Gemini Omni 1.2 Flash vs InternLumina-U2: secondi a noleggio contro pesi scaricati

Metti Gemini Omni 1.2 Flash accanto a InternLumina-U2 e il confronto che salta all'occhio — qualità delle immagini, velocità di generazione, punteggi dei benchmark — è il meno interessante disponibile, perché i due modelli non competono per la stessa voce di budget. Gemini Omni 1.2 Flash è un'API a consumo che costa circa $0,07 al secondo di video 720p, è diventata disponibile a livello generale il 5 novembre 2026 e restituisce un file di cui possiedi i diritti d'uso ma mai i pesi. InternLumina-U2 è un modello linguistico a diffusione sparso da 16 miliardi di parametri dello Shanghai AI Laboratory, Apache-2.0, sette shard per albero hardware, disponibile su Hugging Face dove chiunque abbia lo spazio su disco può scaricarlo. Uno è un servizio. L'altro è un asset. La domanda utile non è quale generi immagini migliori; è quale di queste due cose il tuo progetto possa effettivamente assorbire.

Quella impostazione conta perché la domanda ovvia — «quale dei due è migliore nella generazione di immagini» — ha una risposta fuorviante. InternLumina-U2 genera effettivamente immagini e, secondo i benchmark riportati dal suo stesso fornitore, lo fa in modo competitivo. Ma comprende anche video e 3D nello stesso backbone, una capacità che Gemini Omni non ha affatto, mentre Gemini Omni genera video con audio sincronizzato, cosa che InternLumina-U2 non sa fare. Giudicati sulla sovrapposizione, sono entrambi sistemi adiacenti a immagini e video. Giudicati sull'unione, si toccano appena.

La sovrapposizione, precisamente

InternLumina-U2 gestisce QA testuale, generazione testo-immagine, comprensione delle immagini, modifica delle immagini, comprensione video e comprensione 3D all'interno di un unico modello. Il qualificatore "comprensione" fa un lavoro concreto in quell'elenco: legge i video e legge il 3D, non produce né video né 3D. Ciò che produce sono immagini e testo.

Gemini Omni 1.2 Flash produce video. Accetta in input testo, immagini e video e restituisce video con audio nativo, da tre a quindici secondi a 24 fotogrammi al secondo, da 360p a 4K, dove i due livelli superiori sono sottoposti a upscaling. Non produce immagini come deliverable — ogni fotogramma è un fotogramma di una clip — e non esegue modifica di immagini statiche nel senso in cui lo intende un designer.

Quindi la sovrapposizione è esattamente una cosa: generare un'immagine da un prompt. InternLumina-U2 lo fa come uno dei sei compiti. Gemini Omni 1.2 Flash lo fa solo come primo fotogramma del movimento. Se questo è l'intero tuo caso d'uso, il confronto è reale. Se non lo è, stai scegliendo tra il toolkit di un ricercatore di immagini fisse e un endpoint di produzione video.

• Modalità in ingresso — InternLumina-U2 accetta testo, immagini, video e 3D; Gemini Omni 1.2 Flash accetta testo, immagini e video.

• Modalità di output — InternLumina-U2 restituisce testo e immagini; Gemini Omni 1.2 Flash restituisce video con audio sincronizzato.

• Architettura — InternLumina-U2 è un modello linguistico a diffusione MoE da 16B totali, circa 1B attivi, con backbone LLaDA-2.0 e token visivi discreti Apple AToken a otto codebook; l'architettura di Gemini Omni 1.2 Flash non è divulgata.

Accesso — pesi Apache-2.0 su Hugging Face, con alberi separati per Ascend e NVIDIA; un'API ospitata chiusa.

• Prezzo — nessun prezzo per chiamata, perché non esiste un endpoint ospitato; circa $0,07 al secondo di video in uscita a 720p, senza piano gratuito.

• Contesto — 131.072 token in ingresso, 65.536 in uscita sul lato Omni; la scheda InternLumina non pubblica una finestra equivalente.

Cosa dicono e cosa non dicono i benchmark

I numeri di InternLumina-U2 provengono dal suo stesso paper e dalla pagina del progetto (arXiv 2610.20818, inviato il 14 ottobre 2026) e nessuno li ha riprodotti. Il dato principale sulla generazione è un punteggio GenEval di 89,3 secondo il protocollo di campionamento PHV degli stessi autori, insieme a DPG-Bench 87,79, UniGenBench 86,11 e TIIF-Bench 88,57 su prompt brevi e 87,08 su quelli lunghi. Il paper sostiene prestazioni leader tra i modelli unificati nella comprensione visiva, nella generazione di immagini e nel montaggio di immagini, e afferma che il modello supera FLUX.1-dev e batte di poco Qwen-Image su GenEval, UniGenBench e TIIF attivando circa quattordici volte meno parametri.

C'è una discrepanza che vale la pena conoscere prima di citarne qualsiasi parte. La tabella dei risultati della pagina del progetto riporta InternLumina-U2 a GenEval 0.81, con LLaDA2.0-Uni a 0.89 e InternVL-U a 0.85 — il che colloca il modello più recente dietro il suo stesso predecessore su quella riga. Il valore 89.3 corrisponde al protocollo di campionamento ottimizzato descritto nel paper, non alla valutazione predefinita. Due numeri, due protocolli, stesso modello. Il paper è la lettura più favorevole e la pagina del progetto quella più conservativa, e nessuna delle due è stata verificata in modo indipendente.

Gemini Omni 1.2 Flash non ha alcun punteggio benchmark pubblicato da Google. Il post di lancio del 5 novembre è interamente qualitativo — clip più lunghe, migliore aderenza ai riferimenti, dialoghi più naturali, meno jump cut — e afferma esplicitamente che il lavoro continua su "azione sportiva veloce, cambi rapidi di copione e fisica complessa". È un elenco insolitamente franco di debolezze note, ed è l'unica dichiarazione sulla qualità che Google abbia fatto. Esistono numeri di terze parti in circolazione, ma descrivono per lo più versioni precedenti di Omni: la pagina di confronto di Megaton è intitolata "Gemini Omni Flash" mentre i suoi link puntano allo slug di anteprima, indica l'output audio come "No" (errato per 1.2, che genera audio per impostazione predefinita) e riporta zero video valutati e zero misurazioni a supporto dei suoi punteggi. Un recensore che l'ha provato direttamente, Rohit Rao di Segmind, ha però testato 1.2 direttamente su venti generazioni a un costo di $16.17, e la sua conclusione è il dato indipendente più utile disponibile: le chiamate duravano da 28 a 136 secondi, la maggior parte nella fascia 40-90 secondi, il modello era il più esatto nell'eseguire le istruzioni che avesse testato, e circa un'istruzione su quattro veniva saltata. Ha anche scoperto che non è un modello cinematografico fotorealistico per persone.

Quindi il tabellone onesto vede InternLumina-U2 con numeri del fornitore dettagliati, non riprodotti e internamente incoerenti, e Gemini Omni 1.2 Flash con quasi nessun numero e un solo piccolo test indipendente. Nessuno dei due costituisce una base per un verdetto di qualità sicuro.

Il confronto dei costi che le persone sbagliano

InternLumina-U2 non ha un prezzo, e questo non è la stessa cosa che essere gratuito.

I pesi occupano 67,6 GB distribuiti su due alberi di sette shard, circa 33,8 GB ciascuno, quindi scaricare una singola variante hardware richiede un download da 34 GB prima di avere un ambiente funzionante. Il repository richiede FlashAttention per il percorso AToken e, per la pipeline 3D, Blender 4.5. L'addestramento è stato eseguito su 1.024 NPU Ascend 910B su 1,05 trilioni di token, il che indica che il modello è stato costruito per un cluster, anche se l'inferenza è molto più leggera: 1 miliardo di parametri attivi rappresenta un carico di servizio modesto, e la strategia di campionamento PHV descritta nel paper dichiara una riduzione della latenza end-to-end di 4,45× alla risoluzione nativa di 1024×1024.

Quello che spendi davvero è una GPU, una settimana di lavoro di un ingegnere per configurare correttamente l'ambiente, e quanto ti costano archiviazione e traffico in uscita. Quello che ottieni è generazione illimitata a costo marginale zero, un modello che puoi mettere a punto e nessun fornitore che possa dichiarare obsoleto l'endpoint sotto di te.

Il costo di Omni è leggibile al centesimo. Una clip di quindici secondi in 720p costa circa 1,05 $ in token di output. Una bozza in 360p costa circa 0,35 $. Un upscale 4K di quei quindici secondi costa circa 3,14 $. Paghi per ogni secondo di output, paghi di nuovo a ogni tentativo, e la modifica conversazionale fa sì che i tentativi siano il flusso di lavoro normale anziché l'eccezione. Uno spot pubblicitario da dieci inquadrature con tre modifiche per inquadratura non è un lavoro da quindici dollari; è più vicino a sessanta.

Quelle due strutture di costo non sono convertibili. Confrontare «gratis dopo il capitale» con «sette centesimi al secondo» produce un numero che dipende interamente dall'utilizzo, e a basso volume il modello self-hosted è drasticamente più costoso per immagine. Ad alto volume è drasticamente più economico. Il punto di incrocio è un calcolo aritmetico che devi fare con il prezzo della tua GPU, non un fatto che qualcuno possa semplicemente darti.

Ciò che non puoi ottenere da nessuno dei due

Se ti serve una clip con un volto parlante e un dialogo sincronizzato con il labiale, InternLumina-U2 non può aiutarti e non esiste una soluzione alternativa se non ricorrere a un generatore video separato. Se ti serve una pipeline di comprensione di asset 3D — che legga una mesh o una descrizione di scena insieme alle immagini — Gemini Omni 1.2 Flash non può aiutarti e non esiste una soluzione alternativa se non ricorrere a un modello di visione separato.

C'è anche una differenza documentale che conta più di quanto sembri. InternLumina-U2 è Apache-2.0, il che significa uso commerciale, modifica e ridistribuzione con attribuzione, e il testo della licenza è nel repository. Gemini Omni 1.2 Flash è un servizio ospitato le cui condizioni disciplinano ciò che puoi fare con l'output, ogni clip porta una filigrana SynthID che tu la voglia o no, e la modifica o l'estensione di video caricati non è disponibile nello SEE, in Svizzera e nel Regno Unito. Per un team a Londra che costruisce un prodotto basato sull'editing video conversazionale, quella restrizione regionale è squalificante in un modo che nessun confronto tra benchmark farebbe emergere.

Dove si colloca OrcaRouter, onestamente

Nessuno dei due modelli è nel nostro catalogo. google/gemini-omni-1.2-flash restituisce 404 nelle pagine dei modelli di OrcaRouter, e InternLumina-U2 non ha alcun endpoint ospitato da nessuna parte — la sua scheda lo dice chiaramente, e solo uno Space della community lo utilizza. Quindi nessuna chiamata alla nostra API raggiunge nessuno dei due, e questo articolo preferisce affermarlo piuttosto che lasciar intendere un host che non abbiamo.

Ciò che il gateway copre è lo strato in cui si trovano entrambi i carichi di lavoro. Una pipeline InternLumina-U2 self-hosted necessita comunque di un modello di testo per scrivere i prompt, valutare gli output e instradare gli errori, e questa è una chiamata che serviamo attraverso oltre 200 modelli con una sola chiave e failover automatico. Sul fronte Omni, poiché OrcaRouter trasferisce il prezzo di listino del provider con 0% di ricarico, un taglio di prezzo di Google arriva dalla nostra parte lo stesso giorno anziché al ciclo di fatturazione successivo — e la linea Omni ha già modificato la sua tariffa video una volta quest'anno, da $17,50 a $12,00 per milione di token di output. Se stai confrontando una build self-hosted con una noleggiata, il fatto che il lato noleggiato si muova sotto di te è esattamente la variabile che una fattura pass-through rende visibile.

Come decidere

Basati su InternLumina-U2 se hai bisogno di immagini, se ti serve la comprensione 3D o video nello stesso modello, se disponi di capacità GPU che stai già pagando e se i termini della licenza contano per il tuo prodotto. Accetta che stai usando un artefatto di ricerca: i benchmark sono quelli degli autori, la tabella GenEval si contraddice e gli strumenti si aspettano uno stack specifico.

Acquista Gemini Omni 1.2 Flash se hai bisogno di movimento con audio, vuoi un endpoint funzionante oggi e il tuo volume è abbastanza basso che la fatturazione al secondo costa meno di una GPU inattiva. Accetta di non avere benchmark di qualità, nessuna modalità di output testuale, nessun prompt negativo, una restrizione regionale sulle funzionalità di editing e una filigrana su ogni fotogramma.

L'errore da evitare è trattarlo come una gara di confronto. È una decisione di acquisto tra un download e un contatore, e la questione della qualità del modello — quella su cui entrambi i fornitori vorrebbero che discuteste — è quella con meno prove da entrambe le parti.