Gemini Omni 1.2 Flash vs InternLumina-U2: wynajmowane sekundy kontra pobrane wagi

Postaw Gemini Omni 1.2 Flash obok InternLumina-U2, a porównanie, które się narzuca — jakość obrazu, szybkość generowania, wyniki benchmarków — jest najmniej interesującym z dostępnych, ponieważ te dwa modele nie konkurują o tę samą pozycję budżetową. Gemini Omni 1.2 Flash to API rozliczane za użycie, które pobiera około 0,07 USD za sekundę wideo 720p, stało się ogólnie dostępne 5 listopada 2026 i zwraca plik, do którego masz prawa użytkowania, ale nigdy wagi. InternLumina-U2 to 16-miliardowy rzadki model językowy dyfuzji od Shanghai AI Laboratory, Apache-2.0, siedem shardów na drzewo sprzętowe, dostępny na Hugging Face, gdzie każdy z odpowiednim miejscem na dysku może go pobrać. Jeden to usługa. Drugi to zasób. Przydatne pytanie nie brzmi, który generuje lepsze obrazy; brzmi, którą z tych dwóch rzeczy twój projekt może faktycznie przyswoić.

To ujęcie ma znaczenie, ponieważ oczywiste pytanie — „który z nich jest lepszy w generowaniu obrazów” — ma mylącą odpowiedź. InternLumina-U2 rzeczywiście generuje obrazy i na własnych benchmarkach raportowanych przez producenta wypada konkurencyjnie. Ale rozumie też wideo i 3D w ramach tego samego backbone’u, czego Gemini Omni w ogóle nie potrafi, podczas gdy Gemini Omni generuje wideo z zsynchronizowanym dźwiękiem, czego InternLumina-U2 nie potrafi. Oceniane pod kątem części wspólnej, oba są systemami blisko powiązanymi z obrazem i wideo. Oceniane pod kątem sumy możliwości, ledwie się stykają.

Nakładanie się, precyzyjnie

InternLumina-U2 obsługuje QA tekstowe, generowanie obrazów na podstawie tekstu, rozumienie obrazów, edycję obrazów, rozumienie wideo i rozumienie 3D w ramach jednego modelu. Określenie „understanding” naprawdę odgrywa istotną rolę na tej liście: model odczytuje wideo i odczytuje dane 3D, ale nie wytwarza ani jednego, ani drugiego. Wytwarza natomiast obrazy i tekst.

Gemini Omni 1.2 Flash generuje wideo. Przyjmuje tekst, obrazy i wideo, a zwraca wideo z natywnym dźwiękiem — od trzech do piętnastu sekund przy 24 klatkach na sekundę, od 360p do 4K, przy czym dwa najwyższe poziomy są skalowane w górę. Nie tworzy obrazów jako produktu końcowego — każda klatka jest klatką klipu — i nie zajmuje się edycją nieruchomych obrazów w tym sensie, w jakim rozumie to projektant.

Zatem część wspólna to dokładnie jedna rzecz: generowanie obrazu na podstawie promptu. InternLumina-U2 robi to jako jedno z sześciu zadań. Gemini Omni 1.2 Flash robi to wyłącznie jako pierwszą klatkę ruchu. Jeśli to cały twój przypadek użycia, porównanie jest zasadne. Jeśli nie, wybierasz między zestawem narzędzi badacza obrazów statycznych a endpointem produkcji wideo.

• Modalności wejściowe — InternLumina-U2 obsługuje tekst, obraz, wideo i 3D; Gemini Omni 1.2 Flash obsługuje tekst, obraz i wideo.

• Modalność wyjściowa — InternLumina-U2 zwraca tekst i obrazy; Gemini Omni 1.2 Flash zwraca wideo z zsynchronizowanym dźwiękiem.

• Architektura — InternLumina-U2 to dyfuzyjny model językowy MoE o łącznej liczbie 16B parametrów i około 1B aktywnych, oparty na szkielecie LLaDA-2.0 z dyskretnymi tokenami wizualnymi Apple AToken wykorzystującymi osiem książek kodowych; architektura Gemini Omni 1.2 Flash nie została ujawniona.

• Dostęp — wagi Apache-2.0 na Hugging Face, z osobnymi drzewami Ascend i NVIDIA; zamknięte hostowane API.

• Cena — brak ceny za wywołanie, ponieważ nie ma hostowanego punktu końcowego; około 0,07 USD za sekundę wyjściowego wideo 720p, bez darmowego planu.

• Kontekst — 131,072 tokeny na wejściu, 65,536 na wyjściu po stronie Omni; karta InternLumina nie podaje równoważnego okna.

Co mówią, a czego nie mówią benchmarki

Liczby {{1}}InternLumina-U2{{/1}} pochodzą z jego własnej pracy i strony projektu (arXiv 2610.20818, przesłanej 14 października 2026 r.) i nikt ich nie odtworzył. Główny wynik dotyczący generowania to wynik {{2}}GenEval{{/2}} wynoszący 89,3 w ramach autorskiego protokołu próbkowania {{3}}PHV{{/3}}, obok {{4}}DPG-Bench{{/4}} 87,79, {{5}}UniGenBench{{/5}} 86,11 i {{6}}TIIF-Bench{{/6}} 88,57 przy krótkich promptach oraz 87,08 przy długich. Praca twierdzi, że model osiąga wiodące wyniki wśród modeli zunifikowanych w rozumieniu obrazów, generowaniu obrazów i edycji obrazów, i mówi, że bije {{7}}FLUX.1-dev{{/7}} oraz nieznacznie wyprzedza {{8}}Qwen-Image{{/8}} w {{9}}GenEval{{/9}}, {{10}}UniGenBench{{/10}} i {{11}}TIIF{{/11}}, aktywując przy tym około czternaście razy mniej parametrów.

Istnieje rozbieżność, o której warto wiedzieć, zanim cokolwiek z tego zacytujesz. Tabela wyników na stronie projektu podaje InternLumina-U2 na poziomie GenEval 0,81, podczas gdy LLaDA2.0-Uni ma 0,89, a InternVL-U 0,85 — co w tym wierszu stawia nowszy model za jego własnym poprzednikiem. Wartość 89,3 odpowiada zoptymalizowanemu protokołowi próbkowania opisanemu w artykule, a nie domyślnej ocenie. Dwie liczby, dwa protokoły, ten sam model. Artykuł przedstawia korzystniejszą interpretację, a strona projektu — bardziej konserwatywną, i żadna z nich nie została niezależnie zweryfikowana.

Gemini Omni 1.2 Flash nie ma od Google żadnych publikowanych wyników testów porównawczych. Wpis premierowy z 5 listopada jest wyłącznie opisowy — dłuższe klipy, lepsze trzymanie się referencji, bardziej naturalne dialogi, mniej cięć skokowych — i wprost stwierdza, że prace trwają nad „szybkimi akcjami sportowymi, szybkimi zmianami scenariusza i złożoną fizyką”. To niezwykle szczera lista znanych słabości i jedyne oświadczenie o jakości, jakie wydało Google. W obiegu istnieją dane liczbowe od stron trzecich, ale w większości dotyczą one wcześniejszych wersji Omni: strona porównawcza Megaton ma nagłówek „Gemini Omni Flash”, podczas gdy jej linki prowadzą do sluga podglądu, podaje dane wyjściowe audio jako „Nie” (błędnie dla 1.2, który domyślnie generuje audio) i raportuje zero ocenionych filmów oraz zero pomiarów stojących za jej wynikami. Jeden z recenzentów testujących praktycznie, Rohit Rao z Segmind, rzeczywiście przetestował 1.2 bezpośrednio na dwudziestu generacjach przy koszcie 16,17 USD, a jego wniosek jest najbardziej przydatnym dostępnym niezależnym punktem danych: wywołania trwały od 28 do 136 sekund, większość w przedziale 40–90 sekund, model był najbardziej precyzyjny w wykonywaniu instrukcji, jaki testował, a około jednej instrukcji na cztery pominięto. Odkrył również, że nie jest to kinowy model fotorealistycznych ludzi.

Zatem uczciwy bilans wygląda tak: InternLumina-U2 ma szczegółowe, nieodtworzone i wewnętrznie niespójne dane liczbowe od dostawcy, a Gemini Omni 1.2 Flash prawie w ogóle nie ma liczb i tylko jeden niewielki niezależny test. Żadne z nich nie stanowi podstawy do pewnego werdyktu o jakości.

Porównanie kosztów, które ludzie błędnie interpretują

InternLumina-U2 nie ma ceny, a to nie jest tym samym co bycie darmowym.

Wagi zajmują 67,6 GB w dwóch drzewach po siedem shardów, około 33,8 GB każdy, więc pobranie jednego wariantu sprzętowego to 34 GB do ściągnięcia, zanim uzyskasz działające środowisko. Repozytorium wymaga FlashAttention dla ścieżki AToken, a w przypadku potoku 3D — Blender 4.5. Trening przeprowadzono na 1024 NPU Ascend 910B na 1,05 biliona tokenów, co wskazuje, że model zbudowano dla klastra, mimo że wnioskowanie jest znacznie lżejsze — 1 mld aktywnych parametrów to umiarkowane obciążenie serwowania, a strategia próbkowania PHV z artykułu ma zapewniać 4,45× redukcję opóźnienia end-to-end przy natywnym 1024×1024.

To, co faktycznie wydajesz, to GPU, tydzień pracy inżyniera na doprowadzenie środowiska do porządku i cokolwiek kosztują twoje przechowywanie i transfer wychodzący. To, co dostajesz, to nieograniczone generowanie przy zerowym koszcie krańcowym, model, który możesz dostroić, oraz brak dostawcy, który może wycofać punkt końcowy spod ciebie.

Koszt Omni jest czytelny co do centa. Piętnastosekundowy klip 720p to około $1.05 w tokenach wyjściowych. Wersja robocza 360p to około $0.35. Skalowanie w górę tych piętnastu sekund do 4K to około $3.14. Płacisz za każdą sekundę wyjściową, płacisz ponownie przy każdej próbie, a edycja konwersacyjna sprawia, że ponowne próby są normalnym przepływem pracy, a nie wyjątkiem. Reklama złożona z dziesięciu ujęć z trzema poprawkami na ujęcie to nie zadanie za piętnaście dolarów; to bliżej sześćdziesięciu.

Tych dwóch struktur kosztów nie da się przeliczyć. Porównanie „darmowe po kosztach kapitałowych” z „siedmioma centami za sekundę” daje liczbę, która zależy wyłącznie od wykorzystania, a przy małym wolumenie model self-hosted jest dramatycznie droższy na obraz. Przy dużym wolumenie jest dramatycznie tańszy. Punkt przecięcia to arytmetyka, którą musisz przeprowadzić z własną ceną GPU, a nie fakt, który ktoś może ci podać.

Czego nie możesz uzyskać od żadnego z nich

Jeśli potrzebujesz klipu typu talking-head z dialogiem zsynchronizowanym z ruchem ust, InternLumina-U2 nie pomoże i nie ma obejścia poza osobnym generatorem wideo. Jeśli potrzebujesz potoku rozumienia zasobów 3D — odczytywania siatki lub opisu sceny wraz z obrazami — Gemini Omni 1.2 Flash nie pomoże i nie ma obejścia poza osobnym modelem wizyjnym.

Jest też różnica w formalnościach licencyjnych, która ma większe znaczenie, niż to brzmi. InternLumina-U2 jest objęta licencją Apache-2.0, co oznacza użycie komercyjne, modyfikację i redystrybucję z podaniem autorstwa, a tekst licencji znajduje się w repozytorium. Gemini Omni 1.2 Flash to usługa hostowana, której warunki określają, co można zrobić z danymi wyjściowymi; każdy klip nosi znak wodny SynthID, czy tego chcesz, czy nie, a edycja lub rozszerzanie przesłanego wideo jest niedostępna w EOG, Szwajcarii i Wielkiej Brytanii. Dla zespołu w Londynie budującego produkt oparty na konwersacyjnej edycji wideo ta regionalna restrykcja jest dyskwalifikująca w sposób, którego żadne porównanie benchmarków by nie ujawniło.

Gdzie tak naprawdę plasuje się OrcaRouter, szczerze mówiąc

Żaden z tych modeli nie znajduje się w naszym katalogu. google/gemini-omni-1.2-flash zwraca 404 na stronach modeli OrcaRouter, a InternLumina-U2 nie ma nigdzie hostowanego endpointu — jego karta wprost to mówi, a korzysta z niego tylko społecznościowy Space. Zatem żadne wywołanie naszego API nie dociera do żadnego z nich, a ten tekst woli to stwierdzić, niż sugerować hosta, którego nie mamy.

To, co bramka faktycznie obejmuje, to warstwa, w której osadzone są oba obciążenia. Samodzielnie hostowany potok InternLumina-U2 nadal potrzebuje modelu tekstowego do pisania poleceń, oceniania wyników i kierowania błędów, a to jest wywołanie, które obsługujemy w ramach ponad 200 modeli na jednym kluczu z automatycznym przełączaniem awaryjnym. Po stronie Omni, ponieważ OrcaRouter przekazuje cenę katalogową dostawcy przy 0% marży, obniżka ceny Google trafia po naszej stronie tego samego dnia, a nie w następnym cyklu rozliczeniowym — a linia Omni już raz w tym roku zmieniła swoją stawkę za wideo, z 17,50 USD na 12,00 USD za milion tokenów wyjściowych. Jeśli porównujesz wdrożenie samodzielnie hostowane z wynajmowanym, strona wynajmowana zmieniająca się pod tobą to dokładnie ta zmienna, którą rachunek typu pass-through czyni widoczną.

Jak podjąć decyzję

Buduj na InternLumina-U2, jeśli potrzebujesz obrazów, potrzebujesz rozumienia 3D lub wideo w tym samym modelu, masz moc GPU, za którą już płacisz, a warunki licencji mają znaczenie dla Twojego produktu. Zaakceptuj, że uruchamiasz artefakt badawczy: benchmarki pochodzą od samych autorów, tabela GenEval jest wewnętrznie niespójna, a narzędzia oczekują określonego stosu.

Kup Gemini Omni 1.2 Flash, jeśli potrzebujesz ruchu z dźwiękiem, chcesz działający endpoint już dziś, a Twój wolumen jest wystarczająco niski, że rozliczanie za sekundę jest tańsze niż bezczynny GPU. Zaakceptuj, że nie masz benchmarków jakości, trybu wyjścia tekstowego, promptów negatywnych, ograniczenia regionalnego funkcji edycji i znaku wodnego w każdej klatce.

Błędem, którego należy unikać, jest traktowanie tego jako testu porównawczego. To decyzja zakupowa między pobraniem a licznikiem, a kwestia jakości modelu — ta, o którą obaj dostawcy chcieliby, żebyś się spierał — jest tą, co do której obie strony mają najmniej dowodów.