Gemini Omni 1.2 Flash 対 InternLumina-U2：レンタルする秒数 対 ダウンロードする重み

Gemini Omni 1.2 FlashをInternLumina-U2の隣に置くと、すぐに目に飛び込んでくる比較——画質、生成速度、ベンチマークスコア——は、実は選べる中で最も面白みのないものだ。なぜなら、この2つのモデルは同じ予算項目を争っているわけではないからだ。Gemini Omni 1.2 Flashは従量制APIで、720p動画1秒あたり約0.07ドルを課金し、2026年11月5日に一般提供が開始され、利用権はあるが重みは決して得られないファイルを返す。InternLumina-U2は上海AI研究所による160億パラメータのスパース拡散言語モデルで、Apache-2.0、ハードウェアツリーごとに7つのシャードを持ち、ディスク容量さえあれば誰でもダウンロードできるHugging Face上にある。一方はサービスであり、もう一方は資産だ。有用な問いは、どちらがより良い画像を生成するかではなく、その2つのうちどちらをあなたのプロジェクトが実際に吸収できるかである。

その枠組みが重要なのは、明白な問い——「画像生成ではどちらが優れているか」——に対する答えが誤解を招くものだからだ。InternLumina-U2は実際に画像を生成し、ベンダー報告のベンチマーク上では競争力のある性能を示している。しかし同じバックボーンで動画と3Dも理解でき、これはGemini Omniにはまったくない能力である一方、Gemini Omniは同期音声付きの動画を生成でき、InternLumina-U2にはできない。重なりで判断すれば、両者はどちらも画像と動画に近接したシステムだ。和集合で判断すれば、両者はほとんど接していない。

重複、正確には

InternLumina-U2は、テキストQA、テキストからの画像生成、画像理解、画像編集、動画理解、3D理解を1つのモデルで処理します。そのリストの中で「理解」という修飾語は実際に重要な役割を果たしています。動画を読み取り、3Dを読み取りますが、どちらも生成はしません。生成するのは画像とテキストです。

Gemini Omni 1.2 Flashは動画を生成します。テキスト、画像、動画を入力として受け取り、ネイティブ音声付きの動画を出力します。長さは3～15秒、24フレーム毎秒、360pから4Kまで対応し、上位2段階はアップスケールされます。成果物として画像を生成することはなく、すべてのフレームはクリップの1フレームです。また、デザイナーが意図するような静止画編集は行いません。

つまり重なっている点はたった一つ、プロンプトから画像を生成することだけです。InternLumina-U2はそれを6つのタスクのうちの1つとして行います。Gemini Omni 1.2 Flashはそれをモーションの最初のフレームとしてのみ行います。それがあなたのユースケースのすべてなら、この比較は現実的です。そうでなければ、あなたは静止画研究者向けツールキットと動画制作エンドポイントのどちらを選ぶのかということになります。

• 入力モダリティ — InternLumina-U2 はテキスト、画像、動画、3D に対応。Gemini Omni 1.2 Flash はテキスト、画像、動画に対応。

• 出力モダリティ — InternLumina-U2 はテキストと画像を返し、Gemini Omni 1.2 Flash は同期された音声付きの動画を返します。

• アーキテクチャ — InternLumina-U2は、LLaDA-2.0バックボーン上にApple ATokenの8コードブック離散視覚トークンを備えた、総パラメータ16B・アクティブ約1BのMoE拡散言語モデルです。Gemini Omni 1.2 Flashのアーキテクチャは非公開です。

• アクセス — Hugging Face 上で Apache-2.0 ライセンスの重みを公開、Ascend 用と NVIDIA 用のツリーが別々に用意されている。ホスト型 API はクローズド。

• 料金 — ホスト型エンドポイントがないため、呼び出しごとの料金はありません。720p動画の出力1秒あたり約0.07ドルで、無料枠はありません。

• コンテキスト — Omni 側では入力 131,072 トークン、出力 65,536 トークン。InternLumina のカードには同等のウィンドウが公開されていません。

ベンチマークが示すこと、示さないこと

InternLumina-U2の数値は自身の論文とプロジェクトページ（arXiv 2610.20818、2026年10月14日投稿）に由来しており、誰も再現していない。注目される生成指標は、著者独自のPHVサンプリングプロトコル下でのGenEvalスコア89.3で、これにDPG-Bench 87.79、UniGenBench 86.11、TIIF-Benchの短いプロンプトで88.57、長いプロンプトで87.08が続く。論文は、視覚理解、画像生成、画像編集において統合モデル間で最先端の性能を主張しており、モデルはFLUX.1-devを上回り、GenEval、UniGenBench、TIIFでQwen-Imageをわずかに凌ぎつつ、活性化パラメータ数は約14分の1だと述べている。

引用する前に知っておく価値のある不一致がある。プロジェクトページの結果表では、InternLumina-U2 は GenEval 0.81、LLaDA2.0-Uni は 0.89、InternVL-U は 0.85 と記載されており、その行では新しいモデルが前身モデルより後れを取っている。89.3 という数値は、デフォルトの評価ではなく、論文で説明されている最適化されたサンプリングプロトコルに対応している。2つの数値、2つのプロトコル、同じモデル。論文の方がより好意的な読み取りで、プロジェクトページの方がより保守的であり、どちらも独立に検証されていない。

Gemini Omni 1.2 Flashには、Googleが公表したベンチマークスコアが一切ない。11月5日のローンチ投稿は完全に定性的な内容で、より長いクリップ、参照へのより良い追従、より自然な対話、より少ないジャンプカットを挙げ、さらに「速いスポーツアクション、急な台本変更、複雑な物理」への取り組みが続いていると明言している。これは異例なほど率直な既知の弱点リストであり、Googleが品質について述べた唯一の声明だ。第三者の数値は世に出回っているが、その大半は以前のOmniバージョンを説明したものだ。Megatonの比較ページは「Gemini Omni Flash」という見出しでありながら、リンク先はプレビューのスラッグを指し、音声出力を「No」と記載し（デフォルトで音声を生成する1.2には誤り）、スコアの背後には評価済み動画ゼロ件、測定値ゼロ件と報告している。実際に触って試したレビュアーの一人、SegmindのRohit Raoは、20回の生成を16.17ドルのコストで行い1.2を直接テストしており、その結論は入手可能な独立系データポイントとして最も有用だ。呼び出しは28秒から136秒で、大半は40〜90秒の範囲に収まり、モデルは彼がテストした中で最も指示に正確だったが、指示の約4回に1回は飛ばされた。また、シネマティックなフォトリアル人物モデルではないことも判明した。

正直なスコアボードでは、{{1}}InternLumina-U2{{/1}}は詳細だが再現されておらず内部で矛盾したベンダー数値を備え、{{2}}Gemini Omni 1.2 Flash{{/2}}は数値がほとんど皆無で、小規模な独立テストが1件だけだ。どちらも、確信を持った品質判定の根拠にはならない。

人が間違えるコスト比較

InternLumina-U2には価格がなく、それは無料であることと同じではありません。

重みは7シャードからなる2つのツリーにまたがって合計67.6 GB、各ツリー約33.8 GBなので、1つのハードウェアバリアントをダウンロードするだけで、動作環境を整える前に34 GBの取得が必要になる。リポジトリはATokenパスにFlashAttentionを、3DパイプラインにはBlender 4.5を要求する。学習は1,024基のAscend 910B NPU上で1.05兆トークンにわたって行われており、推論はずっと軽量であるにもかかわらず、このモデルがクラスタ向けに構築されたことがうかがえる。1Bのアクティブパラメータは控えめなサービング負荷であり、論文のPHVサンプリング戦略はネイティブ1024×1024でエンドツーエンドのレイテンシを4.45倍削減すると主張している。

実際に費やすのは、GPU、環境を整えるためのエンジニア1人週間分、そしてストレージと下り通信にかかる費用だ。得られるのは、限界費用ゼロでの無制限の生成、微調整できるモデル、そして足元でエンドポイントを非推奨にできるベンダーが存在しないことだ。

Omniのコストは1セント単位まで明確です。15秒の720pクリップは出力トークンで約$1.05です。360pの下書きは約$0.35です。その15秒を4Kにアップスケールすると約$3.14です。出力秒単位で支払い、再試行のたびに再び支払い、会話型編集では再試行が例外ではなく通常のワークフローになります。1ショットにつき3回編集する10ショットの広告は、15ドルの仕事ではなく、60ドルに近いものです。

その2つのコスト構造は換算できません。「資本投下後は無料」と「1秒7セント」を比較して出る数値は、利用率に完全に依存します。低ボリュームでは、セルフホスト型モデルの方が画像1枚あたりのコストが劇的に高くなります。高ボリュームでは劇的に安くなります。損益分岐点は、自分のGPU価格で計算しなければならない算術であり、誰かが教えてくれる事実ではありません。

どちらからも得られないもの

リップシンクされた対話付きのトーキングヘッドクリップが必要な場合、InternLumina-U2 は役に立ちません。別の動画生成ツールを使う以外に回避策はありません。3D アセット理解パイプライン——メッシュやシーン記述を画像と一緒に読み取る——が必要な場合、Gemini Omni 1.2 Flash は役に立ちません。別の視覚モデルを使う以外に回避策はありません。

書類上の違いもあり、これは聞こえ以上に重要だ。{{1}}InternLumina-U2{{/1}} は Apache-2.0 で、商用利用、改変、再配布が帰属表示付きで認められており、ライセンス本文はリポジトリにある。{{2}}Gemini Omni 1.2 Flash{{/2}} はホスト型サービスで、出力をどう扱えるかはその利用規約に従い、どのクリップにも望むと望まざるとにかかわらず {{3}}SynthID{{/3}} ウォーターマークが付き、アップロードした動画の編集や延長は EEA、スイス、英国では利用できない。ロンドンのチームが会話型動画編集を基盤に製品を作る場合、この地域制限は、どのベンチマーク比較にも浮かび上がらない形で致命的となる。

OrcaRouterの立ち位置、正直なところ

どちらのモデルも当社のカタログにはありません。google/gemini-omni-1.2-flash は OrcaRouter のモデルページで 404 を返し、InternLumina-U2 にはどこにもホストされたエンドポイントがありません — そのカードにもそう書かれており、利用しているのはコミュニティの Space だけです。したがって、当社の API への呼び出しがどちらかに届くことはなく、この記事では、当社が持っていないホストを暗示するよりも、そのことを明記します。

ゲートウェイが実際にカバーするのは、両方のワークロードがその内側に位置する層です。セルフホスト型InternLumina-U2パイプラインでも、プロンプトを作成し、出力をスコアリングし、失敗をルーティングするテキストモデルが依然として必要であり、それは200以上のモデルにまたがり、1つのキーと自動フェイルオーバーで提供する呼び出しです。Omni側では、OrcaRouterがプロバイダーの定価を0%のマークアップでそのまま通すため、Googleの値下げは次の請求サイクルではなく当日にこちら側へ反映されます。しかもOmniラインは今年すでに動画料金を一度改定しており、100万出力トークンあたり$17.50から$12.00になりました。セルフホスト構築とレンタル構築を比較しているなら、足元でレンタル側が動くことこそ、パススルー請求が可視化する変数そのものです。

どうやって決めるか

InternLumina-U2 を基に構築するのは、画像が必要で、同じモデルで3Dや動画の理解が必要で、すでに費用を支払っているGPU容量があり、ライセンス条件が製品にとって重要である場合です。研究用の成果物を動かしていることを受け入れてください。ベンチマークは著者自身によるもので、GenEvalの表はそれ自体と矛盾しており、ツール群は特定のスタックを前提としています。

音声付きのモーションが必要で、今日すぐに使えるエンドポイントが欲しく、利用量が少なくて秒単位の課金がアイドル状態のGPUより安いなら、Gemini Omni 1.2 Flashを購入してください。品質ベンチマークがないこと、テキスト出力モードがないこと、ネガティブプロンプトがないこと、編集機能に地域制限があること、すべてのフレームにウォーターマークが入ることを受け入れてください。

避けるべき間違いは、これを品評会として扱うことだ。これはダウンロードとメーターの間の調達判断であり、モデル品質の問い——両ベンダーがあなたに議論させたがっている問い——こそ、どちらの側にも最も証拠が乏しい問いなのだ。