Nemotron Sports Tennis vs InternLumina U2：どちらのモデルも負けられない比較

NVIDIA NemotronLabs AI for Media - Sports Tennis と InternLumina U2 のどちらが優れているのかと尋ねられても、正直なところ、その問いに答えは出ない。この2つのリポジトリはどちらも2026年9月に Hugging Face に登場し、どちらも潤沢な資金を持つ研究所が開発した Mixture-of-Experts 型のマルチモーダルモデルであり、それ以外に共通点はほとんどない。NVIDIA のモデルは、テニスの1ポイントを読み取ってそれに関する質問に答える 31B の専門特化モデルだ。上海AI実験室の InternLM チームによる InternLumina U2 は、internlm/InternLumina-U2として公開されている 16B の統合モデルで、画像・動画・3D を理解し、画像の生成と編集も行う。両者には共通のベンチマークも、想定ユーザーも、デプロイメントプロファイルもない。両者を比較するのは、携帯電話を選ぶというより、聴診器と3Dプリンターのどちらかを選ぶようなものだ。

そもそもこの組み合わせを取り上げる価値があるのは、両モデルに共通するあるパターンだ。どちらも独立した評価を受けておらず、両方ともそれぞれのベンダーによって、完成品ではない何かとして説明されている。それこそが本当の比較だ — どちらのモデルが勝つかではなく、今日どちらについて実際にどこまで検証できるかである。

同じ言葉をまとう二つの異なる仕事

「マルチモーダル」はこれらの両方を指し、何も教えてくれない。分割はこうだ：

• 入力できるもの — Sports Tennis：動画（mp4、最大2分）、音声（wav/mp3）、画像、テキスト。InternLumina U2：テキスト、画像、動画、3D。テニスモデルは2つのうち唯一、実質的な音声経路を持ち、Parakeet音声エンコーダーを介して、フレームとともに観客の声と打球音を読み取ります。

• 返されるもの — Sports Tennis: テキストのみ。InternLumina U2: テキスト および AToken 上に構築された8コードブックの完全離散視覚表現による、生成または編集された画像。

• ユーザーが求めるもの — Sports Tennis：「このポイントで何が起こったのか、選手はどこに立っていたのか、ボールはインだったのか」 InternLumina U2：「このチャートを説明し、次にその新しいバージョンを描いて」

• アーキテクチャ — Sports Tennis: Mamba2-Transformer ハイブリッド MoE。総計31Bで、トークンあたり約3Bがアクティブ。バックボーンとエンコーダーを Nemotron 3 Nano Omni から継承している。InternLumina U2: 1Bのアクティブパラメータを持つ16Bのスパース MoE で、従来の自己回帰型ではなく、マルチコードブック拡散言語モデルとして構築されている。

• コンテキスト — Sports Tennis は最大256kトークンを公開しています。InternLumina U2のカードにはコンテキスト数値の記載がありません。

• ライセンス — Sports Tennis は OpenMDW-1.1 の下で提供されており、モデルカードには商用および非商用での利用が可能であると記載されています。InternLumina U2 は Apache 2.0 です。

実際にそれらを比類なくしているもの

共有されたスコアボードは存在しないし、それを漠然とした肩すくめで済ませるのではなく、なぜなのかを正確に述べておく価値がある。

Sports Tennis は、NVIDIA 独自のテニスデータセットでファインチューニングされている — 239 試合の 43,084 本のポイント単位クリップにわたる 1,312,129 件の Q&A 例で、38 のアノテーションカテゴリに沿ってラベル付けされ、すべて 2025 年に収集された。そのテストセットは、12 試合、2,689 本のクリップ、80,872 件の質問からなるホールドアウト分割である。それらの成果物の一つ一つが NVIDIA 自身のものである。外部のグループはデータを持っていないため、外部のグループはスコアを再現できない — そして実際のところ、NVIDIA は再現すべきスコアを公開していない。そのカードは評価プロトコルを詳細に記述したうえで、そこから得られた結果を一切報告していない。精度についても何も、カテゴリ別にも何も、何もない。

InternLumina U2 はその同じ壁の反対側に位置している。数値は公表しているが、それらは明示的に部分的なものだ。モデルカードは一行でそう述べている。「暫定的、部分的な結果。完全な比較表は今後のテクニカルレポートに掲載される。」存在するのは、大きく異なる能力にまたがるベンダー報告の数値の広がりだ — 文書では ChartQA 86.52 と CharXiv-DQ 83.65、視覚的数学では MathVision 33.22 と DynaMath 56.37、動画では VideoMME 51.26 と MVBench 59.74、3D MM-Vet 41.8、生成では DPG-Bench 87.10 と GenEval 0.81、編集では ImgEdit 3.83。そしてプロジェクトページ自体の表は、少なくとも一つの主要指標で、このモデルが少なくとも一つの名指しされた競合他社に後れを取っていることを示している。GenEval 0.81 対 LLaDA2.0-Uni の 0.89。

つまり、一方のモデルには文書化された評価があり結果がなく、もう一方には結果があり、明示的に不完全な評価がある。どちらも、もう一方と並べて比べられる数字を与えてくれない。この2つを順位付けするどんなページも、その順位を捏造している。

それらが本当に重なっているのはどこで、それが何を示しているのか

動画理解は、両者が主張する唯一の領域であり、そこでさえ重なりは見た目より薄い。InternLumina U2 は VideoMME 51.26、MLVU 57.03、MVBench 59.74 を報告している — 一般的な動画理解スコアであり、ベンダーによる報告値だ。Sports Tennis は何も報告していないが、そのカードは、はるかに狭く、はるかに深いタスクを記述している：音声付きのラリー全体にわたるポイント単位の推論で、ショットのメカニクス、コート上の位置取り、動き、スコア状況を含む38の細粒度アノテーションカテゴリにまたがっている。

妥当な推論は、InternLumina U2 のほうが優れた汎用モデルであり、Sports Tennis のほうが優れたテニス読解モデルだろうというものだが、それはデータからではなくタスクの形からの推論である。どちらの方向にも容易に外れうる。推論ではないのは、汎用動画ベンチマークと独自のポイント単位テニスベンチマークは同じ軸に置けず、16B の統合生成器と 31B の凍結エンコーダ特化モデルは同じ問いに答えるために作られたのではないということだ。

どちらか一方を実行するのは、また別種のプロジェクトだ。

デプロイの場では、そのギャップはもはや哲学的なものではなくなる。

Sports Tennis は、BF16 で約 80 GB のメモリを搭載した 1 基の GPU という下限を明言しており、重みは約 62 GB で、A100、H100、H200、B200、GB200 NVL72、RTX PRO 6000 SE、L40S、DGX Spark、Jetson Thor、RTX 5090 でテスト済みです。量子化チェックポイントは存在しないため、80 GB という要件を現時点で下方に引き下げる交渉の余地はありません。また、英語のみです。

InternLumina U2 のより興味深い問題はメモリではなく、シリコンです。このリポジトリは、トレーニング用ハードウェア別に分割されたチェックポイントをホストしています：完全な ascend/ディレクトリ（Huawei Ascend NPU でトレーニングされた7つの safetensors シャードを含む）と、nvidia/ディレクトリは「近日公開」と記されています。NVIDIA ハードウェアを実行しているなら — Nemotron のテニス向けファインチューニングを兄弟に持つモデルにとって、これは読者のほとんどに当てはまります — 欲しいチェックポイントは、まだ登場していないものです。推論コードとセットアップ手順は Hub 上ではなく InternLM の GitHub リポジトリにあり、テクニカルレポートはまだ保留中です。

それは通常の予想を覆す。プロプライエタリで、ベンチマーク未実施の、アプライアンス型モデルのほうが、初日から今すぐダウンロードして実行できるものだ。Apache-2.0 のオープン研究モデルのほうは、ハードウェア固有のビルドを待っているものだ。

ルーターが適する場面 — そして適さない場面

これらのモデルはどちらも OrcaRouter 上でホストされておらず、その事実を言葉巧みに回避して書く誠実な方法はありません。Sports Tennis にはどこにもエンドポイントがありません。NVIDIA は重みを公開しただけで、それ以外は何もしていません。InternLumina U2 自身のリポジトリには、NVIDIA のチェックポイントがまだ保留中であると記されているため、当方側で提供できるものも何もありません。これはどちらの件についても、ルーティング上の判断ではなく、セルフホスティングの判断です。

ルーティングの話は、さらに一段上のレイヤーで出てきます。Sports Tennis のようなスペシャリストと、InternLumina U2 のような汎用モデルを比較評価したいチームは、それを単独で行うのではありません。音声文字起こし、ドキュメント処理、要約、そしてそれらを取り巻くアプリケーションロジックも必要とするパイプラインの中で、一つの候補として評価するのです。それらのコンポーネントはホスト型で、まさにその部分で200以上のモデルをカバーする単一のAPIキーが、プロバイダー間の自動フェイルオーバーとともに、統合作業の一週間分を節約してくれます。呼び出せるモデルはキー1つで済むので、自分で実行しなければならないものだけが、実際に自分が保守する対象になります。

未解決の問題

並べて見ると、NVIDIA NemotronLabs AI for Media - Sports Tennis と InternLumina U2 は、マルチモーダルモデルを公開の場でまずく出荷する2つのやり方を、なかなかうまく示している。一方は自らの評価を文書化しつつ結果を伏せ、もう一方は結果を公表しつつ自らの評価を不完全とラベル付けした。2026年9月時点で、どちらも反証不可能な主張である。

注目すべきは、どちらがより強くなるかではない — 両者が同じもので試されることは決してない。そうではなく、どちらのラボが先にその隔たりを埋めるかだ。もし NVIDIA がテニス分野の数値を公表すれば、それはより難しい問題を解いたことになる。なぜなら、12件の未見試合からなるプロプライエタリなホールドアウトベンチマークこそ、ドメイン特化のファインチューニングを誠実に採点する唯一の方法であり、NVIDIA はすでにその分割を構築しているからだ。もし InternLM が NVIDIA のチェックポイントと技術報告書をリリースすれば、それは自社の Apache-2.0 モデルを、ユーザーが所有するハードウェアで真に使えるものにしたことになる。どちらになったとしても、この比較は読み返す価値がある — なぜなら今の時点で、どちらのモデルカードが最も擁護可能な形で支持できる結論も、肩をすくめることだけだからだ。