LFM3-Omni-2B לעומת InternLumina U2: שני מודלים, שתי משמעויות של Omni

LFM3-Omni-2B ו-InternLumina U2 מסווגים שניהם תחת "omni" והם לא באותו תחום. המודל של Liquid AI בעל 2.17 מיליארד פרמטרים מקבל טקסט, תמונות, וידאו ואודיו ומחזיר טקסט או דיבור ב-24 קילוהרץ. InternLumina U2 של מעבדת הבינה המלאכותית של שנגחאי מקבל טקסט, תמונות, וידאו ותלת-ממד ומחזיר טקסט או תמונות. האחד הוא פה. האחר הוא יד. כמעט כל השוואה שתמצאו ביניהם מקדישה את מלוא אורכה לבנצ'מרקים שרק צד אחד בכלל יכול לגשת אליהם, ולכן השאלה השימושית היא צרה יותר וזולה יותר למענה: איזה חצי מ"omni" חסר למוצר שלכם?

שתי ההשקות גם הגיעו בצורות הפוכות, וזה חשוב יותר מהרגיל. Liquid AI הכריזה על משפחת LFM3 ב-27 באוקטובר 2026 בפוסט אחד שכלל שישה מודלים בסדר גודל 2B, ו-LFM3-Omni-2B היה שורה אחת באותו פוסט ולא השקה בפני עצמה — המשקלים שלו כבר היו מונחים במאגר ציבורי מאז 21 באוקטובר. InternLumina U2 עשתה את הדרך ההפוכה: קוד ההסקה ועמוד פרויקט הופיעו ב-1 בספטמבר, המשקלים הגיעו אחר כך בתיקיות ספציפיות לחומרה, והכרזה מעולם לא הגיעה. לאף אחד מהמודלים אין מספר שצד שלישי שחזר. כל נתון להלן הוא הצגה עצמית של הספק.

הסירובים אומרים לך יותר מהמפרטים

רשימות מפרטים נכתבות כדי לגרום לדגמים להיראות תואמים. התחל במקום זאת במה שכל אחד מהם פיזית אינו יכול לקבל, מפני ששתי הרשימות אינן חופפות כלל.

LFM3-Omni-2B אינו מסוגל לצייר. יש מקודד חזותי במערך, אבל הוא רק קורא; מסלול הפלט הוא טקסט ודיבור. בקש ממנו לערוך תמונה, והתשובה הכנה היא שלבקשה אין ייצוג במודל.

{{1}}InternLumina U2{{/1}} אינו יכול לדבר. אין לו מקודד אודיו, אין לו טוקנייזר של קודק, ואין לו ראש דיבור. תנו לו קובץ WAV ואין בארכיטקטורה שום דבר שיקבל אותו. ה"אומני" שלו הוא הימור שההבנה והיצירה שייכות לעמוד שדרה חזותי אחד; אוצר המילים של הפלט שלו הוא טוקנים של טקסט ותמונה, לא צורות גל.

אז השאלה הראשונה היא לא איזה מודל מקבל ציון גבוה יותר. אלא האם עומס העבודה שלך צריך קול מסונתז או תמונה ערוכה, כי בדיוק אחד מאלה זמין בכל צד, ואף אחד מהמודלים לא יפתח את היכולת האחרת באמצעות כוונון עדין. זו תכונה של הטוקנייזר, לא של נתוני האימון.

אחד מכתיב משפט, והשני מחדד אותו

הארכיטקטורות נבדלות ברמה עמוקה יותר ממספר הפרמטרים, וההבדל מסביר את פיצול היכולות.

LFM3-Omni-2B הוא אוטורגרסיבי. שלד LFM3 בעל 1.7 מיליארד פרמטרים קורא טוקנים ממקודד חזותי של LFM3 וממקודד אודיו סיבתי של LFM3, ופולט טוקני טקסט או טוקני דיבור של LiquidCodec משמאל לימין. הווידאו נדגם בקצב של 2 פריימים לשנייה, וכל פיסת תמונה בגודל 2×2 מתכווצת לטוקן שפה בודד — וכך מודל של 2.17B שומר על חלון של 32K שמיש בטלפון. הדיבור יוצא ב-24 kHz, והאודיו נכנס ב-16 kHz מונו.

InternLumina U2 הוא מודל שפה דיפוזי, וזה החלק ששווה לעצור עליו. הוא אינו פולט טוקן אחד בכל פעם; הוא מתחיל מרעש ומעדן רצף שלם במקביל, באמצעות מטרת דיפוזיה עם מיסוך. הייצוג החזותי שלו הוא בדיד לחלוטין — שמונה ספרי קוד של טוקנים חזותיים AToken לכל מיקום, המשורשרים בצד הקלט ונחזים ספר קוד אחר ספר קוד בצד הפלט. יצירת תמונה היא אז אותה פעולה כמו מענה על שאלה: הסרת רעש מרצף של טוקנים חזותיים. זה הימור שונה באמת מזה שכל מודל מולטימודלי פתוח אחר מהמר עליו, וזו הסיבה שהמודל יכול בכלל להפיק תמונה.

המחיר של ההימור הזה הוא כלי פיתוח. InternLumina אינו צינור transformers שקוראים לו בשלוש שורות. הכרטיס דורש את הטוקנייזר AToken עם FlashAttention, API generate מותאם אישית ל-block-diffusion, ו-Blender 4.5 אם רוצים לרנדר את פלט ה-3D. LFM3-Omni-2B, לשם השוואה, מגיע כמשקולות BF16 רגילות עם מסלול fine-tuning מתועד ובנייה של Ollama שכבר נמצאת בתפוצה — כזו שהרשומה שלה מציינת הקשר של 125K לעומת 32K בכרטיס המודל, אי-התאמה שאיש עוד לא הסביר.

המפרטים שקובעים אם זה מתאים

• פרמטרים — LFM3-Omni-2B 2.17B צפוף; InternLumina U2 16B בסך הכול, 1B פעילים בתערובת מומחים דלילה.

• פלט — טקסט ודיבור ב-24 kHz, כולל טקסט ודיבור שזורים זה בזה, לעומת טקסט ותמונות שנוצרו או נערכו.

• קלט — טקסט, תמונה, וידאו עם או בלי אודיו, ואודיו ב-16 kHz, לעומת טקסט, תמונה, וידאו ותלת-ממד.

• הקשר — 32K אסימונים המכסים קלט ופלט, לעומת אורך הקשר שכרטיס InternLumina עדיין אינו מציין.

• שפות — 16 שפות טקסט ו-19 לוקאלים לדיבור עבור LFM3-Omni-2B; InternLumina אינה מפרסמת ספירה.

• רישיון — LFM Open License v1.0, רישיון עם סף הכנסה, לעומת Apache 2.0 עם החרגות עבור קוד AToken ו-VeOmni המצורפים.

• חומרה — טלפונים, מחשבים ניידים ולוחות קצה מצד אחד; ומצד שני, צ'קפוינטים המחולקים לעץ ascend/ שאומן על Huawei Ascend NPUs ולעץ nvidia/, בערך 33.8 GB לכל עץ.

שני הבנצ'מרקים שהם למעשה חולקים

ישנם בדיוק שני מספרי וידאו בשני הכרטיסים, והם חלוקים בדעתם לגבי איזה דגם טוב יותר, וזה הדבר האינפורמטיבי ביותר בעמוד הזה.

ב-MVBench, InternLumina U2 מדווח 61.8 ו-LFM3-Omni-2B מדווח 58.03 — יתרון של 3.8 נקודות למודל הדיפוזיה. ב-Video-MME ללא כתוביות, LFM3-Omni-2B מדווח 57.70 ו-InternLumina U2 מדווח 56.7 — יתרון של נקודה אחת לכיוון השני. שני מערכי התוצאות הורצו על ידי הספקים, על רנסים שונים, עם פרומפטים שונים, ואף אחת מהמעבדות לא פרסמה את קוד ההערכה. פער של נקודה אחת בתנאים האלה הוא רעש; פער של 3.8 נקודות הוא כנראה אמיתי, אבל אומר מעט על החומר שלך.

כל השאר אינו משותף. כרטיס הדגם של InternLumina מציג בראש CharXiv-DQ 85.9 ו-HallusionBench 64.6, מבחני מסמכים והזיות ש-LFM3-Omni-2B מעולם לא ניגש אליהם. כרטיס הדגם של LFM3-Omni-2B מציג בראש DocVQA 92.47, OCRBench 806 ו-MMMU 42.44, ובנוסף עמודת דיבור — שיעור שגיאות מילים ב-ASR באנגלית 6.36, רב-לשוני 6.72, TTS UTMOSv2 3.80 — שאין לה מקבילה בצד השני. הכרטיס שלה עצמו מתייג את המספרים ככאלה שנמדדו על ידי Liquid AI עם תבנית הצ'אט של כל דגם ופענוח חמדני, וזו ההסתייגות המקובלת, והיא הסתייגות ממשית.

InternLumina גלויה אף יותר: הכרטיס שלה מכנה את התוצאות "תוצאות ראשוניות, חלקיות" ודוחה את טבלאות ההשוואה. זו אינה צניעות מזויפת. מודל דיפוזיה 16B-A1B שמייצר תמונות בציונים DPG-Bench 87.79 ו-GenEval 0.89 הוא תוצאה רצינית, והיא גם מסוג התוצאות שמשתנות כשמישהו מריץ אותן מחדש על סמפלר אחר.

מי אמור לבחור מה

אם המוצר שלכם צריך להשיב — עוזר קולי, ממשק ללא ידיים, כלי נגישות, מסכם שיחות שמעניק למתקשר תשובה קולית — LFM3-Omni-2B הוא היחיד מבין השניים שמסוגל להשלים את המשימה. הוא גם היחיד שפועל על המכשיר, ובהקשר של דיבור זה חשוב כפליים: אודיו הוא המודאליות הרגישה ביותר לפרטיות שרוב האפליקציות נוגעות בה, ושליחתו לשרת היא החלטה שצריך להצדיק.

אם המוצר שלכם צריך לייצר או לערוך תמונה, InternLumina U2 הוא היחיד שיכול להתחיל. המחיר הוא שכעת אתם מתחזקים מחסנית הסקה של דיפוזיה על חומרה שמעדיפה Ascend, עם עץ NVIDIA שרק לאחרונה הפך שמיש ומסלול תלת-ממדי שדורש התקנת Blender. זהו פריסה מחקרית, לא פריסה מסוג חנות אפליקציות.

מה שכמעט אף אחד לא מודה בו הוא שמוצרים אמיתיים צריכים את שניהם, ושני המודלים האלה לא יכולים להשתלב זה עם זה. בקשה שצריכה תרשים מופק והסבר קולי חייבת לעבור דרך שתי סביבות ריצה, שני רישיונות ושני פרופילי חומרה. התפר הזה הוא המקום שבו רוב הצוותים בסופו של דבר שמים נתב במקום מודל גדול יותר. OrcaRouter הוא הצד המתארח של ההסדר הזה — API אחד על פני יותר מ-200 מודלים בתוספת של 0% למחיר המחירון של הספק, עם מעבר אוטומטי לגיבוי כשספק מפסיק לפעול — ואף לא LFM3-Omni-2B ולא InternLumina U2 נמצאים בקטלוג הזה היום. הנקודה אינה שאחד מהם שייך לשם. הנקודה היא שברגע שמפצלים את העבודה לשניים, החצי השני צריך מקום לרוץ בו.

מה ישנה את התשובה

הערכה עצמאית אחת של מי מהמודלים תעשה יותר מעוד טבלת ספק. עבור InternLumina U2, הנתון שכדאי לעקוב אחריו הוא איכות הגנרציה תחת סמפלר אחר, מפני שפלטי דיפוזיה משתנים כשהסמפלר משתנה, ואף גורם חיצוני לא ניסה. עבור LFM3-Omni-2B, השאלה היא האם הדיבור מחזיק מעמד מחוץ לפרומפטים של Liquid עצמה — באופן ספציפי, האם 3.80 UTMOSv2 שורד מפגש עם מאזין שאינו מדרג את העבודה של עצמו.

עד אז, ההחלטה נשענת על משהו נדיר יותר מבנצ'מרק: רשימת יכולות. LFM3-Omni-2B מדבר ואינו יודע לצייר. InternLumina U2 מצייר ואינו שומע. עבור רוב הצוותים זה מכריע את העניין לפני שריצת ההערכה הראשונה יוצאת לדרך.