LFM3-Omni-2B vs InternLumina U2 : deux modèles, deux sens d’Omni

LFM3-Omni-2B et InternLumina U2 sont tous deux classés sous « omni » et ils ne relèvent pas du même métier. Le modèle de 2,17 milliards de paramètres de Liquid AI prend en entrée du texte, des images, de la vidéo et de l'audio et renvoie du texte ou de la parole à 24 kilohertz. L'InternLumina U2 du Shanghai AI Laboratory prend en entrée du texte, des images, de la vidéo et de la 3D et renvoie du texte ou des images. L'un est une bouche. L'autre est une main. Presque toutes les comparaisons que vous trouverez entre eux consacrent toute leur longueur à des benchmarks auxquels un seul des deux camps peut même participer, c'est pourquoi la question utile est plus étroite et plus rapide à trancher : quelle moitié de « omni » manque à votre produit ?

Les deux sorties sont également arrivées sous des formes opposées, et cela compte plus que d’habitude. Liquid AI a annoncé la famille LFM3 le 27 octobre 2026 dans une seule publication couvrant six modèles de la classe 2B, et LFM3-Omni-2B n’était qu’une ligne de cette publication plutôt qu’un lancement à part entière — ses poids se trouvaient déjà dans un dépôt public depuis le 21 octobre. InternLumina U2 a fait l’inverse : le code d’inférence et une page de projet sont apparus le 1er septembre, les poids ont suivi plus tard dans des dossiers spécifiques au matériel, et aucune annonce n’a jamais été faite. Aucun des deux modèles ne dispose d’un chiffre qu’un tiers ait reproduit. Tous les chiffres ci-dessous proviennent du fournisseur qui se décrit lui-même.

Les refus vous en disent plus long que les spécifications.

Les listes de caractéristiques sont rédigées pour faire paraître les modèles compatibles. Commencez plutôt par ce que chacun ne peut physiquement pas accepter, car les deux listes ne se recoupent pas du tout.

LFM3-Omni-2B ne sait pas dessiner. Il y a bien un encodeur visuel dans l’architecture, mais il ne fait que lire ; la sortie est du texte et de la parole. Demandez-lui de modifier une photo et la réponse honnête est que cette demande n’a aucune représentation dans le modèle.

InternLumina U2 ne peut pas parler. Il n’a ni encodeur audio, ni tokeniseur de codec, ni tête vocale. Donnez-lui un fichier WAV et rien dans l’architecture n’est prévu pour le recevoir. Son « omni » est le pari que la compréhension et la génération appartiennent à un même socle visuel ; son vocabulaire de sortie est fait de tokens texte et image, pas de formes d’onde.

Ainsi, la première question n’est pas de savoir quel modèle obtient le meilleur score. C’est de savoir si votre charge de travail nécessite une voix synthétisée ou une image modifiée, car exactement l’une de ces capacités est disponible de chaque côté et aucun des deux modèles ne développera l’autre capacité par affinage. C’est une propriété du tokeniseur, pas des données d’entraînement.

L’un dicte une phrase, l’autre l’affine.

Les architectures diffèrent à un niveau plus profond que le nombre de paramètres, et cette différence explique le clivage des capacités.

LFM3-Omni-2B est autorégressif. Un socle LFM3 de 1,7 milliard de paramètres lit les tokens d’un encodeur visuel LFM3 et d’un encodeur audio causal LFM3, et émet des tokens de texte ou des tokens vocaux LiquidCodec de gauche à droite. La vidéo est échantillonnée à 2 images par seconde et chaque patch d’image 2×2 est réduit à un seul token de langage, ce qui permet à un modèle de 2,17 B de garder une fenêtre de 32 K utilisable sur un téléphone. La parole sort à 24 kHz, l’audio entre à 16 kHz mono.

InternLumina U2 est un modèle de langage à diffusion, et c'est le point sur lequel il vaut la peine de s'attarder. Il n'émet pas un token à la fois ; il part du bruit et affine une séquence entière en parallèle, selon un objectif de diffusion masquée. Sa représentation visuelle est entièrement discrète — huit codebooks de tokens visuels AToken par position, concaténés côté entrée et prédits codebook par codebook côté sortie. Générer une image est alors la même opération que répondre à une question : débruiter une séquence de tokens visuels. C'est un pari véritablement différent de celui que font tous les autres modèles multimodaux ouverts, et c'est pourquoi le modèle peut produire une image.

Le coût de ce pari, c’est l’outillage. InternLumina n’est pas un pipeline transformers que l’on appelle en trois lignes. La fiche modèle exige le tokenizer AToken avec FlashAttention, une API de génération personnalisée à diffusion par blocs, et Blender 4.5 si l’on veut que la sortie 3D soit rendue. LFM3-Omni-2B, en comparaison, est livré sous forme de poids BF16 ordinaires avec une procédure de fine-tuning documentée et un build Ollama déjà en circulation — dont l’annonce indique un contexte de 125K contre 32K dans la fiche modèle, une divergence que personne n’a encore expliquée.

Les caractéristiques qui déterminent si ça rentre

• Paramètres — LFM3-Omni-2B 2,17 B dense ; InternLumina U2 16 B au total, 1 B actif dans un mélange d’experts clairsemé.

• Sortie — texte et parole à 24 kHz, y compris texte et parole entrelacés, par rapport à du texte et des images générées ou modifiées.

• Entrée — texte, image, vidéo avec ou sans audio, et audio à 16 kHz, par rapport à texte, image, vidéo et 3D.

• Contexte — 32 K jetons couvrant l’entrée et la sortie, par rapport à une longueur de contexte que la fiche InternLumina ne précise toujours pas.

• Langues — 16 langues écrites et 19 locales vocales pour LFM3-Omni-2B ; InternLumina ne publie pas de nombre.

• Licence — LFM Open License v1.0, une licence à seuil de revenus, par rapport à Apache 2.0 avec des exceptions pour le code AToken et VeOmni intégré.

• Matériel — des téléphones, ordinateurs portables et cartes edge d'un côté ; de l'autre, des checkpoints répartis entre une arborescence ascend/ entraînée sur des NPU Huawei Ascend et une arborescence nvidia/, soit environ 33,8 Go par arborescence.

Les deux benchmarks qu’ils partagent réellement

Il y a exactement deux chiffres vidéo dans les deux cartes, et ils ne sont pas d’accord sur le modèle qui est meilleur, ce qui est l’élément le plus informatif de cette page.

Sur MVBench, InternLumina U2 annonce 61,8 et LFM3-Omni-2B annonce 58,03 — soit un avantage de 3,8 points pour le modèle de diffusion. Sur Video-MME sans sous-titres, LFM3-Omni-2B annonce 57,70 et InternLumina U2 annonce 56,7 — soit un avantage de 1 point dans l’autre sens. Les deux séries ont été réalisées par les fournisseurs, sur des bancs d’essai différents, avec des invites différentes, et aucun des deux laboratoires n’a publié le code d’évaluation. Un écart de 1 point dans ces conditions relève du bruit ; un écart de 3,8 points est probablement réel, mais dit peu de chose sur vos séquences.

Tout le reste n’est pas partagé. La fiche d’InternLumina met en avant CharXiv-DQ 85,9 et HallusionBench 64,6, des tests de documents et d’hallucinations auxquels LFM3-Omni-2B n’a jamais été soumis. La fiche de LFM3-Omni-2B met en avant DocVQA 92,47, OCRBench 806 et MMMU 42,44, ainsi qu’une colonne vocale — taux d’erreur de mots en ASR anglais 6,36, multilingue 6,72, TTS UTMOSv2 3,80 — qui n’a pas d’équivalent de l’autre côté. Sa propre fiche indique que les chiffres ont été mesurés par Liquid AI avec le template de chat propre à chaque modèle et un décodage glouton, ce qui constitue la mise en garde d’usage habituelle, et une mise en garde bien réelle.

InternLumina est encore plus franche : sa fiche qualifie les résultats de « résultats préliminaires et partiels » et reporte les tableaux comparatifs. Ce n’est pas de la fausse modestie. Un modèle de diffusion 16B-A1B générant des images avec 87,79 sur DPG-Bench et 0,89 sur GenEval est un résultat sérieux, et c’est aussi le genre de résultat qui change lorsque quelqu’un le réexécute avec un autre échantillonneur.

Qui devrait choisir lequel ?

Si votre produit doit répondre vocalement — un assistant vocal, une interface mains libres, un outil d’accessibilité, un résumé d’appels qui fournit à l’appelant une réponse parlée —, LFM3-Omni-2B est le seul des deux à pouvoir accomplir cette tâche. C’est aussi le seul à fonctionner sur l’appareil, ce qui compte doublement pour la parole : l’audio est la modalité la plus sensible en matière de confidentialité que la plupart des applications manipulent, et l’envoyer à un serveur est une décision que vous devez justifier.

Si votre produit doit produire ou modifier une image, InternLumina U2 est le seul à pouvoir démarrer. Le compromis, c’est que vous maintenez désormais une pile d’inférence de diffusion sur du matériel pensé d’abord pour Ascend, avec une arborescence NVIDIA devenue utilisable récemment seulement et une voie 3D qui réclame une installation de Blender. C’est un déploiement de recherche, pas un déploiement d’app store.

Ce que presque personne n’admet, c’est que les vrais produits ont besoin des deux, et que ces deux modèles ne peuvent pas se composer l’un avec l’autre. Une requête qui nécessite un diagramme généré et une explication vocale doit traverser deux environnements d’exécution, deux licences et deux profils matériels. C’est à cette couture que la plupart des équipes finissent par placer un routeur plutôt qu’un modèle plus gros. OrcaRouter est le volet hébergé de ce dispositif — une API unique couvrant plus de 200 modèles, avec 0 % de marge sur le prix catalogue du fournisseur, et un basculement automatique en cas de défaillance d’un fournisseur — et ni LFM3-Omni-2B ni InternLumina U2 ne figurent aujourd’hui à ce catalogue. L’idée n’est pas que l’un ou l’autre y ait sa place. L’idée est qu’à partir du moment où l’on scinde le travail en deux, la seconde moitié doit bien s’exécuter quelque part.

Qu’est-ce qui changerait la réponse ?

Une évaluation indépendante de l’un ou l’autre des modèles apporterait davantage qu’un nouveau tableau de fournisseur. Pour InternLumina U2, le chiffre à surveiller est la qualité de génération avec un échantillonneur différent, car les sorties de diffusion changent lorsque l’échantillonneur change et aucun tiers ne l’a testé. Pour LFM3-Omni-2B, il s’agit de savoir si la parole tient le coup en dehors des propres prompts de Liquid — plus précisément, si le 3,80 UTMOSv2 survit au contact d’un auditeur qui n’évalue pas son propre travail.

D'ici là, la décision repose sur quelque chose de plus rare qu'un benchmark : une liste de capacités. LFM3-Omni-2B parle et ne sait pas dessiner. InternLumina U2 dessine et ne peut pas entendre. Pour la plupart des équipes, cela règle la question avant même le premier test d'évaluation.