LFM3-Omni-2B vs InternLumina U2: Dua Model, Dua Makna Omni

LFM3-Omni-2B dan InternLumina U2 sama-sama dikategorikan sebagai "omni" dan keduanya tidak berada dalam bidang usaha yang sama. Model 2,17 miliar parameter dari Liquid AI menerima teks, gambar, video, dan audio lalu mengembalikan teks atau ucapan 24 kilohertz. InternLumina U2 dari Shanghai AI Laboratory menerima teks, gambar, video, dan 3D lalu mengembalikan teks atau gambar. Yang satu adalah mulut. Yang lain adalah tangan. Hampir setiap perbandingan yang akan Anda temukan di antara keduanya menghabiskan sebagian besar isinya untuk tolok ukur yang bahkan hanya bisa diikuti satu pihak, itulah sebabnya pertanyaan yang berguna lebih sempit dan lebih murah untuk dijawab: separuh "omni" mana yang hilang dari produk Anda?

Kedua rilis itu juga hadir dalam bentuk yang berlawanan, dan hal itu lebih penting daripada biasanya. Liquid AI mengumumkan keluarga LFM3 pada 27 Oktober 2026 dalam satu postingan yang mencakup enam model kelas 2B, dan LFM3-Omni-2B hanyalah satu baris dalam postingan itu, bukan peluncuran tersendiri — bobotnya sudah berada di repositori publik sejak 21 Oktober. InternLumina U2 mengambil arah sebaliknya: kode inferensi dan halaman proyek muncul pada 1 September, bobot menyusul kemudian dalam folder khusus perangkat keras, dan tidak pernah ada pengumuman. Tidak ada satu pun dari kedua model itu yang memiliki angka yang telah direproduksi pihak ketiga. Setiap angka di bawah ini adalah vendor yang mendeskripsikan dirinya sendiri.

Penolakan memberi tahu Anda lebih banyak daripada spesifikasi.

Daftar spesifikasi ditulis agar model terlihat kompatibel. Mulailah sebagai gantinya dengan apa yang secara fisik tidak dapat diterima oleh masing-masing, karena kedua daftar itu sama sekali tidak beririsan.

LFM3-Omni-2B tidak dapat menggambar. Ada encoder visi di dalam stack, tetapi itu hanya membaca; jalur outputnya adalah teks dan suara. Minta ia mengedit foto, dan jawaban jujurnya adalah bahwa permintaan itu tidak memiliki representasi di dalam model.

InternLumina U2 tidak dapat berbicara. Ia tidak memiliki encoder audio, tokenizer codec, maupun speech head. Beri ia file WAV, dan tidak ada apa pun dalam arsitekturnya untuk menerimanya. "Omni" pada dirinya adalah taruhan bahwa pemahaman dan generasi berada dalam satu backbone visual; kosakata keluarannya adalah token teks dan gambar, bukan bentuk gelombang.

Jadi pertanyaan pertamanya bukanlah model mana yang mendapat skor lebih tinggi. Pertanyaannya adalah apakah beban kerja Anda membutuhkan suara yang disintesis atau gambar yang diedit, karena tepat satu dari keduanya tersedia di masing-masing sisi dan tidak ada model yang akan mengembangkan kemampuan lainnya melalui fine-tuning. Itu adalah properti tokenizer, bukan data pelatihan.

Yang satu mendiktekan sebuah kalimat, yang lain menyempurnakannya.

Arsitekturnya berbeda pada tingkat yang lebih dalam daripada jumlah parameter, dan perbedaan itu menjelaskan pemisahan kemampuan.

LFM3-Omni-2B bersifat autoregresif. Tulang punggung LFM3 berparameter 1,7 miliar membaca token dari encoder visi LFM3 dan encoder audio kausal LFM3, lalu mengeluarkan token teks atau token ucapan LiquidCodec dari kiri ke kanan. Video diambil sampelnya pada 2 frame per detik dan setiap patch gambar 2×2 dipadatkan menjadi satu token bahasa, yang merupakan cara model 2,17 miliar parameter menjaga jendela 32K tetap dapat digunakan di ponsel. Ucapan keluar pada 24 kHz, audio masuk pada 16 kHz mono.

InternLumina U2 adalah model bahasa difusi, dan itulah bagian yang perlu diperlambat untuk dicermati. Model ini tidak mengeluarkan satu token pada satu waktu; ia mulai dari noise dan menyempurnakan seluruh urutan secara paralel, dengan menggunakan objektif masked-diffusion. Representasi visualnya sepenuhnya diskret — delapan codebook token visual AToken per posisi, digabungkan di sisi input dan diprediksi codebook demi codebook di sisi output. Menghasilkan gambar kemudian menjadi operasi yang sama dengan menjawab pertanyaan: melakukan denoise terhadap urutan token visual. Itu adalah taruhan yang benar-benar berbeda dari yang dibuat setiap model multimodal terbuka lainnya, dan itulah sebabnya model ini dapat menghasilkan gambar sama sekali.

Biaya dari taruhan itu adalah perkakas. InternLumina bukanlah pipeline transformers yang Anda panggil dalam tiga baris. Kartu modelnya mensyaratkan tokenizer AToken dengan FlashAttention, API generate block-diffusion kustom, dan Blender 4.5 jika Anda ingin output 3D-nya dirender. Sebagai perbandingan, LFM3-Omni-2B hadir sebagai bobot BF16 biasa dengan jalur fine-tuning yang terdokumentasi dan build Ollama yang sudah beredar — yang daftarnya mencantumkan konteks 125K versus 32K di kartu model, sebuah ketidaksesuaian yang belum dijelaskan siapa pun.

Spesifikasi yang menentukan apakah itu pas

• Parameter — LFM3-Omni-2B 2,17B padat; InternLumina U2 total 16B, 1B aktif dalam campuran pakar sparse.

• Keluaran — teks dan ucapan 24 kHz, termasuk teks-dan-ucapan yang berselang-seling, versus teks dan gambar yang dihasilkan atau diedit.

• Masukan — teks, gambar, video dengan atau tanpa audio, dan audio 16 kHz, dibandingkan dengan teks, gambar, video, dan 3D.

• Konteks — 32K token yang mencakup input dan output, dibandingkan dengan panjang konteks yang belum dicantumkan oleh kartu InternLumina.

• Bahasa — 16 bahasa teks dan 19 lokal ucapan untuk LFM3-Omni-2B; InternLumina tidak memublikasikan jumlahnya.

• Lisensi — LFM Open License v1.0, lisensi ambang pendapatan, dibandingkan dengan Apache 2.0 dengan pengecualian untuk kode AToken dan VeOmni yang disertakan.

• Perangkat keras — ponsel, laptop, dan papan edge di satu sisi; di sisi lain, checkpoint dibagi menjadi pohon ascend/ yang dilatih pada NPU Huawei Ascend dan pohon nvidia/, sekitar 33,8 GB per pohon.

Dua tolok ukur yang sebenarnya mereka miliki bersama

Ada tepat dua angka video di kedua kartu, dan keduanya tidak sepakat tentang model mana yang lebih baik, yang merupakan hal paling informatif di halaman ini.

Pada MVBench, InternLumina U2 melaporkan 61,8 dan LFM3-Omni-2B melaporkan 58,03 — keunggulan 3,8 poin bagi model difusi. Pada Video-MME tanpa subtitel, LFM3-Omni-2B melaporkan 57,70 dan InternLumina U2 melaporkan 56,7 — keunggulan 1 poin ke arah sebaliknya. Kedua kumpulan hasil dijalankan oleh vendor, pada harness yang berbeda, dengan prompt yang berbeda, dan tidak ada laboratorium yang memublikasikan kode evaluasinya. Selisih 1 poin dalam kondisi tersebut adalah noise; selisih 3,8 poin kemungkinan nyata tetapi tidak banyak berbicara tentang rekaman Anda.

Semua lainnya tidak dibagikan. Kartu InternLumina memimpin dengan CharXiv-DQ 85,9 dan HallusionBench 64,6, uji dokumen dan halusinasi yang tidak pernah dijalani LFM3-Omni-2B. Kartu LFM3-Omni-2B memimpin dengan DocVQA 92,47, OCRBench 806 dan MMMU 42,44, plus kolom ucapan — word error rate ASR bahasa Inggris 6,36, multibahasa 6,72, TTS UTMOSv2 3,80 — yang tidak memiliki padanan di sisi lain. Kartunya sendiri menyebut angka-angka tersebut diukur oleh Liquid AI dengan template chat masing-masing model dan greedy decoding, yang merupakan kaveat standar dan kaveat yang nyata.

InternLumina bahkan lebih terbuka: kartunya menyebut hasil tersebut sebagai "hasil awal dan sebagian" dan menunda tabel perbandingan. Itu bukan kerendahan hati yang palsu. Model difusi 16B-A1B yang menghasilkan gambar dengan DPG-Bench 87.79 dan GenEval 0.89 adalah hasil yang serius, dan itu juga jenis hasil yang berubah ketika seseorang menjalankannya ulang pada sampler yang berbeda.

Siapa yang harus memilih yang mana

Jika produk Anda perlu membalas secara lisan — asisten suara, antarmuka bebas genggam, alat aksesibilitas, perangkum panggilan yang memberikan jawaban lisan kepada penelepon — LFM3-Omni-2B adalah satu-satunya dari kedua model ini yang dapat menyelesaikan tugas itu. Model ini juga satu-satunya yang berjalan di perangkat, yang bagi suara menjadi dua kali lebih penting: audio adalah modalitas paling sensitif privasi yang disentuh sebagian besar aplikasi, dan mengirimkannya ke server adalah keputusan yang harus Anda pertanggungjawabkan.

Jika produk Anda perlu menghasilkan atau mengedit gambar, InternLumina U2 adalah satu-satunya yang dapat memulai. Konsekuensinya, Anda sekarang memelihara tumpukan inferensi difusi pada perangkat keras yang mengutamakan Ascend, dengan tree NVIDIA yang baru saja menjadi dapat digunakan dan jalur 3D yang memerlukan pemasangan Blender. Itu adalah deployment riset, bukan deployment untuk app store.

Yang hampir tidak ada yang mau mengakui adalah bahwa produk nyata membutuhkan keduanya, dan kedua model ini tidak dapat digabungkan satu sama lain. Permintaan yang memerlukan diagram yang dihasilkan dan penjelasan lisan harus melewati dua runtime, dua lisensi, dan dua profil perangkat keras. Pada sambungan itulah sebagian besar tim akhirnya menempatkan router, bukan model yang lebih besar. OrcaRouter adalah sisi hosted dari pengaturan itu — satu API untuk 200+ model dengan markup 0% atas harga daftar penyedia, dengan failover otomatis saat penyedia mengalami gangguan — dan baik LFM3-Omni-2B maupun InternLumina U2 tidak ada dalam katalog tersebut saat ini. Intinya bukanlah bahwa salah satunya seharusnya ada di sana. Intinya adalah begitu Anda membagi pekerjaan menjadi dua, bagian kedua memerlukan tempat untuk berjalan.

Apa yang bisa mengubah jawabannya

Satu evaluasi independen terhadap salah satu model akan lebih bermanfaat daripada tabel vendor lain. Untuk InternLumina U2, angka yang perlu diperhatikan adalah kualitas generasi dengan sampler yang berbeda, karena output difusi berubah saat sampler berubah dan belum ada pihak luar yang mencobanya. Untuk LFM3-Omni-2B, yang perlu diperhatikan adalah apakah kemampuan bicara tetap bertahan di luar prompt milik Liquid sendiri — khususnya, apakah UTMOSv2 3,80 tetap bertahan saat berhadapan dengan pendengar yang tidak menilai karya mereka sendiri.

Sampai saat itu, keputusan bergantung pada sesuatu yang lebih langka daripada tolok ukur: daftar kemampuan. LFM3-Omni-2B dapat berbicara dan tidak dapat menggambar. InternLumina U2 dapat menggambar dan tidak dapat mendengar. Bagi sebagian besar tim, itu sudah menentukan sebelum evaluasi pertama dijalankan.