LFM3-Omni-2B 対 InternLumina U2：2つのモデル、オムニの2つの意味

LFM3-Omni-2BとInternLumina U2はどちらも「omni」に分類されているが、同じ仕事ではない。Liquid AI の21.7億パラメータモデルはテキスト、画像、動画、音声を入力として受け取り、テキストまたは24キロヘルツの音声を出力する。上海AIラボの InternLumina U2 はテキスト、画像、動画、3Dを入力として受け取り、テキストまたは 画像を出力する。一方は口、もう一方は手だ。両者の比較として見つかるもののほとんどは、片方しか参加できないベンチマークに紙幅を費やしている。だからこそ有用な問いはより狭く、答えるのも安く済む——「omni」のどちらの半分があなたの製品に欠けているのか？

2つのリリースは登場の仕方も正反対で、そのことは通常以上に重要だ。Liquid AIは2026年10月27日、6つの2Bクラスモデルを扱う1本の投稿でLFM3ファミリーを発表し、LFM3-Omni-2Bは独立したローンチではなくその投稿の1行にすぎなかった。その重みはすでに10月21日から公開リポジトリに置かれていた。InternLumina U2は逆の道をたどった。推論コードとプロジェクトページが9月1日に現れ、重みは後からハードウェア別のフォルダーで続き、発表は一切なかった。どちらのモデルにも第三者によって再現された数値はない。以下の数値はすべてベンダー自身による説明だ。

拒否のほうが仕様よりも多くを教えてくれる

仕様一覧は、モデル同士が互換性があるように見せるために書かれています。代わりに、それぞれが物理的に受け入れられないものから始めてください。なぜなら、その二つのリストはまったく交わらないからです。

LFM3-Omni-2Bは描画できません。スタックには視覚エンコーダーがありますが、それは読み取るだけです。出力経路はテキストと音声です。写真の編集を頼んでも、正直な答えは、その要求はモデル内に表現を持たないということです。

InternLumina U2 は話すことができません。音声エンコーダーも、コーデックトークナイザーも、音声出力ヘッドも備えていません。WAV ファイルを渡しても、それを受け取る仕組みがアーキテクチャ内に存在しません。その「オムニ」は、理解と生成は単一の視覚バックボーンに属すべきだという賭けであり、その出力語彙は波形ではなくテキストと画像のトークンです。

つまり最初の問いは、どちらのモデルが高いスコアを出すかではありません。あなたのワークロードに必要なのが合成音声なのか、それとも編集画像なのかです。なぜなら、それぞれの側で利用できるのはそのうちちょうど一方だけであり、どちらのモデルもファインチューニングによってもう一方の能力を身につけることはないからです。それはトークナイザーの性質であり、学習データの性質ではありません。

一方が文を口述し、もう一方がそれを推敲する

両アーキテクチャはパラメータ数より深いレベルで異なっており、その違いが能力の差を説明している。

LFM3-Omni-2Bは自己回帰型です。17億パラメータのLFM3バックボーンが、LFM3視覚エンコーダーとLFM3因果音声エンコーダーからトークンを読み取り、テキストトークンまたはLiquidCodec音声トークンを左から右へ出力します。動画は毎秒2フレームでサンプリングされ、各2×2画像パッチは単一の言語トークンに集約されます。これにより、2.17Bモデルがスマートフォン上で32Kウィンドウを使用可能に保てます。音声出力は24 kHz、音声入力は16 kHzモノラルです。

InternLumina U2は拡散言語モデルであり、まさにそこがじっくり考える価値のある部分です。これは一度に1トークンずつ出力するのではなく、ノイズから開始し、マスク付き拡散目的関数を用いて系列全体を並列に洗練します。その視覚表現は完全に離散的で、各位置にAToken視覚トークンの8つのコードブックを持ち、入力側では連結され、出力側ではコードブックごとに予測されます。すると、画像生成は質問に答えるのと同じ操作になります。視覚トークンの系列をノイズ除去するのです。これは、他のすべてのオープンなマルチモーダルモデルが取っている賭けとは本当に異なる賭けであり、このモデルがそもそも画像を生成できる理由でもあります。

その賭けの代償はツーリングだ。InternLuminaは3行で呼び出せるtransformersパイプラインではない。モデルカードでは、FlashAttention付きのATokenトークナイザー、独自のblock-diffusion generate API、そして3D出力をレンダリングしたいならBlender 4.5が必要となる。対照的に、LFM3-Omni-2Bは通常のBF16重みとして提供され、文書化されたファインチューニング手順と、すでに流通しているOllamaビルドを備えている。そのビルドのリスティングは125Kコンテキストを謳っているが、モデルカードでは32Kであり、この不一致はまだ誰も説明していない。

適合するかどうかを決める仕様

• パラメータ — LFM3-Omni-2B は2.17Bの密なモデル、InternLumina U2 は合計16Bで、疎なMixture of Expertsのうち1Bがアクティブ。

• 出力 — テキストおよび24 kHz音声（テキストと音声が交互に現れるものを含む）対 テキストおよび生成または編集された画像。

• 入力 — テキスト、画像、音声あり/なしの動画、16 kHz音声 対 テキスト、画像、動画、3D

• コンテキスト — 入力と出力を合わせて32Kトークン。一方、InternLuminaのカードにはコンテキスト長がいまだ明記されていません。

• 言語 — LFM3-Omni-2B では16のテキスト言語と19の音声ロケール。InternLumina は件数を公表していません。

• ライセンス — LFM Open License v1.0（収益閾値ライセンス）と、同梱の AToken および VeOmni コードに例外規定を設けた Apache 2.0 との対比。

• ハードウェア — 一方はスマートフォン、ノートPC、エッジボード。もう一方は、Huawei Ascend NPUで学習したascend/ツリーとnvidia/ツリーに分割されたチェックポイントで、各ツリーおよそ33.8 GB。

両者が実際に共有している2つのベンチマーク

両方のカードにはちょうど2つの動画番号があり、どちらのモデルが優れているかについて食い違っています。これがこのページで最も情報量の多い点です。

MVBenchでは、InternLumina U2が61.8、LFM3-Omni-2Bが58.03を報告しており、拡散モデルに3.8ポイントの優位があります。字幕なしのVideo-MMEでは、LFM3-Omni-2Bが57.70、InternLumina U2が56.7を報告しており、逆方向に1ポイントの優位があります。どちらの結果もベンダーが実施したもので、異なるハーネスと異なるプロンプトを使用しており、どちらのラボも評価コードを公開していません。そうした条件下での1ポイント差はノイズです。3.8ポイント差はおそらく実在しますが、あなたの映像素材について語ることはほとんどありません。

それ以外はすべて共有されていない。InternLuminaのカードはCharXiv-DQ 85.9とHallusionBench 64.6を先頭に掲げており、これらはLFM3-Omni-2Bが一度も受験していない文書およびハルシネーションのテストだ。LFM3-Omni-2BのカードはDocVQA 92.47、OCRBench 806、MMMU 42.44を先頭に掲げ、さらに音声の列 — 英語ASRの単語誤り率6.36、多言語6.72、TTS UTMOSv2 3.80 — があり、もう一方には対応する項目がない。同カードは、数値がLiquid AIによって各モデル自身のチャットテンプレートとgreedyデコーディングを用いて測定されたものだと明記しており、これは標準的な但し書きであり、しかも実質的な意味を持つ但し書きだ。

InternLuminaはさらに率直で、そのモデルカードでは結果を「予備的で部分的な結果」と呼び、比較表は後回しにしている。それは偽りの謙遜ではない。16B-A1B拡散モデルがDPG-Bench 87.79、GenEval 0.89で画像を生成するのは重大な結果であり、同時に、別のサンプラーで再実行すれば変わりうる類の結果でもある。

誰がどれを選ぶべきか

製品が音声で応答する必要があるなら——音声アシスタント、ハンズフリーインターフェース、アクセシビリティツール、発信者に音声で回答を返す通話要約ツール——LFM3-Omni-2B は、この2つのうち唯一その仕事を完遂できるものです。また、デバイス上で動作する唯一のものでもあり、音声にとってこれは二重に重要です。音声はほとんどのアプリが扱う中で最もプライバシーに敏感なモダリティであり、それをサーバーに送信するかどうかは正当化しなければならない判断だからです。

製品で画像を生成または編集する必要があるなら、InternLumina U2 だけが着手できます。その代償として、Ascend 優先のハードウェア上で拡散推論スタックを維持することになり、NVIDIA 向けツリーはごく最近使えるようになったばかりで、3D パスは Blender のインストールを必要とします。これはアプリストア向けではなく、研究用のデプロイです。

ほとんど誰も認めないのは、実際の製品には両方が必要であり、これら2つのモデルは互いに組み合わせられないということだ。生成された図と音声による説明を必要とするリクエストは、2つのランタイム、2つのライセンス、2つのハードウェアプロファイルをまたがなければならない。その継ぎ目こそ、ほとんどのチームが最終的により大きなモデルではなくルーターを置く場所だ。OrcaRouterはその仕組みのホスト側であり、プロバイダーの定価に対して0%のマークアップで200以上のモデルをまたぐ単一APIを提供し、プロバイダーが停止した際には自動フェイルオーバーを行う。そして今日、LFM3-Omni-2BもInternLumina U2もそのカタログにはない。重要なのは、どちらかがそこに属するということではない。重要なのは、作業を2つに分けた瞬間、後半には実行する場所が必要になるということだ。

何が答えを変えるだろうか

どちらか一方のモデルに対する独立した評価が1つあれば、また別のベンダー比較表を見るより有意義だ。InternLumina U2 で注目すべき指標は、別のサンプラー下での生成品質だ。なぜなら拡散モデルの出力はサンプラーが変われば変わるし、外部の誰もまだ試していないからだ。LFM3-Omni-2B については、Liquid 自身のプロンプト以外でも音声が持ちこたえるか、具体的には 3.80 UTMOSv2 が自分の成果を採点していない聴き手に実際に接しても生き残るかどうかだ。

それまでは、判断はベンチマークよりも珍しいもの、すなわち能力リストに委ねられる。LFM3-Omni-2Bは話せても描けない。InternLumina U2は描けても聞こえない。ほとんどのチームにとっては、最初の評価が実行される前にそれで決着がつく。