omni-2B vs InternLumina U2: dos modelos, dos significados de Omni

LFM3-Omni-2B y InternLumina U2 están ambos clasificados como «omni» y no pertenecen al mismo negocio. El modelo de 2,17 mil millones de parámetros de Liquid AI acepta texto, imágenes, vídeo y audio, y devuelve texto o voz de 24 kilohercios. El InternLumina U2 del Laboratorio de IA de Shanghái acepta texto, imágenes, vídeo y 3D, y devuelve texto o imágenes. Uno es una boca. El otro es una mano. Casi todas las comparaciones que encontrarás entre ellos dedican toda su extensión a benchmarks en los que solo uno de los dos puede siquiera participar, por lo que la pregunta útil es más concreta y más barata de responder: ¿qué mitad de «omni» le falta a tu producto?

Los dos lanzamientos también llegaron con formas opuestas, y eso importa más de lo habitual. Liquid AI anunció la familia LFM3 el 27 de octubre de 2026 en una sola publicación que abarcaba seis modelos de clase 2B, y LFM3-Omni-2B fue una línea de esa publicación en lugar de un lanzamiento propio: sus pesos ya estaban en un repositorio público desde el 21 de octubre. InternLumina U2 fue al revés: el código de inferencia y una página del proyecto aparecieron el 1 de septiembre, los pesos llegaron después en carpetas específicas para hardware y nunca se produjo anuncio alguno. Ninguno de los dos modelos tiene una cifra que haya reproducido un tercero. Todas las cifras a continuación son del proveedor describiéndose a sí mismo.

Los rechazos te dicen más que las especificaciones.

Las listas de especificaciones se escriben para que los modelos parezcan compatibles. En su lugar, empieza por lo que cada uno físicamente no puede aceptar, porque las dos listas no se cruzan en absoluto.

LFM3-Omni-2B no puede dibujar. Hay un codificador de visión en la pila, pero solo lee; la ruta de salida es texto y voz. Pídele que edite una foto y la respuesta honesta es que la solicitud no tiene representación en el modelo.

InternLumina U2 no puede hablar. No tiene codificador de audio, ni tokenizador de códecs, ni cabeza de voz. Pásale un archivo WAV y no hay nada en la arquitectura que pueda recibirlo. Su «omni» es una apuesta por que la comprensión y la generación pertenezcan a un mismo backbone visual; su vocabulario de salida son tokens de texto e imagen, no formas de onda.

Así que la primera pregunta no es qué modelo obtiene una puntuación más alta. Es si tu carga de trabajo necesita una voz sintetizada o una imagen editada, porque exactamente una de esas dos cosas está disponible en cada lado y ninguno de los modelos desarrollará la otra capacidad por recibir un ajuste fino. Eso es una propiedad del tokenizador, no de los datos de entrenamiento.

Uno dicta una frase, el otro la pule.

Las arquitecturas difieren en un nivel más profundo que el número de parámetros, y esa diferencia explica la división de capacidades.

LFM3-Omni-2B es autorregresivo. Un backbone LFM3 de 1700 millones de parámetros lee tokens de un codificador visual LFM3 y un codificador de audio causal LFM3, y emite tokens de texto o tokens de voz de LiquidCodec de izquierda a derecha. El vídeo se muestrea a 2 fotogramas por segundo y cada parche de imagen de 2×2 se reduce a un único token de lenguaje, que es como un modelo de 2,17B mantiene una ventana de 32K utilizable en un teléfono. La voz sale a 24 kHz, el audio entra a 16 kHz mono.

InternLumina U2 es un modelo de lenguaje de difusión, y esa es la parte que merece detenerse a analizar. No emite un token a la vez; parte del ruido y refina una secuencia completa en paralelo, mediante un objetivo de difusión enmascarada. Su representación visual es totalmente discreta: ocho libros de códigos de tokens visuales AToken por posición, concatenados en la entrada y predichos un libro de códigos a la vez en la salida. Generar una imagen es entonces la misma operación que responder a una pregunta: eliminar el ruido de una secuencia de tokens visuales. Esa es una apuesta genuinamente distinta de la que hacen todos los demás modelos multimodales abiertos, y es la razón por la que el modelo puede llegar a producir una imagen.

El costo de esa apuesta son las herramientas. InternLumina no es un pipeline de transformers que llamas en tres líneas. La ficha requiere el tokenizador AToken con FlashAttention, una API de generación con difusión por bloques personalizada y Blender 4.5 si quieres que se renderice la salida 3D. LFM3-Omni-2B, en comparación, se distribuye como pesos BF16 ordinarios con una ruta de ajuste fino documentada y una compilación de Ollama que ya circula — una cuyo listado cita un contexto de 125K frente a los 32K de la ficha del modelo, una discrepancia que nadie ha explicado todavía.

Las especificaciones que determinan si encaja

• Parámetros — LFM3-Omni-2B, 2,17B denso; InternLumina U2, 16B en total, 1B activos en una mezcla dispersa de expertos.

• Salida — texto y voz de 24 kHz, incluidos texto y voz intercalados, frente a texto e imágenes generadas o editadas.

• Entrada: texto, imagen, video con o sin audio, y audio de 16 kHz, frente a texto, imagen, video y 3D.

• Contexto — 32K tokens que abarcan entrada y salida, frente a una longitud de contexto que la ficha de InternLumina todavía no indica.

• Idiomas — 16 idiomas de texto y 19 configuraciones regionales de voz para LFM3-Omni-2B; InternLumina no publica una cifra.

• Licencia — LFM Open License v1.0, una licencia con umbral de ingresos, frente a Apache 2.0 con excepciones para el código AToken y VeOmni incluido.

• Hardware: teléfonos, portátiles y placas edge por un lado; por el otro, checkpoints divididos en un árbol ascend/ entrenado con NPU de Huawei Ascend y un árbol nvidia/, aproximadamente 33,8 GB por árbol.

Los dos benchmarks que realmente comparten

Hay exactamente dos números de video en ambas tarjetas, y discrepan sobre qué modelo es mejor, lo cual es lo más informativo de esta página.

En MVBench, InternLumina U2 reporta 61,8 y LFM3-Omni-2B reporta 58,03: una ventaja de 3,8 puntos para el modelo de difusión. En Video-MME sin subtítulos, LFM3-Omni-2B reporta 57,70 e InternLumina U2 reporta 56,7: una ventaja de 1 punto en sentido contrario. Ambos conjuntos fueron ejecutados por el proveedor, en arneses de evaluación distintos, con prompts distintos, y ninguno de los dos laboratorios ha publicado el código de evaluación. Una diferencia de 1 punto en esas condiciones es ruido; una de 3,8 puntos probablemente sea real, pero dice poco sobre tu metraje.

Todo lo demás no se comparte. La ficha de InternLumina encabeza con CharXiv-DQ 85.9 y HallusionBench 64.6, pruebas de documentos y alucinaciones a las que LFM3-Omni-2B nunca se sometió. La ficha de LFM3-Omni-2B encabeza con DocVQA 92.47, OCRBench 806 y MMMU 42.44, además de una columna de voz —tasa de error de palabras de ASR en inglés de 6.36, multilingüe 6.72, UTMOSv2 de TTS 3.80— que no tiene equivalente en el otro lado. Su propia ficha indica que las cifras fueron medidas por Liquid AI con la propia plantilla de chat de cada modelo y decodificación greedy, que es la salvedad estándar y una salvedad real.

InternLumina es aún más franco: su ficha califica los resultados como «resultados preliminares y parciales» y pospone las tablas comparativas. No es falsa modestia. Un modelo de difusión 16B-A1B que genera imágenes con DPG-Bench 87.79 y GenEval 0.89 es un resultado serio, y también es el tipo de resultado que cambia cuando alguien lo vuelve a ejecutar con un sampler distinto.

¿Quién debería elegir cuál?

Si tu producto necesita responder hablando —un asistente de voz, una interfaz manos libres, una herramienta de accesibilidad, un resumidor de llamadas que le entregue al interlocutor una respuesta hablada—, LFM3-Omni-2B es el único de estos dos que puede completar la tarea. También es el único que se ejecuta en el dispositivo, lo cual, en el caso del habla, importa por partida doble: el audio es la modalidad más sensible en términos de privacidad que manejan la mayoría de las apps, y enviarlo a un servidor es una decisión que tienes que justificar.

Si tu producto necesita producir o editar una imagen, InternLumina U2 es el único que puede ponerse en marcha. La contrapartida es que ahora mantienes una pila de inferencia de difusión sobre hardware con Ascend como prioridad, con un árbol de NVIDIA que solo recientemente se ha vuelto utilizable y una ruta 3D que requiere una instalación de Blender. Eso es un despliegue de investigación, no uno de tienda de aplicaciones.

Lo que casi nadie admite es que los productos reales necesitan ambas cosas, y estos dos modelos no pueden componerse entre sí. Una solicitud que necesita un diagrama generado y una explicación hablada tiene que cruzar dos entornos de ejecución, dos licencias y dos perfiles de hardware. Esa costura es donde la mayoría de los equipos acaban colocando un enrutador en lugar de un modelo más grande. OrcaRouter es el lado alojado de ese arreglo: una única API para más de 200 modelos con un 0 % de margen sobre el precio de lista del proveedor, con conmutación por error automática cuando un proveedor falla, y ni LFM3-Omni-2B ni InternLumina U2 están hoy en ese catálogo. La cuestión no es que alguno de los dos pertenezca allí. La cuestión es que, en el momento en que divides el trabajo en dos, la segunda mitad necesita algún lugar donde ejecutarse.

¿Qué cambiaría la respuesta?

Una evaluación independiente de cualquiera de los dos modelos haría más que otra tabla de proveedor. Para InternLumina U2, la cifra que hay que observar es la calidad de generación con un muestreador distinto, porque las salidas de difusión cambian cuando cambia el muestreador y ningún tercero lo ha probado. Para LFM3-Omni-2B, se trata de si el habla se sostiene fuera de las indicaciones propias de Liquid; en concreto, si el 3.80 de UTMOSv2 sobrevive al contacto con un oyente que no está calificando su propio trabajo.

Hasta entonces, la decisión se basa en algo más raro que un benchmark: una lista de capacidades. LFM3-Omni-2B habla y no puede dibujar. InternLumina U2 dibuja y no puede oír. Para la mayoría de los equipos, eso lo decide antes de que se ejecute la primera evaluación.