Gemini Omni 1.2 Flash vs InternLumina-U2 : des secondes louées contre des poids téléchargés

Placez Gemini Omni 1.2 Flash à côté d’InternLumina-U2, et la comparaison qui saute aux yeux — qualité d’image, vitesse de génération, scores aux benchmarks — est la moins intéressante qui soit, car les deux modèles ne se disputent pas la même ligne budgétaire. Gemini Omni 1.2 Flash est une API facturée à l’usage, à environ 0,07 $ par seconde de vidéo 720p, devenue généralement disponible le 5 novembre 2026, et qui renvoie un fichier dont vous détenez les droits d’utilisation, mais jamais les poids. InternLumina-U2 est un modèle de langage de diffusion clairsemé de 16 milliards de paramètres, issu de Shanghai AI Laboratory, sous Apache-2.0, avec sept shards par arborescence matérielle, hébergé sur Hugging Face où quiconque dispose de l’espace disque peut le télécharger. L’un est un service. L’autre est un actif. La question utile n’est pas de savoir lequel génère de meilleures images ; c’est de savoir laquelle de ces deux choses votre projet peut réellement absorber.

Cette formulation compte parce que la question évidente — « lequel des deux est meilleur en génération d’images » — appelle une réponse trompeuse. InternLumina-U2 génère bel et bien des images et, selon ses propres benchmarks déclarés par le fournisseur, il le fait de manière compétitive. Mais il comprend aussi la vidéo et la 3D au sein d’un même backbone, une capacité que Gemini Omni ne possède pas du tout, tandis que Gemini Omni génère de la vidéo avec un audio synchronisé, ce que InternLumina-U2 ne sait pas faire. Si l’on juge sur le recoupement, ce sont tous deux des systèmes proches de l’image et de la vidéo. Si l’on juge sur l’union, ils ne se touchent presque pas.

Le chevauchement, précisément

InternLumina-U2 gère les questions-réponses textuelles, la génération texte-image, la compréhension d’images, l’édition d’images, la compréhension de vidéos et la compréhension 3D au sein d’un seul modèle. Le qualificatif « compréhension » joue vraiment un rôle dans cette liste : il lit la vidéo et lit la 3D, il ne produit ni l’une ni l’autre. Ce qu’il produit, ce sont des images et du texte.

Gemini Omni 1.2 Flash produit de la vidéo. Il accepte en entrée du texte, des images et de la vidéo, et renvoie de la vidéo avec un audio natif, de trois à quinze secondes à 24 images par seconde, de 360p à 4K, les deux paliers les plus élevés étant suréchantillonnés. Il ne produit pas d’images comme livrable — chaque image est une image d’un clip — et il ne fait pas de retouche d’image fixe au sens où l’entend un designer.

Donc le chevauchement se résume exactement à une chose : générer une image à partir d’un prompt. InternLumina-U2 le fait comme une tâche parmi six. Gemini Omni 1.2 Flash ne le fait qu’en tant que première image d’un mouvement. Si c’est votre cas d’usage dans son intégralité, la comparaison est pertinente. Si ce n’est pas le cas, vous choisissez entre la boîte à outils d’un chercheur en images fixes et un point de terminaison de production vidéo.

• Modalités d'entrée — InternLumina-U2 accepte le texte, l'image, la vidéo et la 3D ; Gemini Omni 1.2 Flash accepte le texte, l'image et la vidéo.

• Modalité de sortie — InternLumina-U2 renvoie du texte et des images ; Gemini Omni 1.2 Flash renvoie de la vidéo avec un audio synchronisé.

• Architecture — InternLumina-U2 est un modèle de langage de diffusion MoE de 16 B au total, avec environ 1 B de paramètres actifs, sur le socle LLaDA-2.0 avec des jetons visuels discrets à huit codebooks Apple AToken ; l’architecture de Gemini Omni 1.2 Flash n’est pas divulguée.

• Accès — poids Apache-2.0 sur Hugging Face, avec des arborescences Ascend et NVIDIA distinctes ; une API hébergée fermée.

• Prix — pas de tarif par appel, car il n'existe pas de point de terminaison hébergé ; environ 0,07 $ par seconde de vidéo 720p générée, sans offre gratuite.

• Contexte — 131 072 tokens en entrée, 65 536 en sortie côté Omni ; la fiche InternLumina ne publie pas de fenêtre équivalente.

Ce que les benchmarks disent et ne disent pas

Les chiffres d’InternLumina-U2 proviennent de son propre article et de sa page projet (arXiv 2610.20818, soumis le 14 octobre 2026) et personne ne les a reproduits. Le chiffre de génération mis en avant est un score GenEval de 89,3 selon le protocole d’échantillonnage PHV propre aux auteurs, aux côtés de DPG-Bench 87,79, UniGenBench 86,11 et TIIF-Bench 88,57 sur des prompts courts et 87,08 sur des prompts longs. L’article revendique des performances de premier plan parmi les modèles unifiés en compréhension visuelle, génération d’images et édition d’images, et affirme que le modèle dépasse FLUX.1-dev et devance légèrement Qwen-Image sur GenEval, UniGenBench et TIIF tout en activant environ quatorze fois moins de paramètres.

Il y a une divergence qu'il vaut la peine de connaître avant d'en citer quoi que ce soit. Le tableau de résultats de la page du projet indique InternLumina-U2 à 0,81 sur GenEval, avec LLaDA2.0-Uni à 0,89 et InternVL-U à 0,85 — ce qui place le modèle plus récent derrière son propre prédécesseur sur cette ligne. Le chiffre de 89,3 correspond au protocole d'échantillonnage optimisé décrit dans l'article, et non à l'évaluation par défaut. Deux chiffres, deux protocoles, même modèle. L'article est la lecture la plus favorable et la page du projet la plus conservatrice, et ni l'une ni l'autre n'a été vérifiée indépendamment.

Gemini Omni 1.2 Flash n’a aucun score de benchmark publié par Google. L’article de lancement du 5 novembre est entièrement qualitatif — clips plus longs, meilleure fidélité aux références, dialogues plus naturels, moins de faux raccords — et indique explicitement que le travail se poursuit sur « l’action sportive rapide, les changements rapides de script et la physique complexe ». Il s’agit d’une liste inhabituellement franche de faiblesses connues, et c’est la seule déclaration de qualité faite par Google. Des chiffres de tiers existent, mais ils décrivent surtout des versions antérieures d’Omni : la page de comparaison de Megaton est intitulée « Gemini Omni Flash » alors que ses liens pointent vers le slug de prévisualisation, indique la sortie audio comme « No » (ce qui est faux pour 1.2, qui génère l’audio par défaut), et rapporte zéro vidéo notée et zéro mesure à l’appui de ses scores. Un testeur pratique, Rohit Rao de Segmind, a toutefois testé directement la 1.2 sur vingt générations pour un coût de 16,17 $, et sa conclusion est le point de données indépendant le plus utile disponible : les appels ont duré de 28 à 136 secondes, la plupart dans la plage de 40 à 90 secondes, le modèle était le plus fidèle aux instructions qu’il ait testé, et environ une instruction sur quatre était ignorée. Il a également constaté qu’il ne s’agit pas d’un modèle cinématographique de personnes photoréalistes.

Ainsi, le bilan honnête place InternLumina-U2 avec des chiffres du fournisseur détaillés, non reproduits et incohérents en interne, et Gemini Omni 1.2 Flash avec presque aucun chiffre et un seul petit test indépendant. Ni l'un ni l'autre ne permet de rendre un verdict fiable sur la qualité.

La comparaison des coûts que les gens font mal

InternLumina-U2 n'a pas de prix, et ce n'est pas la même chose qu'être gratuit.

Les poids représentent 67,6 Go répartis sur deux arborescences de sept fragments, soit environ 33,8 Go chacune ; télécharger une variante matérielle nécessite donc un transfert de 34 Go avant de disposer d’un environnement fonctionnel. Le dépôt exige FlashAttention pour le chemin AToken et, pour le pipeline 3D, Blender 4.5. L’entraînement a été mené sur 1 024 NPU Ascend 910B sur 1,05 billion de tokens, ce qui indique que le modèle a été conçu pour un cluster, même si l’inférence est bien plus légère : 1 milliard de paramètres actifs représente une charge de service modeste, et la stratégie d’échantillonnage PHV présentée dans l’article revendique une réduction de la latence de bout en bout d’un facteur 4,45 en 1024×1024 natif.

Ce que vous dépensez réellement, c’est un GPU, une semaine d’ingénieur pour bien configurer l’environnement, et ce que coûtent votre stockage et votre trafic sortant. Ce que vous obtenez, c’est une génération illimitée à coût marginal nul, un modèle que vous pouvez affiner, et aucun fournisseur qui puisse rendre le point de terminaison obsolète sous vos pieds.

Le coût d’Omni est lisible au centime près. Un clip 720p de quinze secondes coûte environ 1,05 $ en jetons de sortie. Un brouillon en 360p coûte environ 0,35 $. Un upscale 4K de ces quinze secondes coûte environ 3,14 $. Vous payez par seconde de sortie, vous payez à nouveau à chaque nouvelle tentative, et l’édition conversationnelle fait des nouvelles tentatives le flux de travail normal plutôt que l’exception. Une pub de dix plans avec trois modifications par plan n’est pas un travail à quinze dollars ; on est plus près de soixante.

Ces deux structures de coûts ne sont pas convertibles. Comparer « gratuit après l’investissement initial » à « sept centimes par seconde » produit un chiffre qui dépend entièrement du taux d’utilisation, et à faible volume, le modèle auto-hébergé est nettement plus cher par image. À volume élevé, il est nettement moins cher. Le seuil de bascule est un calcul arithmétique que vous devez faire avec votre propre prix de GPU, pas un fait que quiconque peut vous donner.

Ce que vous ne pouvez obtenir ni de l'un ni de l'autre

Si vous avez besoin d’un clip de tête parlante avec un dialogue synchronisé sur les lèvres, InternLumina-U2 ne peut pas vous aider et il n’existe pas de solution de contournement sans recourir à un générateur vidéo distinct. Si vous avez besoin d’un pipeline de compréhension d’actifs 3D — lire un maillage ou une description de scène avec des images — Gemini Omni 1.2 Flash ne peut pas vous aider et il n’existe pas de solution de contournement sans recourir à un modèle de vision distinct.

Il existe aussi une différence administrative plus importante qu'il n'y paraît. InternLumina-U2 est sous Apache-2.0, ce qui autorise l'usage commercial, la modification et la redistribution avec attribution, et le texte de la licence se trouve sur le dépôt. Gemini Omni 1.2 Flash est un service hébergé dont les conditions régissent ce que vous pouvez faire des résultats ; chaque clip porte un filigrane SynthID, que vous le vouliez ou non, et le montage ou l'extension de vidéos importées n'est pas disponible dans l'EEE, en Suisse et au Royaume-Uni. Pour une équipe à Londres qui construit un produit sur le montage vidéo conversationnel, cette restriction régionale est rédhibitoire d'une manière qu'aucun comparatif de benchmarks ne mettrait en évidence.

Où se situe OrcaRouter, honnêtement

Aucun des deux modèles ne figure dans notre catalogue. google/gemini-omni-1.2-flash renvoie une 404 sur les pages de modèles d’OrcaRouter, et InternLumina-U2 n’a d’endpoint hébergé nulle part — sa fiche le dit bien, et seul un Space communautaire l’utilise. Ainsi, aucun appel à notre API n’atteint l’un ou l’autre, et ce texte préfère le dire plutôt que de suggérer un hébergeur que nous n’avons pas.

Ce que la passerelle couvre, c'est la couche dans laquelle s'inscrivent les deux charges de travail. Un pipeline InternLumina-U2 auto-hébergé a toujours besoin d'un modèle de texte pour rédiger les prompts, évaluer les sorties et router les échecs, et c'est un appel que nous servons à travers plus de 200 modèles sur une seule clé avec bascule automatique. Du côté Omni, comme OrcaRouter répercute le prix catalogue du fournisseur à 0 % de marge, une baisse de prix de Google arrive de notre côté le jour même plutôt qu'au cycle de facturation suivant — et la gamme Omni a déjà modifié son tarif vidéo une fois cette année, de 17,50 $ à 12,00 $ par million de tokens de sortie. Si vous comparez une solution auto-hébergée à une solution louée, le fait que le côté loué bouge sous vos pieds est exactement la variable qu'une facture en répercussion rend visible.

Comment décider

Appuyez-vous sur InternLumina-U2 si vous avez besoin d’images, si vous avez besoin de compréhension 3D ou vidéo dans le même modèle, si vous disposez d’une capacité GPU que vous payez déjà et si les conditions de licence comptent pour votre produit. Acceptez que vous exécutez un artefact de recherche : les benchmarks sont ceux des auteurs, le tableau GenEval se contredit et l’outillage attend une pile spécifique.

Achetez Gemini Omni 1.2 Flash si vous avez besoin de mouvement avec son, si vous voulez un point de terminaison fonctionnel dès aujourd’hui et si votre volume est suffisamment faible pour que la facturation à la seconde soit moins chère qu’un GPU inactif. Acceptez de ne disposer d’aucun benchmark de qualité, d’aucun mode de sortie texte, d’aucun prompt négatif, d’une restriction régionale sur les fonctionnalités d’édition et d’un filigrane sur chaque image.

L’erreur à éviter est d’en faire un concours comparatif. C’est une décision d’achat entre un téléchargement et un compteur, et la question de la qualité du modèle — celle sur laquelle les deux fournisseurs aimeraient vous voir débattre — est celle pour laquelle il y a le moins de preuves des deux côtés.