InternLumina-U2 vs Gemini Omni 1.1 Flash：まだ実行できないモデル vs 秒単位で課金されるモデル

締め切りが今週であれば、この比較に対する答えは一文で済む。Gemini Omni 1.1 Flash は、Google が一般提供している動画生成モデルであり、API 経由で呼び出すと、音声が同期されたクリップが返され、出力秒数に応じて課金される。InternLumina-U2 は、Shanghai AI Laboratory がひっそりと公開した Apache-2.0 の研究モデルで、推論コードはダウンロードできるが、重みはまだ「coming soon」と表示されたままだ。ひとつは今すぐ購入できる製品であり、もうひとつは論文という形をした、まったく実行できない賭けだ。興味深いのは、そもそもなぜ両者を同じ文で語るのか、そしてそれぞれが、2026年後半におけるオープンなマルチモーダル研究の向かう先について何を示しているのか、という点である。

以下はすべて出所別にラベル付けされています。InternLumina-U2の詳細は、研究室が2026年9月1日——空のHugging Faceスタブが出現したのと同じ日——に公開したGitHubリポジトリとプロジェクトページからのものであり、そのベンチマーク数値はすべてベンダー報告による予備的なもので、未再現です。Gemini Omni 1.1 Flashの詳細は、2026年8月27日に一般提供が開始されたモデルに関するGoogle自身のリリース資料と価格ページからのものです。

同じ「マルチモーダル」質問に対する2つの回答

両モデルは「1つのモデル、多様なモダリティ」という緩い旗印の下に並ぶ。だが、比較されるのは、その共通のレッテルがあるからにすぎない。その下では、両者はほとんど何も共通していない。Gemini Omni 1.1 Flashは、クローズドでホスト型の、動画中心の生成サービスだ。テキスト、画像、短い参照クリップ、音声を入力すると、音声・音楽・効果音を組み込んだ最大10秒の720p動画を生成し、それを10秒単位で延長して40秒のシーンまで拡張できる。モデルはすでにあるクリップを考慮する——拡張パスは従来の1秒ではなく、最大10秒の過去コンテキストを参照する——さらに、最初と最後のフレームを固定してショットの開始と終了を指定し、モデルに中間を埋めさせるファースト/ラストフレーム制御にも対応している。動く映像を作るためのツールであり、秒単位で販売される。

InternLumina-U2は、逆方向への賭けである。つまり、総パラメータ160億（アクティブ10億）の単一のスパース混合エキスパートモデルであり、画像・動画・3Dアセットを理解し、共通の離散トークンインターフェースを通じて画像の生成と編集ができると主張している。その視覚側は完全に離散的で、研究室がATokenと呼ぶトークナイザーからの8つの相補的コードブックを用いるため、各視覚位置は1つではなく8つのコードで表現される。一方、言語側は、同研究室がLLaDA-2.0から拡張した拡散バックボーンである。この提案の狙いは、理解と生成を専門モデルからつなぎ合わせるのではなく、単一の重みセット内で相互に強化し合うようにすることだ。それが機能するかどうかは現時点では判断できない。モデルはどこでも実行可能ではなく、重みが公開されていないからだ。

スコアボードは、まあこんなものだが

このペアの正直なスコアボードは、すべての行に出所を記載する必要がある。一方の列は価格が公開されている市販製品であり、もう一方の列は価格がまったく存在しない未発表の研究上の主張だからだ。

• これは何か — Gemini Omni 1.1 Flash: ホスト型動画生成・編集モデル（モデルID gemini-omni-1.1-flash）、2026年8月27日にGA。InternLumina-U2: オムニ視覚理解、画像生成・編集のためのオープンサイエンス拡散LLM、コードは2026年9月1日にリリース。

• 重み — Gemini Omni 1.1 Flash: なし。クローズドでホスト専用のみ。InternLumina-U2: こちらもまだなし。ただしApache-2.0ライセンスで「近日公開」と明示されている。

• 得られる出力 — Gemini Omni 1.1 Flash: 音声付きの10秒・720pクリップ、40秒まで延長可能。1080pおよび4Kへのアップスケール。テキストも同時に。InternLumina-U2: まだ何もなし — 推論コードとロードマップのみ。

• 入力可能なもの — Gemini Omni 1.1 Flash：テキスト、画像、動画（最大約131K入力トークン、プロンプトあたり10秒クリップ3本まで）、音声。InternLumina-U2：テキスト、自然画像、高密度チャート、64サンプリングフレーム超の動画、さらに64のカラー・深度ビューにレンダリングされたGLB/GLTF 3Dアセットに対応。

• 実行方法 — Gemini Omni 1.1 Flash: ステートフルなInteractions APIを介したGoogleのGemini API。消費者向けアクセスは、AI Plus、Pro、Ultraの各サブスクライバー向けにGoogle Flow経由で提供。InternLumina-U2: セルフホストのみ、かつウェイトが公開されてからのみ。コードは、分割されたチェックポイントディレクトリ、ATokenトークナイザーのウェイト、FlashAttention、および3Dパス用のBlender 4.5を想定している。

• 料金 — Gemini Omni 1.1 Flash: 360pドラフトは$0.03/秒、720pは$0.10/秒、1080pは$0.15/秒、4Kは$0.30/秒。トークン料金は入力100万トークンあたり$1.50、テキスト出力100万トークンあたり$9.00。InternLumina-U2: 登場したら、自前のGPUのコスト次第。

この2つの列は、同じ軸を測定しているわけではない。Gemini側は、価格が設定され、サービスとして提供され、すぐに使用できる。一方InternLumina側は、まだモデルになっていないモデルの仕様にすぎない。

実際に現行の部分：Gemini Omni 1.1 Flash の GA

Gemini Omni 1.1 Flash は今週、それ自体で意味を持つ。Google の omni 動画ラインがプレビューではなくなる瞬間だからだ。従来の Gemini Omni Flash プレビューエンドポイントは2026年9月30日に停止予定で、今回の GA モデルは開発者が移行する後継となる。アップグレードの内容は具体的だ。10秒単位から構成される40秒のシーン拡張、最初と最後のフレームを指定してモデルに間の映像を生成させるキーフレーム制御、キャラクターや設定の一貫性を保つための最大3秒のリファレンスクリップ、そして720p の3分の1の価格で最大60%高速な360pドラフトティア。これは、高価な最終レンダリングの前にプロンプトを反復するためのものだ。ビデオパイプラインを構築しているなら、価格表——720p の1秒あたり0.10ドル、10秒クリップで1.01ドル、4回の拡張呼び出しで作る40秒の720pシーンでおよそ4ドル——こそがコストモデルを変える数字である。

そうした点はどれも、運用上の意味で、これがInternLumina-U2の競合相手になるということを意味しない。Gemini Omni 1.1 Flashは動画を生成する。InternLumina-U2は、その主張が実際のウェイトとの接触に耐えるのであれば、動画を理解して静止画を生成するようになるだろう。今四半期に製品動画を必要とするチームは、この2つのあいだで選択しているわけではない。そもそも、この2つのうちで呼び出せるのはGeminiモデルだけであり、しかもそれはGoogle自身のAPIや複数のサードパーティのプラットフォームから利用できる。

GoogleのAI開発者サイトにあるGemini APIの「Models」ドキュメント（2026年9月2日取得）— 現在のGeminiファミリーを一覧表示し、サイドバーナビゲーションにGemini Omniラインが含まれているページ。

まったく最新ではない部分：InternLumina-U2

InternLumina-U2の9月1日のリリースは、最も静かな種類のものだった。GitHubリポジトリへのコミット3件、プロジェクトページ、コンテンツ全体がApache-2.0ライセンスヘッダである28バイトのHugging Faceスタブ、そして発表は一切なかった。実際に公開されているのは推論ハーネスとアーキテクチャだけであり、モデル自体を誰もテストできていないからこそ、両者は注意深く読む価値がある。リポジトリには、タスクごとに1つのエントリポイントを持つドライバが示されている。すなわち、テキスト生成、最大1024×1024のテキストから画像への生成、自然画像と密度の高いチャートに対する画像理解、オプションのデュアルCFGモードを備えた命令ベースの画像編集、サンプリングされた64フレームに対する動画理解、そしてBlenderでレンダリングされたGLB/GLTFビューに対する3D理解である。設計上の賭けは、マルチコードブックの離散視覚ボキャブラリによって、シーケンス長を膨張させることなく単一のバックボーンがこれらすべてを処理できる、というものだ。「視覚トークンはより多くの情報を運ぶべきだ」という、コーデックネイティブな動画モデルを駆動するのと同じ直感を、統合された理解・生成インターフェースに適用したものなのである。

The InternLM/InternLumina-U2 GitHubリポジトリ、2026年9月2日キャプチャ — Apache-2.0ライセンスのリポジトリランディングページで、「Multi-Codebook Diffusion Large Language Model」という説明、3つのコミット、そして現在までの公開リリース全体を構成するタスク別推論スクリプトが表示されています。

プロジェクトページのベンチマーク表は、当該ラボ自身によって「予備的・部分的な結果」とラベル付けされている。そこに記載された数値は諸刃の剣である。すなわち、強力なチャート・文書スコア（ChartQA 86.52、CharXiv-DQ 83.65、ベンダー報告値）がある一方で、GenEval は0.81にとどまり、同ラボが凌駕すると主張する少なくとも1つのモデルの0.89に及ばない。独立した評価は存在しない。なぜなら、評価すべきモデルが存在しないからだ。実際の品質に関するすべては、あの空のHugging Faceスタブにsafetensorsファイルが現れるまでは、単なる主張にすぎない。

ルーティングレイヤーが片側のみ存在する場合に何を行うか

これは、ルーティングという観点が、実際には選択ではなく時間に関するものであるような、よくあるタイプの比較です。私たちは、OrcaRouterがInternLumina-U2を提供しているふりをするつもりはありません。重みが未公開なので、誰にもできないことです。また、Gemini Omni 1.1 Flashも当社のカタログにはなく、Google自身のAPI経由で使います。このギャップにおいてルーティングレイヤーが実際に役立つのは、パイプラインを二度作り直すことなく選択肢を開いたままにしておくためです。その仕組みがパススルーモデルです。ホストされたベンダーのモデルがカタログに載った場合、プロバイダのリスト価格がマークアップ0%でそのまま渡されるため、ベンダーが公表する秒単位のレートが、プロバイダごとの契約ではなく単一のキーで支払う秒単位のレートになります。そして、InternLumina-U2のようなApache-2.0ライセンスの重み公開がついに訪れたとしても、合理的な行動は、動作中のビデオスタックを取り除くことではありません。自動フェイルオーバーで守られたテストパスに新しいモデルを立ち上げ、実証されていない拡散モデルが最初に誤動作した場合、コード変更なしで信頼済みモデルへ呼び出しをフォールバックさせることです。新しいものは害が出ない場所で試し、収益を生むものをルーティングしなさい。

評決

{{1}}今月動画が必要なら、答えはもう決まっている。Gemini Omni 1.1 Flashは実在し、価格も設定され、一般提供されている。InternLumina-U2は誰も呼び出すことができない。{{/1}} {{2}}オープンなマルチモーダル研究の行方を追っているなら、InternLumina-U2のほうがより興味深い成果物だ。大手ラボによる、稀有な「完全離散型・マルチコードブック」への賭けであり、Apache-2.0ライセンスで公開されている。アーキテクチャはすでに公開されており、ウェイトの公開もおそらく間近だ。{{/2}} {{3}}リポジトリは研究の方向性のプレビューとして、GA動画モデルは今日から開発に使えるツールとして捉えよう。そして、「マルチモーダル」という共通のレッテルに惑わされて、両者が同じ仕事を競い合っていると思い込んではいけない。{{/3}}