InternLumina-U2 Preview: jeden model dyfuzyjny 16B dla obrazów, wideo i 3D — wagi wciąż w drodze

O 04:03 UTC 1 września 2026 roku Shanghai AI Laboratory utworzyło repozytorium GitHub o nazwie InternLumina-U2. Trzynaście minut później ta sama organizacja zarejestrowała na Hugging Face repozytorium o identycznej nazwie. Nie było postu premierowego, karty modelu ani żadnego ogłoszenia — tylko kod wnioskowania dla InternLumina-U2, modelu typu mixture-of-experts o 16 miliardach parametrów (1 miliard aktywnych), który laboratorium przedstawia jako jeden model obejmujący rozumienie obrazów, generowanie tekstu na obraz, edycję obrazów, rozumienie wideo oraz rozumienie 3D za pośrednictwem pojedynczego interfejsu dyskretnych tokenów. Kod jest prawdziwy i publiczny; samego modelu jeszcze nie ma. Wagi są oznaczone jako „wkrótce”, repozytorium na Hugging Face jest pustym placeholderem, a obiecany raport techniczny nie pojawił się. To, co cicho opublikowano 1 września, jest jednak najbardziej kompletnym publicznym obrazem tego modelu, jaki istnieje gdziekolwiek.

Jeśli po raz pierwszy słyszysz o InternLumina-U2, to właśnie o to chodzi. Nie ogłoszono niczego na temat premiery i wygląda na to, że nie istnieją jeszcze żadne niezależne artykuły na ten temat — właśnie w takich wczesnych sygnałach tego rodzaju model wypływa po raz pierwszy, zanim pojawi się post o premierze, a czasem zanim opublikowane zostaną wagi. Wszystko poniżej pochodzi z repozytorium GitHub, strony projektu oraz stuba na Hugging Face, który samo laboratorium opublikowało 1 września, a wszystko, co wykracza poza te źródła, jest wyraźnie oznaczone jako spekulacja.

Co faktycznie zostało wydane 1 września

Repozytorium GitHub InternLM/InternLumina-U2 zostało utworzone 1 września 2026 roku i tego samego dnia pojawiły się w nim trzy commity: inicjalny, oznaczający link do modelu jako „wkrótce” i wyniki benchmarków jako „wstępne”, oraz poprawiający nawigację. Jest ono na licencji Apache-2.0 i zawiera plik README zatytułowany „Intern Lumina U2: A Multi-Codebook Diffusion Large Language Model for Omni-Visual Understanding, Image Generation and Editing”, jego wersję angielską i chińską, kompletny zestaw do wnioskowania oraz plan rozwoju. Jedna ciekawostka warta odnotowania: własny wpis repozytorium w aktualnościach opatrzony jest datą „[2026-08]”, a mimo to commit inicjalny i oba znaczniki czasowe repozytorium datowane są na 1 września 2026 roku — początek września należy więc traktować jako faktyczną datę wydania, a nie sierpień. Poniższe repozytorium to całość publicznego wydania: każdy plik widoczny w drzewie jest częścią tego, co udostępniono, i nic więcej nigdzie nie istnieje.

• GitHub — InternLM/InternLumina-U2, utworzony 2026-09-01 na licencji Apache-2.0, z kodem wnioskowania dla tekstu, generowania obrazów z tekstu, rozumienia obrazów, edycji obrazów, rozumienia wideo i rozumienia 3D.

• Hugging Face — internlm/InternLumina-U2, utworzone 2026-09-01, zawiera obecnie tylko plik .gitattributes oraz 28-bajtowy plik README, którego całą treść stanowi nagłówek licencji Apache-2.0. Brak wag, konfiguracji i plików tokenizera.

• Strona projektu — internlm.github.io/InternLumina-U2, z rysunkami architektury, wstępną tabelą benchmarków i atrapami demo; raport techniczny jest oznaczony jako „wkrótce”.

Kod wnioskowania jest zorganizowany jako jeden skrypt sterujący z osobną sekcją dla każdego zadania: generowanie zwykłego tekstu, generowanie tekstu na obraz w rozdzielczości do 1024×1024 z konfigurowalnym CFG i liczbą kroków czasowych, rozumienie obrazów na podstawie naturalnych zdjęć i gęstych wykresów, edycja obrazów oparta na instrukcjach z opcjonalnym trybem podwójnego CFG, rozumienie wideo na podstawie 64 próbkowanych klatek oraz rozumienie 3D na podstawie zasobów GLB/GLTF, które przed tokenizacją są renderowane do 64 widoków koloru i głębi za pomocą dołączonego potoku Blender. Ta szerokość zadań stanowi całą tezę projektową modelu i warto się nad nią zatrzymać, zanim przejdziemy do architektury.

Jeden model, sześć zadań, jeden słownik tokenów.

InternLumina-U2 należy do szybko rozwijającego się nurtu badań, który zakłada, że język i widzenie powinny współdzielić jeden interfejs dyskretnych tokenów, a nie istnieć w oddzielnych stosach rozumienia i generowania. Wcześniejsze prace laboratorium w tym kierunku — Lumina-DiMOO, ujednolicony model dyskretnej dyfuzji zaprezentowany na WAIC 2025 — są przywoływane obok LLaDA2.0-Uni, Show-o2 i MMaDA jako pionierskie systemy, na których InternLumina-U2 się opiera i które — jak twierdzi — ma przewyższyć. Konkretny zakład, na jaki stawia InternLumina-U2, jest taki, że wąskim gardłem tych zunifikowanych modeli nie jest architektura, lecz słownik wizualny: pojedyncza księga kodowa ogranicza to, ile informacji może przenieść jeden token wizualny, podczas gdy hybrydy dyskretno-ciągłe, rozdzielające rozumienie i generowanie pomiędzy różne reprezentacje, i tak zmuszają model do utrzymywania dwóch stosów.

Odpowiedzią InternLumina-U2 jest w pełni dyskretne modelowanie z wieloma książkami kodowymi. Część wizualna wykorzystuje tokenizator AToken firmy Apple, który opisuje każdą pozycję wizualną za pomocą ośmiu komplementarnych książek kodowych — jest to próba zachowania lokalnej tekstury, osadzonego tekstu, geometrii oraz szczegółów wysokiej częstotliwości bez zwiększania długości sekwencji. Po stronie wejściowej każda z ośmiu książek kodowych ma własne osadzenie, a osiem osadzeń odpowiadających danej pozycji jest konkatenowanych i rzutowanych na pojedynczy token wejściowy backbone’u. Po stronie wyjściowej przewidywanie jest przestrzennie równoległe, ale autoregresyjne w wymiarze książek kodowych: backbone modelu dyfuzyjnego równolegle usuwa szum z wielu zamaskowanych pozycji przestrzennych, a następnie autoregresyjna głowica z wieloma książkami kodowymi przewiduje osiem kodów każdej pozycji w odpowiedniej kolejności.

• Scale — 16B parametrów łącznie, 1B aktywnych (16B-A1B), rzadka MoE.

• Rdzeń językowy — dyfuzyjny model językowy LLaDA-2.0 MoE, którego cel blokowej dyfuzji jest rozszerzony na zadania wizyjne poprzez wspólne uczenie wielozadaniowe (opis producenta).

• Reprezentacja wizualna — w pełni dyskretne tokeny z 8 codebooków z tokenizera AToken firmy Apple.

• Sprzęt — dostosowany zarówno do GPU NVIDIA, jak i do NPU Ascend Huawei podczas uczenia, ewaluacji i wnioskowania, z numeryczną zgodnością na poziomie operatorów między backendami.

To, co to daje w praktyce, jeśli twierdzenia się potwierdzą, to najstarsze marzenie dziedziny multimodalnej: pojedynczy zestaw wag, który potrafi przeczytać obraz, edytować go, narysować nowy na podstawie tekstu, odpowiadać na pytania dotyczące wideo i opisać zasób 3D — przy czym rozumienie i generowanie wzajemnie się wzmacniają za pośrednictwem tego samego interfejsu, zamiast być zszywane z modeli specjalistycznych. To także twierdzenie, któremu najbardziej warto się przyjrzeć ze sceptycyzmem, ponieważ jest najtrudniejsze do urzeczywistnienia.

Liczby, takie jakie są.

Każdy benchmark InternLuminy-U2 pochodzi od producenta i ma charakter wstępny i częściowy. README i strona projektu mówią o tym wprost: „Wstępne, częściowe wyniki. Pełne tabele porównawcze pojawią się w nadchodzącym raporcie technicznym”. Nie istnieje żadna niezależna ocena, ponieważ wagi nie są publiczne. Poniższe liczby należy traktować jako własne deklaracje laboratorium, a nie zweryfikowane wyniki.

• Rozumienie wykresów / dokumentów — ChartQA 86.52, CharXiv-DQ 83.65 (raportowane przez dostawcę).

• Wizualne rozumowanie matematyczne — MathVision 33.22, DynaMath 56.37; według laboratorium w obu testach osiąga on lepsze wyniki niż wariant InternVL3-8B przeznaczony wyłącznie do rozumienia.

• Odporność na halucynacje — HallusionBench 62.15.

• Rozumienie wideo — VideoMME 51.26, MVBench 59.74, MLVU 57.03 (strona projektu).

• Rozumienie 3D — 3D MM-Vet 41.8.

• Text-to-image — DPG-Bench 87.10, TIIF-Bench Short/Long 84.60/85.95, GenEval 0.81 (strona projektu).

• Edycja obrazów — ImgEdit 3.83.

Historia porównań to miejsce, w którym uczciwy czytelnik powinien zwolnić. Plik README twierdzi, że InternLumina-U2 przewyższa modele zunifikowane, takie jak InternVL-U, LLaDA2.0-Uni, Show-o2 i Lumina-DiMOO, w benchmarkach precyzyjnego rozumienia i generowania — ale tabela na stronie projektu pokazuje, że InternLumina-U2 osiąga 0.81 w GenEval, podczas gdy LLaDA2.0-Uni osiąga 0.89, więc model ustępuje co najmniej jednemu konkurentowi w co najmniej jednej kluczowej metryce generowania. Wybieranie kilku korzystnych liczb z częściowej tabeli to dokładnie to, co ma złagodzić zastrzeżenie o „pełnych tabelach porównawczych w raporcie technicznym”. Liczby są jedynie sygnałem kierunkowym od laboratorium, niczym więcej.

Co jest rzeczywiste, a co obiecane

Zakres wydania jest niezwykle wyraźny i ma znaczenie dla każdego, kto decyduje, czy może to dziś wypróbować. Wydano: kod wnioskowania. Nie wydano: wag, kodu treningowego (obiecanego w osobnym repozytorium), stosu Ascend do treningu i wnioskowania oraz raportu technicznego. Repozytorium Hugging Face, które docelowo ma zawierać model, jest na razie atrapą — poniższy zrzut ekranu to cała obecna zawartość strony, na którą trafia czytelnik po kliknięciu linku "Model (coming soon)" w README.

Nawet opublikowany kod nie może jeszcze generować wyników. Sterownik wnioskowania oczekuje podzielonego katalogu punktów kontrolnych Hugging Face oraz wag tokenizera AToken w określonej ścieżce — a żadne z nich nie znajduje się w repozytorium — więc to, co można dziś pobrać, to specyfikacja tego, jak model będzie działać, a nie działający model. A kiedy wagi w końcu się pojawią, samodzielne hostowanie nie będzie rutynowym zadaniem typu pip install. Model korzysta z API generowania block-diffusion zamiast standardowego interfejsu generowania Transformers, tokenizer AToken wymaga FlashAttention, kod wymaga widocznego GPU już podczas importu, główny sterownik jest jednoprocesowy, a potok 3D oczekuje Blendera 4.5 do kodowania zasobów. To prawdziwy projekt wdrożeniowy, a nie eksperyment na weekend — czyli dokładnie ten rodzaj tarcia, który dla większości zespołów ma pochłaniać warstwa routingu.

Kiedy wagi wylądują, traktuj to jak niezweryfikowany model, którym jest.

Nikt nie może dziś uruchomić InternLumina-U2 i żaden dostawca nie może go udostępnić, ponieważ wagi nie istnieją w publicznym dostępie. To się w pewnym momencie zmieni — licencja Apache-2.0 i wzorzec agresywnego otwierania kodu źródłowego, który laboratorium przyjęło w 2026 r. (inicjatywa ArchSpace „open everything”, InternVL3.5, modele naukowe Intern-S2) sprawiają, że udostępnienie wag jest prawdopodobne, a nie hipotetyczne. Kiedy to nastąpi, racjonalnym pierwszym krokiem nie jest stawianie potoku produkcyjnego na model dyfuzyjny dostępny od pierwszego dnia, o nietypowych wymaganiach serwerowych i zerowej liczbie niezależnych ocen. Należy uruchomić go obok modelu, któremu już ufasz, na ścieżce testowej, z automatycznym przełączaniem awaryjnym na sprawdzony model w momencie, gdy nowy zacznie źle działać. To jest przypadek użycia, do którego stworzono warstwę routingu: jedno API dla ponad 200 modeli, cenniki dostawców przekazywane bez narzutu (0% marży) i przełączanie awaryjne, które zamienia „wypróbowanie nowej rzeczy” w regułę routingu, a nie migrację. OrcaRouter jest tak skonfigurowany — i żeby było jasne, nie kierujemy ruchu do InternLumina-U2 i nie możemy tego robić, ponieważ wagi nie zostały udostępnione. Ta sekcja dotyczy przepływu pracy na czas, gdy już zostaną udostępnione, a nie twierdzenia, że model jest dziś gdziekolwiek dostępny.

Co obejrzeć dalej

Cztery wydarzenia przeniosłyby InternLumina-U2 z fazy zapowiedzi do rzeczywistości, w przybliżonej kolejności prawdopodobieństwa. Po pierwsze, zapełnienie repozytorium Hugging Face: pojawienie się w tym pustym szkielecie plików safetensors, konfiguracji oraz wag tokenizera AToken to moment, w którym model faktycznie zaistnieje. Po drugie, raport techniczny, który ma zawierać pełne tabele porównawcze i zamieniłby powyższe cząstkowe wyniki producenta w coś, co da się zweryfikować. Po trzecie, repozytorium kodu treningowego i stos Ascend, które mają znaczenie dla każdego, kto chce wykonać fine-tuning lub uruchomić ten model na sprzęcie innym niż NVIDIA. Po czwarte, pierwsza niezależna ewaluacja — arena Elo, odtworzony przebieg ChartQA lub GenEval — która wystawi obietnicę „jeden model, sześć zadań” na próbę bez błędu selekcji po stronie samego laboratorium. Upublicznienie kodu 1 września oznacza, że architekturę można już poznać; brak wag oznacza, że wszystko, co dotyczy faktycznej jakości, to wciąż tylko deklaracja. Obserwuj repozytorium modelu, a nie kanał ogłoszeń — najciekawsze elementy są już publiczne, a sam model prawdopodobnie pojawi się niebawem.