Gemini Omni 1.2 Flash vs InternLumina-U2: Detik Sewaan Melawan Bobot yang Diunduh

Letakkan Gemini Omni 1.2 Flash di samping InternLumina-U2 dan perbandingan yang langsung menonjol — kualitas gambar, kecepatan pembuatan, skor benchmark — adalah yang paling tidak menarik yang tersedia, karena kedua model tersebut tidak bersaing untuk pos anggaran yang sama. Gemini Omni 1.2 Flash adalah API berbayar per penggunaan yang mengenakan sekitar $0,07 per detik video 720p, tersedia secara umum pada 5 November 2026, dan mengembalikan file yang Anda miliki hak untuk menggunakannya tetapi tidak pernah bobotnya. InternLumina-U2 adalah model bahasa difusi sparse 16 miliar parameter dari Shanghai AI Laboratory, Apache-2.0, tujuh shard per pohon perangkat keras, berada di Hugging Face tempat siapa pun yang memiliki disk dapat mengunduhnya. Satu adalah layanan. Yang lain adalah aset. Pertanyaan yang berguna bukanlah mana yang menghasilkan gambar lebih baik; melainkan mana dari kedua hal itu yang benar-benar dapat diserap proyek Anda.

Kerangka berpikir itu penting karena pertanyaan yang tampak jelas — "mana yang lebih baik dalam pembuatan gambar" — memiliki jawaban yang menyesatkan. InternLumina-U2 memang menghasilkan gambar, dan berdasarkan tolok ukur yang dilaporkan vendornya sendiri, hasilnya kompetitif. Namun ia juga memahami video dan 3D dalam tulang punggung yang sama, sebuah kemampuan yang sama sekali tidak dimiliki Gemini Omni, sementara Gemini Omni menghasilkan video dengan audio tersinkronisasi, yang tidak dapat dilakukan InternLumina-U2. Jika dinilai berdasarkan irisan, keduanya sama-sama sistem yang berdekatan dengan gambar dan video. Jika dinilai berdasarkan gabungan, keduanya hampir tidak bersinggungan.

Tumpang tindihnya, tepatnya

InternLumina-U2 menangani QA teks, pembuatan gambar dari teks, pemahaman gambar, penyuntingan gambar, pemahaman video, dan pemahaman 3D dalam satu model. Kualifikasi "pemahaman" itu benar-benar berperan dalam daftar tersebut: model ini membaca video dan membaca 3D, bukan menghasilkan keduanya. Yang dihasilkannya adalah gambar dan teks.

Gemini Omni 1.2 Flash menghasilkan video. Model ini menerima teks, gambar, dan video sebagai input, lalu mengembalikan video dengan audio native, berdurasi tiga hingga lima belas detik pada 24 frame per detik, dari 360p hingga 4K dengan dua tingkat teratas di-upscale. Model ini tidak menghasilkan gambar sebagai keluaran akhir — setiap frame adalah frame dari sebuah klip — dan tidak melakukan penyuntingan gambar diam dalam pengertian yang dimaksud seorang desainer.

Jadi tumpang tindihnya tepat satu hal: menghasilkan gambar dari prompt. InternLumina-U2 melakukannya sebagai salah satu dari enam tugas. Gemini Omni 1.2 Flash melakukannya hanya sebagai frame pertama dari gerakan. Jika itu seluruh kasus penggunaan Anda, perbandingannya nyata. Jika bukan, Anda memilih antara perangkat riset gambar diam dan endpoint produksi video.

• Modalitas masuk — InternLumina-U2 menerima teks, gambar, video, dan 3D; Gemini Omni 1.2 Flash menerima teks, gambar, dan video.

• Modalitas keluaran — InternLumina-U2 menghasilkan teks dan gambar; Gemini Omni 1.2 Flash menghasilkan video dengan audio tersinkronisasi.

• Arsitektur — InternLumina-U2 adalah model bahasa difusi MoE dengan total 16B dan sekitar 1B aktif di atas tulang punggung LLaDA-2.0 dengan token visual diskret delapan-codebook Apple AToken; arsitektur Gemini Omni 1.2 Flash tidak diungkapkan.

• Akses — bobot Apache-2.0 di Hugging Face, dengan pohon Ascend dan NVIDIA terpisah; API hosted tertutup.

• Harga — tidak ada harga per panggilan, karena tidak ada endpoint yang dihosting; sekitar $0,07 per detik output video 720p, tanpa tingkatan gratis.

• Konteks — 131.072 token masuk, 65.536 keluar di sisi Omni; kartu InternLumina tidak mencantumkan jendela yang setara.

Apa yang dapat dan tidak dapat dikatakan oleh tolok ukur

Angka-angka InternLumina-U2 berasal dari makalah dan halaman proyeknya sendiri (arXiv 2610.20818, dikirim 14 Oktober 2026) dan belum ada yang mereproduksinya. Angka utama untuk generasi adalah skor GenEval 89,3 berdasarkan protokol pengambilan sampel PHV milik penulis sendiri, bersama dengan DPG-Bench 87,79, UniGenBench 86,11, dan TIIF-Bench 88,57 pada prompt pendek serta 87,08 pada prompt panjang. Makalah tersebut mengklaim performa terdepan di antara model terpadu dalam pemahaman visual, generasi gambar, dan penyuntingan gambar, serta menyatakan bahwa model ini mengalahkan FLUX.1-dev dan sedikit unggul atas Qwen-Image pada GenEval, UniGenBench, dan TIIF dengan mengaktifkan sekitar empat belas kali lebih sedikit parameter.

Ada perbedaan yang perlu diketahui sebelum Anda mengutip bagian mana pun darinya. Tabel hasil di halaman proyek mencantumkan InternLumina-U2 pada GenEval 0.81, dengan LLaDA2.0-Uni pada 0.89 dan InternVL-U pada 0.85 — yang menempatkan model yang lebih baru di belakang pendahulunya sendiri pada baris itu. Angka 89.3 sesuai dengan protokol pengambilan sampel yang dioptimalkan yang dijelaskan dalam makalah, bukan evaluasi default. Dua angka, dua protokol, model yang sama. Makalahnya adalah pembacaan yang lebih menguntungkan dan halaman proyek adalah yang lebih konservatif, dan keduanya belum diperiksa secara independen.

Gemini Omni 1.2 Flash sama sekali tidak memiliki skor benchmark yang dipublikasikan oleh Google. Posting peluncuran 5 November sepenuhnya bersifat kualitatif — klip lebih panjang, kepatuhan terhadap referensi lebih baik, dialog lebih natural, lebih sedikit jump cut — dan secara eksplisit menyatakan bahwa pekerjaan berlanjut pada "fast sports action, rapid script changes and complex physics." Itu adalah daftar kelemahan yang diketahui dengan tingkat keterusterangan yang tidak biasa, dan itulah satu-satunya pernyataan kualitas yang dibuat Google. Angka pihak ketiga ada di luar sana, tetapi sebagian besar menggambarkan versi Omni sebelumnya: halaman perbandingan Megaton berjudul "Gemini Omni Flash" sementara tautannya mengarah ke slug pratinjau, mencantumkan output audio sebagai "Tidak" (salah untuk 1.2, yang menghasilkan audio secara default), dan melaporkan nol video yang dinilai serta nol pengukuran di balik skornya. Seorang pengulas hands-on, Rohit Rao dari Segmind, memang menguji 1.2 secara langsung pada dua puluh generasi dengan biaya $16.17, dan kesimpulannya adalah titik data independen paling berguna yang tersedia: panggilan berlangsung 28 hingga 136 detik, sebagian besar dalam rentang 40 hingga 90 detik, model tersebut adalah yang paling tepat mengikuti instruksi yang pernah ia uji, dan sekitar satu dari empat instruksi dilewati. Ia juga menemukan bahwa ini bukan model orang fotorealistis sinematik.

Jadi papan skor yang jujur menempatkan InternLumina-U2 dengan angka vendor yang terperinci, tidak direproduksi, dan tidak konsisten secara internal, serta Gemini Omni 1.2 Flash dengan hampir tidak ada angka sama sekali dan satu tes independen kecil. Keduanya bukan dasar untuk putusan kualitas yang meyakinkan.

Perbandingan biaya yang sering disalahpahami orang

InternLumina-U2 tidak memiliki harga, dan itu tidak sama dengan gratis.

Bobotnya 67,6 GB yang tersebar di dua pohon berisi tujuh shard, masing-masing sekitar 33,8 GB, jadi mengunduh satu varian perangkat keras berarti menarik 34 GB sebelum Anda memiliki lingkungan yang berfungsi. Repositori ini memerlukan FlashAttention untuk jalur AToken dan, untuk pipeline 3D, Blender 4.5. Pelatihan berjalan pada 1.024 NPU Ascend 910B dengan 1,05 triliun token, yang menunjukkan bahwa model ini dibangun untuk kluster meskipun inferensi jauh lebih ringan — 1B parameter aktif adalah beban penyajian yang moderat, dan strategi sampling PHV dalam makalah tersebut mengklaim pengurangan latensi end-to-end sebesar 4,45× pada 1024×1024 native.

Yang sebenarnya Anda keluarkan adalah GPU, waktu satu minggu engineer untuk menyiapkan lingkungan dengan benar, dan berapa pun biaya penyimpanan serta egress Anda. Yang Anda dapatkan adalah generasi tanpa batas dengan biaya marginal nol, model yang dapat Anda fine-tune, dan tidak ada vendor yang dapat menghentikan dukungan endpoint yang Anda gunakan.

Biaya Omni dapat dibaca hingga ke sen. Klip 720p berdurasi lima belas detik sekitar $1,05 dalam token keluaran. Draf 360p sekitar $0,35. Upscale 4K untuk lima belas detik itu sekitar $3,14. Anda membayar per detik keluaran, Anda membayar lagi pada setiap percobaan ulang, dan pengeditan lewat percakapan berarti percobaan ulang adalah alur kerja normal, bukan pengecualian. Iklan sepuluh shot dengan tiga edit per shot bukan pekerjaan seharga lima belas dolar; nilainya lebih dekat ke enam puluh.

Dua struktur biaya itu tidak dapat dikonversikan. Membandingkan "gratis setelah modal" dengan "tujuh sen per detik" menghasilkan angka yang sepenuhnya bergantung pada utilisasi, dan pada volume rendah model yang dihosting sendiri jauh lebih mahal per gambar. Pada volume tinggi, model itu jauh lebih murah. Titik persilangannya adalah aritmetika yang harus Anda hitung sendiri dengan harga GPU Anda, bukan fakta yang bisa diberikan orang lain kepada Anda.

Apa yang tidak bisa Anda dapatkan dari keduanya

Jika Anda memerlukan klip wajah berbicara dengan dialog yang disinkronkan bibir, InternLumina-U2 tidak dapat membantu dan tidak ada solusi lain selain generator video terpisah. Jika Anda memerlukan alur pemahaman aset 3D — membaca mesh atau deskripsi adegan bersama gambar — Gemini Omni 1.2 Flash tidak dapat membantu dan tidak ada solusi lain selain model visi terpisah.

Ada juga perbedaan administratif yang dampaknya lebih besar daripada kedengarannya. InternLumina-U2 menggunakan Apache-2.0, yang berarti penggunaan komersial, modifikasi, dan redistribusi dengan atribusi, dan teks lisensinya ada di repositori. Gemini Omni 1.2 Flash adalah layanan terkelola yang ketentuannya mengatur apa yang boleh Anda lakukan dengan output, setiap klip membawa watermark SynthID mau tidak mau, dan mengedit atau memperpanjang video yang diunggah tidak tersedia di EEA, Swiss, dan Inggris. Bagi tim di London yang membangun produk di atas pengeditan video berbasis percakapan, pembatasan regional itu membuatnya tidak layak digunakan dengan cara yang tidak akan terungkap oleh perbandingan benchmark mana pun.

Di mana posisi OrcaRouter, sejujurnya

Kedua model itu tidak ada di katalog kami. google/gemini-omni-1.2-flash mengembalikan 404 di halaman model OrcaRouter, dan InternLumina-U2 tidak memiliki endpoint yang dihosting di mana pun — kartunya menyatakan demikian, dan hanya sebuah Space komunitas yang menggunakannya. Jadi tidak ada panggilan ke API kami yang mencapai salah satu dari keduanya, dan tulisan ini lebih memilih menyatakan hal itu daripada menyiratkan host yang tidak kami miliki.

Yang dicakup gateway adalah lapisan tempat kedua beban kerja berada. Pipeline InternLumina-U2 yang dihosting sendiri tetap membutuhkan model teks untuk menulis prompt, menilai output, dan mengarahkan kegagalan, dan itu adalah panggilan yang kami layani di seluruh lebih dari 200 model dengan satu kunci dan failover otomatis. Di sisi Omni, karena OrcaRouter meneruskan harga daftar penyedia dengan markup 0%, pemotongan harga Google sampai ke sisi kami pada hari yang sama, bukan pada siklus penagihan berikutnya — dan lini Omni sudah mengubah tarif videonya sekali tahun ini, dari $17,50 menjadi $12,00 per juta token output. Jika Anda membandingkan build yang dihosting sendiri dengan yang disewa, sisi sewa yang bergerak di bawah Anda justru merupakan variabel yang diperlihatkan oleh tagihan pass-through.

Cara memutuskan

Bangun di atas InternLumina-U2 jika Anda membutuhkan gambar, Anda memerlukan pemahaman 3D atau video dalam model yang sama, Anda memiliki kapasitas GPU yang sudah Anda bayar, dan ketentuan lisensi penting bagi produk Anda. Terimalah bahwa Anda menjalankan artefak riset: tolok ukurnya milik penulis sendiri, tabel GenEval saling bertentangan, dan perkakasnya mengharapkan stack tertentu.

Beli Gemini Omni 1.2 Flash jika Anda membutuhkan gerakan dengan suara, menginginkan endpoint yang berfungsi hari ini, dan volume Anda cukup rendah sehingga penagihan per detik lebih murah daripada GPU yang menganggur. Terima bahwa Anda tidak memiliki tolok ukur kualitas, tidak ada mode keluaran teks, tidak ada prompt negatif, pembatasan regional pada fitur pengeditan, dan tanda air di setiap bingkai.

Kesalahan yang harus dihindari adalah menganggap ini sebagai ajang adu banding. Ini adalah keputusan pengadaan antara sebuah unduhan dan sebuah meteran, dan pertanyaan tentang kualitas model — yang justru ingin diperdebatkan oleh kedua vendor — adalah pertanyaan yang paling sedikit memiliki bukti di kedua sisi.