LFM3-Omni-2B vs InternLumina U2: Dwa modele, dwa znaczenia Omni

LFM3-Omni-2B i InternLumina U2 są sklasyfikowane jako „omni”, ale nie działają w tej samej branży. Model Liquid AI z 2,17 mld parametrów przyjmuje tekst, obrazy, wideo i dźwięk, a zwraca tekst lub mowę o częstotliwości 24 kiloherców. InternLumina U2 z Shanghai AI Laboratory przyjmuje tekst, obrazy, wideo i 3D, a zwraca tekst lub obrazy. Jeden jest ustami. Drugi jest ręką. Niemal każde porównanie, jakie znajdziesz między nimi, poświęca całą swoją długość na benchmarki, do których w ogóle może przystąpić tylko jedna strona, dlatego użyteczne pytanie jest węższe i tańsze w odpowiedzi: której połowy „omni” brakuje Twojemu produktowi?

Te dwa wydania pojawiły się także w przeciwstawnych formach i ma to większe znaczenie niż zwykle. Liquid AI ogłosiło rodzinę LFM3 27 października 2026 r. w jednym poście obejmującym sześć modeli klasy 2B, a LFM3-Omni-2B było jedną linijką tego posta, a nie osobną premierą — jego wagi były już dostępne w publicznym repozytorium od 21 października. InternLumina U2 poszła w drugą stronę: kod inferencji i strona projektu pojawiły się 1 września, wagi dołączyły później w folderach przeznaczonych dla konkretnego sprzętu, a żadne ogłoszenie nigdy nie nastąpiło. Żaden z modeli nie ma wyniku, który zostałby odtworzony przez stronę trzecią. Wszystkie poniższe liczby pochodzą z autoprezentacji dostawcy.

Odmowy mówią ci więcej niż specyfikacje.

Listy specyfikacji pisze się po to, by modele wyglądały na kompatybilne. Zacznij zamiast tego od tego, czego każdy z nich fizycznie nie może przyjąć, ponieważ te dwie listy w ogóle się nie przecinają.

LFM3-Omni-2B nie potrafi rysować. W stosie znajduje się enkoder wizyjny, ale on tylko odczytuje; ścieżka wyjściowa to tekst i mowa. Poproś go o edycję zdjęcia, a uczciwa odpowiedź brzmi: to żądanie nie ma reprezentacji w modelu.

InternLumina U2 nie potrafi mówić. Nie ma enkodera audio, tokenizatora kodeka ani głowicy mowy. Podaj mu plik WAV, a w architekturze nie ma niczego, co mogłoby go odebrać. Jego „omni” to założenie, że rozumienie i generowanie należą do jednego wizualnego backbone’u; jego słownik wyjściowy to tokeny tekstu i obrazu, a nie przebiegi falowe.

Zatem pierwsze pytanie nie brzmi, który model uzyskuje wyższy wynik. Brzmi ono, czy Twoje obciążenie pracą wymaga zsyntetyzowanego głosu czy edytowanego obrazu, ponieważ dokładnie jedna z tych możliwości jest dostępna po każdej ze stron i żaden model nie rozwinie drugiej zdolności poprzez dostrajanie. To jest właściwość tokenizera, a nie danych treningowych.

Jeden dyktuje zdanie, drugi je dopracowuje.

Architektury różnią się na poziomie głębszym niż liczba parametrów, a ta różnica wyjaśnia podział możliwości.

LFM3-Omni-2B jest autoregresyjny. Szkielet LFM3 z 1,7 mld parametrów odczytuje tokeny z enkodera wizyjnego LFM3 oraz przyczynowego enkodera audio LFM3 i emituje tokeny tekstowe lub tokeny mowy LiquidCodec od lewej do prawej. Wideo jest próbkowane z częstotliwością 2 klatek na sekundę, a każdy fragment obrazu 2×2 zostaje zredukowany do pojedynczego tokenu językowego — dzięki temu model z 2,17 mld parametrów utrzymuje okno 32K użyteczne na telefonie. Mowa wyjściowa ma 24 kHz, a dźwięk wejściowy to mono 16 kHz.

InternLumina U2 to dyfuzyjny model językowy i to jest ta część, dla której warto zwolnić. Nie emituje jednego tokenu naraz; zaczyna od szumu i równolegle udoskonala całą sekwencję, wykorzystując cel maskowanej dyfuzji. Jego reprezentacja wizualna jest w pełni dyskretna — osiem książek kodowych tokenów wizualnych AToken na pozycję, łączonych po stronie wejściowej i przewidywanych książka kodowa po książce kodowej po stronie wyjściowej. Generowanie obrazu jest wtedy tą samą operacją co odpowiadanie na pytanie: odszumianie sekwencji tokenów wizualnych. To zasadniczo inny zakład niż ten, który podejmuje każdy inny otwarty model multimodalny, i dlatego model w ogóle może wygenerować obraz.

Koszt tego zakładu to narzędzia. InternLumina nie jest pipeline’em transformers, który wywołasz w trzech linijkach. Karta wymaga tokenizera AToken z FlashAttention, niestandardowego API generate do block-diffusion oraz Blendera 4.5, jeśli chcesz renderować wyjście 3D. Dla porównania LFM3-Omni-2B jest dostarczany jako zwykłe wagi BF16 z udokumentowaną ścieżką fine-tuningu i już krążącym buildem Ollama — takim, którego listing podaje kontekst 125K w zestawieniu z 32K w karcie modelu, czyli rozbieżność, której nikt jeszcze nie wyjaśnił.

Dane techniczne, które decydują, czy pasuje

• Parametry — LFM3-Omni-2B: 2,17 mld, model gęsty; InternLumina U2: łącznie 16 mld, 1 mld aktywnych w rzadkiej mieszaninie ekspertów.

• Dane wyjściowe — tekst i mowa 24 kHz, w tym przeplatany tekst i mowa, w porównaniu z tekstem oraz generowanymi lub edytowanymi obrazami.

• Wejście — tekst, obraz, wideo z dźwiękiem lub bez oraz audio 16 kHz, w porównaniu z tekstem, obrazem, wideo i 3D.

• Kontekst — 32 tys. tokenów obejmujących dane wejściowe i wyjściowe, w zestawieniu z długością kontekstu, której karta InternLumina nadal nie podaje.

• Języki — 16 języków tekstowych i 19 lokalizacji mowy dla LFM3-Omni-2B; InternLumina nie publikuje liczby.

• Licencja — LFM Open License v1.0, licencja z progiem przychodowym, w zestawieniu z Apache 2.0 z wyjątkami dla dołączonego kodu AToken i VeOmni.

• Sprzęt — z jednej strony telefony, laptopy i płytki brzegowe; z drugiej strony punkty kontrolne podzielone na drzewo ascend/ wytrenowane na NPU Huawei Ascend oraz drzewo nvidia/, około 33,8 GB na drzewo.

Dwa benchmarki, które faktycznie są wspólne

W obu kartach są dokładnie dwa numery wideo i nie zgadzają się one co do tego, który model jest lepszy, co jest najbardziej pouczającą rzeczą na tej stronie.

Na MVBench InternLumina U2 zgłasza 61,8, a LFM3-Omni-2B zgłasza 58,03 — przewaga modelu dyfuzyjnego o 3,8 punktu. Na Video-MME bez napisów LFM3-Omni-2B zgłasza 57,70, a InternLumina U2 zgłasza 56,7 — przewaga o 1 punkt w drugą stronę. Oba zestawy są przeprowadzane przez dostawców, na różnych środowiskach testowych, z różnymi promptami, i żadne laboratorium nie opublikowało kodu ewaluacji. Różnica 1 punktu w takich warunkach to szum; różnica 3,8 punktu prawdopodobnie jest rzeczywista, ale niewiele mówi o twoim materiale wideo.

Wszystko inne nie jest wspólne. Karta InternLuminy otwiera się wynikami CharXiv-DQ 85,9 i HallusionBench 64,6 — testów dokumentów i halucynacji, których LFM3-Omni-2B nigdy nie przeszedł. Karta LFM3-Omni-2B otwiera się wynikami DocVQA 92,47, OCRBench 806 i MMMU 42,44, a do tego kolumną mowy — współczynnik błędu słów ASR dla angielskiego 6,36, wielojęzyczny 6,72, TTS UTMOSv2 3,80 — która nie ma odpowiednika po drugiej stronie. Sama jej karta oznacza te liczby jako zmierzone przez Liquid AI przy użyciu własnego szablonu czatu każdego modelu i dekodowania zachłannego, co jest standardowym zastrzeżeniem — i to uzasadnionym.

InternLumina jest jeszcze bardziej otwarty: jego karta nazywa wyniki „wstępnymi, częściowymi wynikami” i odkłada tabele porównawcze. To nie fałszywa skromność. Model dyfuzyjny 16B-A1B generujący obrazy z wynikiem 87,79 w DPG-Bench i 0,89 w GenEval to poważny wynik, a jednocześnie taki, który zmienia się, gdy ktoś uruchomi go ponownie na innym samplerze.

Kto powinien wybrać, które

Jeśli Twój produkt musi odpowiadać głosem — asystent głosowy, interfejs bez użycia rąk, narzędzie dostępności, narzędzie podsumowujące rozmowy, które przekazuje dzwoniącemu odpowiedź mówioną — LFM3-Omni-2B jest jedynym z tych dwóch, który podoła temu zadaniu. Jest też jedynym, który działa na urządzeniu, co w przypadku mowy ma podwójne znaczenie: dźwięk jest najbardziej wrażliwą na prywatność modalnością, z jaką ma do czynienia większość aplikacji, a wysyłanie go na serwer to decyzja, którą trzeba uzasadnić.

Jeśli Twój produkt musi generować lub edytować obraz, tylko InternLumina U2 jest w stanie wystartować. Kompromis polega na tym, że utrzymujesz teraz stos inferencji dyfuzyjnej na sprzęcie stawiającym Ascend na pierwszym miejscu, z drzewem NVIDIA, które dopiero niedawno stało się użyteczne, oraz ścieżką 3D wymagającą instalacji Blendera. To wdrożenie badawcze, a nie wdrożenie ze sklepu z aplikacjami.

Niewiele osób to przyznaje, ale prawdziwe produkty potrzebują obu, a te dwa modele nie potrafią się ze sobą łączyć. Żądanie, które wymaga wygenerowanego diagramu i wyjaśnienia głosowego, musi przejść przez dwa środowiska uruchomieniowe, dwie licencje i dwa profile sprzętowe. Ta granica to miejsce, w którym większość zespołów ostatecznie umieszcza router zamiast większego modelu. OrcaRouter to hostowana strona tego układu — jedno API obejmujące ponad 200 modeli przy 0% narzutu wobec ceny katalogowej dostawcy, z automatycznym przełączaniem awaryjnym, gdy dostawca wypada — a ani LFM3-Omni-2B, ani InternLumina U2 nie znajdują się dziś w tym katalogu. Nie chodzi o to, że któryś z nich powinien tam być. Chodzi o to, że w momencie, gdy dzielisz pracę na dwoje, druga połowa potrzebuje miejsca do uruchomienia.

Co zmieniłoby odpowiedź

Jedna niezależna ocena któregokolwiek z tych modeli zrobiłaby więcej niż kolejna tabela dostawcy. W przypadku InternLumina U2 liczbą, na którą trzeba uważać, jest jakość generowania przy innym samplerze, ponieważ wyniki dyfuzji zmieniają się wraz ze zmianą samplera, a żadna zewnętrzna strona tego nie sprawdziła. W przypadku LFM3-Omni-2B chodzi o to, czy mowa wytrzymuje próbę poza własnymi promptami Liquid — konkretnie, czy 3.80 UTMOSv2 przetrwa kontakt ze słuchaczem, który nie ocenia własnej pracy.

Do tego czasu decyzja opiera się na czymś rzadszym niż benchmark: liście możliwości. LFM3-Omni-2B mówi i nie potrafi rysować. InternLumina U2 rysuje i nie słyszy. Dla większości zespołów to rozstrzyga sprawę, zanim ruszy pierwsza ewaluacja.