InternLumina-U2 vs North Micro Vision Instruct：今日実行できるドキュメントリーダー vs まだ実現していない16Bモデル

今週中に文書、スクリーンショット、チャートを読み取れるモデルが必要なら、この比較には短くて実用的な答えがあります。North Micro Vision Instruct は、Cohere が Apache-2.0 ライセンスで公開した24億パラメータのオープンウェイトモデルで、2026年8月10日からダウンロード可能です。文書タスクでは、今日から自分のファイルに適用してみる価値があるほどの性能を持っています。一方、InternLumina-U2 は、上海AIラボの160億パラメータの拡散モデルです。チャートや文書の理解に加えて、ほかにも6つほどのタスクをうたう、はるかに野心的な設計ですが、そのウェイトは公開されておらず、Hugging Face のリポジトリは中身のないスタブで、今のところ世界中のどこでも誰も実行できません。より長い答えは、Apache-2.0 の2つのモデルが文書読み取りについて重複した主張をしながらも、そのうち片方だけが実際に手に取れるものであるときに何が起こるか、という話です。

実際に存在する2.4B

North Micro Vision Instruct は、Cohere の North ファミリーにおけるビジョン特化モデルです。総パラメータ数は約24億（2.4B）で、ネイティブ解像度のまま読み取れるように設計されたコンパクトなモデルです。設計思想としては、多くのビジョンモデルは画像を固定グリッドに縮小するため、文書が持つ微細なディテールが失われます。そこで North Micro Vision Instruct は、アスペクト比と小さな文字を保ちながら、200dpi の A4 判相当までの画像をネイティブ解像度のまま受け入れます。Cohere が報告した数値は、このサイズ区分としては強力です。DocVQA 0.921、ChartQA 0.808、OCRBench 0.792 であり、いずれも Cohere 報告によるもので未再現です。検証済みのマルチモーダルコンテキストは約8Kトークンで、MMMU (0.329) に弱点があることも報告されています。これは、このモデルが推論のゼネラリストではなく、読み取りのスペシャリストであることを示しています。このモデルには独自のホステッド API も標準的なホスティング経路もありません。現実的な使い方は、2.4B モデルをセルフホスティングすることです。最新のワークステーション向け GPU 1枚で動作する十分な小ささです。コミュニティでの採用は堅調に推移しています。Hugging Face のカードには、8月下旬時点で月間数万ダウンロードが表示されていました。

16B、それは約束だ。

InternLumina-U2は、異なる種類の成果物である。上海AI Laboratoryが2026年9月1日に公開したのは、推論コードとアーキテクチャであり、モデルではない。すなわち、スパース混合専門家（MoE）拡散LLMで、総パラメータ16B、アクティブパラメータ1B、完全に離散化された8コードブックの視覚表現を中心に構築されている。リポジトリのドライバスクリプトがカバーする6つのタスク群——テキスト、画像理解、テキストから画像、画像編集、動画理解、3D理解——のうち、画像理解には明示的に高密度チャートと文書が含まれる。プロジェクトページの予備表には、同研究所が専門家と同じ範囲で報告しているチャートと文書の数値が記載されている：ChartQA 86.52、CharXiv-DQ 83.65、その他にHallusionBench 62.15、MathVision 33.22。ページは結果を「予備的・部分的」と呼び、完全な表を掲載する予定の技術報告書は「近日公開」とされており、そして——決定的な事実として——誰も検証できる重みは存在しない。

スコアボード

以下に示すすべての数値はベンダー報告によるものです。North Micro Vision Instruct の数値は Cohere 自身の評価であり、InternLumina-U2 の数値はその研究室の予備的な部分表によるものです。

• サイズと形状 — North Micro Vision Instruct: 約2.4BのDenseモデルで、ネイティブ解像度のリーダー。InternLumina-U2: 合計16B／アクティブ1BのスパースMoE、離散型マルチコードブック拡散モデル。

• 機能 — North Micro Vision Instruct：画像・文書・チャート・UI画面を読み取り、根拠付きのテキスト回答を行う。InternLumina-U2：読み取りに加えて生成も可能と主張 — 画像・動画・3Dを理解し、画像の生成・編集ができる。

• 重み — North Micro Vision Instruct: 2026年8月10日より公開 (CohereLabs/North-Micro-Vision-Instruct、Apache-2.0)。InternLumina-U2: 非公開。Hugging Face のスタブは空で、重みは「coming soon」と表示されている。

• 主要な読取スコア — North Micro Vision Instruct: DocVQA 0.921、ChartQA 0.808、OCRBench 0.792（Cohere報告）。InternLumina-U2: ChartQA 86.52、CharXiv-DQ 83.65、HallusionBench 62.15（ラボ報告・暫定）。

• ドキュメントコンテキスト — North Micro Vision Instruct：ネイティブ解像度は200dpiで約A4まで、検証済みマルチモーダルコンテキストは約8K。InternLumina-U2：高密度チャートや自然画像はATokenマルチコードブックエンコーダーで処理。コンテキストは未指定。

• 既知の弱点 — North Micro Vision Instruct: MMMU 0.329、ツール呼び出しなし — 推論器でもエージェントでもなく、単なるリーダー。InternLumina-U2: 自社の部分的な表では、GenEval (0.81 vs 0.89) においていくつかの有名な競合製品に少なくとも1つ遅れを取っている。それ以外はすべて未検証。

• 実行方法 — North Micro Vision Instruct: 2.4Bモデルをセルフホストする。vLLMサポートは本稿執筆時点ではまだ実装中だった。InternLumina-U2: 誰も実行できない — 重みがない上に、リリースされたドライバには、リポジトリに存在しないチェックポイントディレクトリとトークナイザファイルが必要だ。

同じベンチマーク、二つの非常に異なる認識論

ChartQAは、2つの主張の違いを見る最も明確な方法です。両モデルともChartQAの数値を報告しており、North Micro Vision Instructは精度の分数として0.808を報告し、InternLumina-U2はパーセンテージとして86.52を報告しています——同じベンチマークであり、本質的には同じ結果を、異なるスケールで80年代後半から80年代半ばの帯域で示したものです。異なる評価分割やプロンプト設定により、両モデルが存在する場合でも論文間のChartQA比較は厄介なものになります。重要なのは認識論的な違いです：North Micro Vision Instructの0.808はダウンロード可能な成果物に紐づいているため、GPUと一連のチャートを持つチームならば、今週中にそれを再現または反駁できます。InternLumina-U2の86.52はロードマップに紐づいています。検証できない数値は、その上に構築すべきではない数値です——これはまさに、当該研究所自身が自社の表を暫定的とラベル付けすることで認めている立場です。

CohereLabs/North-Micro-Vision-InstructのHugging Faceカード（2026年8月27日時点）—2.4Bネイティブ解像度視覚言語モデルの説明、Apache-2.0ライセンス、およびCohereが報告した文書読み取りベンチマーク。

読むこと、対、読むことと描くこと

アーキテクチャ哲学の差は、ベンチマークの差よりも価値がある。North Micro Vision Instructは狭い専門家である。つまり、読むことを目的とし、その一つの仕事を十分手頃なコストでこなすため、GPU料金を気にせずに、パイプライン内のあらゆるページ、あらゆるスクリーンショット、あらゆる請求書で実行できる。その安さこそが特徴だ。大規模なドキュメントインテリジェンスは、精度の問題であると同時にコストの問題でもある。InternLumina-U2は正反対の賭けである。巨大なスパースモデルであり、読解を画像生成、画像編集、動画理解、3D理解とともに、一つの共有された離散トークンインターフェースに統合しようとする。理解と生成が相互に強化し合うという理論に基づいている。それが機能すれば、それは別のクラスのツールとなる—しかし「機能すれば」という条件には多くの重みが込められている。カスタムトークナイザーとBlenderレンダリングによる3D前処理を備えた16B-A1B拡散MoEは、2.4Bの専門モデルが実現するような、安価で常時稼働のリーダーには決してなり得ない。これらは実際のところ代替手段ではない。今日展開できるツールと、備えるべき研究方向性なのである。

2026年9月2日にキャプチャされたInternLM/InternLumina-U2 GitHubリポジトリ — 「Omni-Visual Understanding, Image Generation and Editing」という説明とタスクごとの推論スクリプトが掲載されたリポジトリのランディングページ。その中でも画像理解パスは、自然画像と高密度チャートを対象としている。

ドキュメントパイプラインを構築している場合、これが何を意味するのか

どちらのモデルもOrcaRouterではホストされていません。North Micro Vision Instructはホスト型APIを持たないセルフホストモデルであり、InternLumina-U2には誰かがホストできるウェイトが存在しません。したがって、ここでのルーティングの論点は「今日、両方を1つのキーで呼び出す」ことではありません。これは、どちらかの状況が変わった日に使うべきパターンです。ドキュメントパイプラインはほとんどの場合、低コストのリーダーとより大規模なリーズナーを組み合わせます。ルーティングレイヤーの価値は、その組み合わせを1回の呼び出しとして表現し、実際に利用するホスト型モデルに対する0%マークアップのパススルーを誠実に保つことにあります。InternLumina-U2のようなApache-2.0チェックポイントがようやく登場したとき、賢明な選択は、稼働中のドキュメントスタックを引き剥がすことではなく、自動フェイルオーバーの背後にあるテストパスに新モデルを通すことです。そうすれば、新モデルは本番トラフィックを生き延びることで、本番での利用を勝ち取れます。実際のチャートで失敗した瞬間、呼び出しはすでに実績を証明したモデルにフォールバックします。200以上のモデルを1つのAPIで扱えることがメカニズムであり、フェイルオーバーがセーフティネットです。16Bの約束がまだ果たされ続けている間、今日実行できるスペシャリストこそが、収益を支える存在なのです。

評決

現在の文書・チャート読み取りに関して言えば、North Micro Vision Instruct は2つのうち実用可能な意味で存在する唯一のモデルです。小型で、Apache-2.0、ダウンロード可能、そして実際に確認できる強力なベンダー報告スコアを備えています。InternLumina-U2 は長期的に見ればより興味深い成果物です。単一の統合モデルの中で「読み取り」を6つのスキルのうちの1つにしようとしており、それが機能すれば「視覚モデル」の意味が変わります。その空の Hugging Face リポジトリを、打ち上げカウントダウンのように見守ってください。safetensors ファイルが現れた日、約束はモデルとなり、比較は現実のものになります。それまでは、チャートベンチマークにおけるベンダー報告の86.52という数字に、ダウンロード可能な0.808を意思決定の上で劣後させてはいけません。