LFM3-Omni-2B vs InternLumina U2: due modelli, due significati di Omni

LFM3-Omni-2B e InternLumina U2 sono entrambi classificati sotto "omni" e non operano nello stesso settore. Il modello da 2,17 miliardi di parametri di Liquid AI accetta in input testo, immagini, video e audio e restituisce testo o parlato a 24 kilohertz. InternLumina U2 dello Shanghai AI Laboratory accetta in input testo, immagini, video e 3D e restituisce testo o immagini. Uno è una bocca. L'altro è una mano. Quasi ogni confronto che troverete tra i due dedica la propria lunghezza a benchmark a cui solo una delle due parti può persino partecipare, ed è per questo che la domanda utile è più ristretta e più economica da rispondere: quale metà di "omni" manca al vostro prodotto?

Le due release sono anche arrivate in forme opposte, e questo conta più di quanto accada di solito. Liquid AI ha annunciato la famiglia LFM3 il 27 ottobre 2026 in un unico post che copriva sei modelli della classe 2B, e LFM3-Omni-2B era una riga di quel post anziché un lancio a sé — i suoi pesi erano già presenti in un repository pubblico dal 21 ottobre. InternLumina U2 ha seguito la direzione opposta: il codice di inferenza e una pagina di progetto sono comparsi il 1° settembre, i pesi sono arrivati più tardi in cartelle specifiche per hardware, e non è mai giunto alcun annuncio. Nessuno dei due modelli ha un numero che sia stato riprodotto da terzi. Ogni cifra riportata di seguito è il fornitore che descrive sé stesso.

Le risposte di rifiuto ti dicono più delle specifiche.

Le liste delle specifiche sono scritte per far sembrare i modelli compatibili. Parti invece da ciò che ciascuno non può fisicamente accettare, perché le due liste non si intersecano affatto.

LFM3-Omni-2B non sa disegnare. Nello stack c'è un encoder visivo, ma legge soltanto; il percorso di output è testo e parlato. Chiedigli di modificare una foto e la risposta onesta è che la richiesta non ha alcuna rappresentazione nel modello.

InternLumina U2 non può parlare. Non ha encoder audio, né tokenizer codec, né head vocale. Passagli un file WAV e nell'architettura non c'è nulla che possa riceverlo. Il suo "omni" è una scommessa che comprensione e generazione appartengano a un unico backbone visivo; il suo vocabolario di output è fatto di token testuali e di immagini, non di forme d'onda.

Quindi la prima domanda non è quale modello ottenga un punteggio più alto. È se il tuo carico di lavoro necessiti di una voce sintetizzata o di un'immagine modificata, perché esattamente una di queste è disponibile su ciascun lato e nessuno dei due modelli acquisirà l'altra capacità tramite fine-tuning. Questa è una proprietà del tokenizer, non dei dati di addestramento.

Uno detta una frase, l'altro la rifinisce.

Le architetture differiscono a un livello più profondo rispetto al semplice numero di parametri, e questa differenza spiega la divergenza nelle capacità.

LFM3-Omni-2B è autoregressivo. Un backbone LFM3 da 1,7 miliardi di parametri legge token da un encoder visivo LFM3 e da un encoder audio causale LFM3, ed emette token di testo o token vocali LiquidCodec da sinistra a destra. Il video viene campionato a 2 frame al secondo e ogni patch immagine 2×2 si riduce a un singolo token linguistico, ed è così che un modello da 2,17 miliardi di parametri mantiene una finestra da 32K utilizzabile su un telefono. La voce esce a 24 kHz, l'audio in ingresso è a 16 kHz mono.

InternLumina U2 è un modello linguistico a diffusione, ed è questo l'aspetto su cui vale la pena soffermarsi. Non emette un token alla volta; parte dal rumore e affina un'intera sequenza in parallelo, usando un obiettivo di diffusione mascherata. La sua rappresentazione visiva è completamente discreta — otto codebook di token visivi AToken per posizione, concatenati sul lato input e previsti codebook per codebook sul lato output. Generare un'immagine è quindi la stessa operazione che rispondere a una domanda: rimuovere il rumore da una sequenza di token visivi. Questa è una scommessa genuinamente diversa da quella che stanno facendo tutti gli altri modelli multimodali aperti, ed è il motivo per cui il modello può produrre un'immagine.

Il costo di quella scommessa è in termini di strumenti. InternLumina non è una pipeline transformers che richiami in tre righe. La scheda del modello richiede il tokenizer AToken con FlashAttention, un'API di generazione personalizzata a diffusione a blocchi e Blender 4.5 se vuoi eseguire il rendering dell'output 3D. LFM3-Omni-2B, invece, viene distribuito come normali pesi BF16 con un percorso di fine-tuning documentato e una build Ollama già in circolazione — una la cui scheda indica un contesto di 125K rispetto ai 32K della scheda del modello, una discrepanza che nessuno ha ancora spiegato.

Le specifiche che determinano se si adatta

• Parametri — LFM3-Omni-2B 2,17B denso; InternLumina U2 16B totali, 1B attivi in una miscela sparsa di esperti.

• Output — testo e parlato a 24 kHz, inclusi testo e parlato intercalati, rispetto a testo e immagini generate o modificate.

• Input — testo, immagine, video con o senza audio e audio a 16 kHz, rispetto a testo, immagine, video e 3D.

• Contesto — 32K token che coprono input e output, rispetto a una lunghezza di contesto che la scheda di InternLumina ancora non indica.

• Lingue — 16 lingue testuali e 19 localizzazioni vocali per LFM3-Omni-2B; InternLumina non pubblica un conteggio.

• Licenza — LFM Open License v1.0, una licenza con soglia di ricavi, a fronte di Apache 2.0 con eccezioni per il codice AToken e VeOmni incluso.

• Hardware — telefoni, laptop e schede edge da un lato; dall'altro, checkpoint suddivisi in un albero ascend/ addestrato su NPU Huawei Ascend e in un albero nvidia/, circa 33,8 GB per albero.

I due benchmark che in realtà hanno in comune

Ci sono esattamente due numeri di video in entrambe le schede, e non concordano su quale modello sia migliore, il che è la cosa più informativa di questa pagina.

Su MVBench, InternLumina U2 riporta 61,8 e LFM3-Omni-2B riporta 58,03 — un vantaggio di 3,8 punti per il modello diffusion. Su Video-MME senza sottotitoli, LFM3-Omni-2B riporta 57,70 e InternLumina U2 riporta 56,7 — un vantaggio di 1 punto nella direzione opposta. Entrambe le serie sono eseguite dai fornitori, su harness diversi, con prompt diversi, e nessuno dei due laboratori ha pubblicato il codice di valutazione. Un divario di 1 punto in queste condizioni è rumore; un divario di 3,8 punti è probabilmente reale ma dice poco sul tuo materiale video.

Tutto il resto non è condiviso. La scheda di InternLumina apre con CharXiv-DQ 85.9 e HallusionBench 64.6, test su documenti e allucinazioni che LFM3-Omni-2B non ha mai sostenuto. La scheda di LFM3-Omni-2B apre con DocVQA 92.47, OCRBench 806 e MMMU 42.44, più una colonna sul parlato — word error rate ASR inglese 6.36, multilingue 6.72, TTS UTMOSv2 3.80 — che non ha corrispettivo dall'altra parte. La sua stessa scheda etichetta i numeri come misurati da Liquid AI con il template di chat proprio di ciascun modello e decodifica greedy, che è l'avvertenza standard e una reale.

InternLumina è ancora più schietta: la sua scheda definisce i risultati «preliminari, parziali» e rinvia le tabelle di confronto. Non è falsa modestia. Un modello di diffusione 16B-A1B che genera immagini con DPG-Bench 87,79 e GenEval 0,89 è un risultato serio, ed è anche il tipo di risultato che cambia quando qualcuno lo riesegue con un sampler diverso.

Chi dovrebbe scegliere cosa

Se il tuo prodotto deve rispondere a voce — un assistente vocale, un'interfaccia hands-free, uno strumento di accessibilità, un riassuntore di chiamate che fornisce al chiamante una risposta parlata — LFM3-Omni-2B è l'unico di questi due in grado di portare a termine il lavoro. È anche l'unico che viene eseguito sul dispositivo, il che per la voce conta doppio: l'audio è la modalità più sensibile alla privacy con cui la maggior parte delle app ha a che fare, e inviarlo a un server è una decisione che devi giustificare.

Se il tuo prodotto deve produrre o modificare un'immagine, InternLumina U2 è l'unico che può partire. Il compromesso è che ora stai mantenendo uno stack di inferenza diffusion su hardware Ascend-first, con un ramo NVIDIA diventato utilizzabile solo di recente e un percorso 3D che richiede l'installazione di Blender. Questo è un deployment di ricerca, non uno da app store.

Quello che quasi nessuno ammette è che i prodotti reali hanno bisogno di entrambe le cose, e questi due modelli non possono comporsi tra loro. Una richiesta che necessita di un diagramma generato e di una spiegazione parlata deve attraversare due runtime, due licenze e due profili hardware. È su quella giuntura che la maggior parte dei team finisce per mettere un router invece di un modello più grande. OrcaRouter è il lato ospitato di questa soluzione — un'unica API su oltre 200 modelli a 0% di ricarico sul prezzo di listino del fornitore, con failover automatico quando un fornitore cade — e né LFM3-Omni-2B né InternLumina U2 sono oggi su quel catalogo. Il punto non è che uno dei due debba starci. Il punto è che nel momento in cui dividi il lavoro in due, la seconda metà ha bisogno di un posto dove girare.

Cosa cambierebbe la risposta

Una valutazione indipendente di uno dei due modelli farebbe di più di un'altra tabella del fornitore. Per InternLumina U2 il dato da tenere d'occhio è la qualità di generazione con un sampler diverso, perché gli output della diffusione cambiano quando cambia il sampler e nessuna parte esterna ha mai provato. Per LFM3-Omni-2B è se il parlato regge al di fuori dei prompt di Liquid stessa — in particolare, se il 3.80 UTMOSv2 sopravvive al contatto con un ascoltatore che non sta valutando il proprio lavoro.

Fino ad allora, la decisione si basa su qualcosa di più raro di un benchmark: un elenco di capacità. LFM3-Omni-2B parla e non sa disegnare. InternLumina U2 disegna e non sa sentire. Per la maggior parte dei team, questo basta a chiudere la questione prima ancora che venga eseguita la prima valutazione.