Gemini Omni 1.2 Flash vs InternLumina-U2: Segundos Alugados Contra Pesos Baixados

Colocar o Gemini Omni 1.2 Flash ao lado do InternLumina-U2 e a comparação que salta aos olhos — qualidade de imagem, velocidade de geração, pontuações de benchmark — é a menos interessante disponível, porque os dois modelos não estão competindo pela mesma linha orçamentária. O Gemini Omni 1.2 Flash é uma API medida que cobra cerca de US$ 0,07 por segundo de vídeo 720p, entrou em disponibilidade geral em 5 de novembro de 2026 e retorna um arquivo cujos direitos de uso você possui, mas nunca os pesos. O InternLumina-U2 é um modelo de linguagem de difusão esparso com 16 bilhões de parâmetros do Shanghai AI Laboratory, Apache-2.0, sete shards por árvore de hardware, hospedado no Hugging Face, onde qualquer pessoa com espaço em disco pode baixá-lo. Um é um serviço. O outro é um ativo. A pergunta útil não é qual gera imagens melhores; é qual dessas duas coisas seu projeto consegue realmente absorver.

Esse enquadramento importa porque a pergunta óbvia — “qual é melhor na geração de imagens” — tem uma resposta enganosa. O InternLumina-U2 gera imagens, sim, e, nos benchmarks divulgados pelo próprio fornecedor, o faz de forma competitiva. Mas ele também entende vídeo e 3D na mesma arquitetura base, uma capacidade que o Gemini Omni não tem de forma alguma, enquanto o Gemini Omni gera vídeo com áudio sincronizado, algo que o InternLumina-U2 não consegue fazer. Avaliados pela sobreposição, ambos são sistemas próximos de imagem e vídeo. Avaliados pela união, eles quase não se tocam.

A sobreposição, precisamente

O InternLumina-U2 lida com perguntas e respostas sobre texto, geração de texto para imagem, compreensão de imagens, edição de imagens, compreensão de vídeo e compreensão de 3D em um único modelo. O qualificador "compreensão" faz trabalho de verdade nessa lista: ele lê vídeo e lê 3D, mas não produz nenhum dos dois. O que ele produz são imagens e texto.

Gemini Omni 1.2 Flash produz vídeo. Ele aceita texto, imagens e vídeo e retorna vídeo com áudio nativo, de três a quinze segundos a 24 quadros por segundo, de 360p a 4K, sendo que os dois níveis superiores são ampliados por upscaling. Ele não produz imagens como entregável — cada quadro é um quadro de um clipe — e não faz edição de imagens estáticas no sentido em que um designer entende isso.

Então a sobreposição é exatamente uma coisa: gerar uma imagem a partir de um prompt. O InternLumina-U2 faz isso como uma tarefa entre seis. O Gemini Omni 1.2 Flash faz isso apenas como o primeiro quadro de movimento. Se esse for todo o seu caso de uso, a comparação é válida. Se não for, você está escolhendo entre o kit de ferramentas de um pesquisador de imagens estáticas e um endpoint de produção de vídeo.

• Modalidade de entrada — o InternLumina-U2 aceita texto, imagem, vídeo e 3D; o Gemini Omni 1.2 Flash aceita texto, imagem e vídeo.

• Modalidade de saída — InternLumina-U2 retorna texto e imagens; Gemini Omni 1.2 Flash retorna vídeo com áudio sincronizado.

• Arquitetura — O InternLumina-U2 é um modelo de linguagem de difusão MoE com 16B no total e aproximadamente 1B ativos, sobre o backbone LLaDA-2.0, com tokens visuais discretos Apple AToken de oito codebooks; a arquitetura do Gemini Omni 1.2 Flash não é divulgada.

• Acesso — pesos Apache-2.0 no Hugging Face, com árvores separadas para Ascend e NVIDIA; uma API hospedada fechada.

• Preço — sem preço por chamada, porque não há endpoint hospedado; cerca de US$ 0,07 por segundo de vídeo 720p gerado, sem nível gratuito.

• Contexto — 131.072 tokens de entrada, 65.536 de saída no lado do Omni; o cartão do InternLumina não publica uma janela equivalente.

O que os benchmarks dizem e não dizem

Os números do InternLumina-U2 vêm do seu próprio artigo e página do projeto (arXiv 2610.20818, submetido em 14 de outubro de 2026) e ninguém os reproduziu. O valor de destaque para geração é uma pontuação GenEval de 89,3 sob o próprio protocolo de amostragem PHV dos autores, ao lado de DPG-Bench 87,79, UniGenBench 86,11 e TIIF-Bench 88,57 em prompts curtos e 87,08 em prompts longos. O artigo afirma desempenho líder entre modelos unificados em compreensão visual, geração de imagens e edição de imagens, e diz que o modelo supera o FLUX.1-dev e fica à frente do Qwen-Image no GenEval, UniGenBench e TIIF, ativando aproximadamente catorze vezes menos parâmetros.

Há uma discrepância que vale a pena conhecer antes de citar qualquer parte disso. A tabela de resultados da página do projeto lista o InternLumina-U2 com 0,81 no GenEval, com o LLaDA2.0-Uni em 0,89 e o InternVL-U em 0,85 — o que coloca o modelo mais novo atrás de seu próprio antecessor nessa linha. O valor 89,3 corresponde ao protocolo de amostragem otimizado descrito no artigo, não à avaliação padrão. Dois números, dois protocolos, o mesmo modelo. O artigo é a leitura mais favorável e a página do projeto é a mais conservadora, e nenhuma das duas foi verificada de forma independente.

O Gemini Omni 1.2 Flash não tem nenhuma pontuação de benchmark publicada pelo Google. O post de lançamento de 5 de novembro é totalmente qualitativo — clipes mais longos, melhor aderência às referências, diálogos mais naturais, menos jump cuts — e diz explicitamente que o trabalho continua em "ação esportiva rápida, mudanças rápidas de roteiro e física complexa". Essa é uma lista incomumente franca de fraquezas conhecidas, e é a única declaração de qualidade que o Google fez. Existem números de terceiros por aí, mas eles descrevem majoritariamente versões anteriores do Omni: a página de comparação da Megaton tem o título "Gemini Omni Flash", enquanto seus links apontam para o slug de pré-visualização, lista a saída de áudio como "Não" (errado para a 1.2, que gera áudio por padrão) e relata zero vídeos avaliados e zero medições por trás de suas pontuações. Um avaliador prático, Rohit Rao, da Segmind, testou a 1.2 diretamente em vinte gerações a um custo de US$ 16,17, e sua conclusão é o ponto de dados independente mais útil disponível: as chamadas duraram de 28 a 136 segundos, a maioria na faixa de 40 a 90 segundos, o modelo foi o mais exato em seguir instruções que ele havia testado, e cerca de uma em cada quatro instruções foi ignorada. Ele também descobriu que ele não é um modelo cinematográfico fotorrealista de pessoas.

Então, o placar honesto tem o InternLumina-U2 com números detalhados, não reproduzidos e internamente inconsistentes do fornecedor, e o Gemini Omni 1.2 Flash com quase nenhum número e um pequeno teste independente. Nenhum dos dois é base para um veredito confiante de qualidade.

A comparação de custos que as pessoas entendem errado

O InternLumina-U2 não tem preço, e isso não é o mesmo que ser gratuito.

Os pesos têm 67,6 GB distribuídos em duas árvores de sete shards, aproximadamente 33,8 GB cada, então baixar uma variante de hardware é um download de 34 GB antes de você ter um ambiente funcional. O repositório exige FlashAttention para o caminho AToken e, para o pipeline 3D, Blender 4.5. O treinamento foi executado em 1.024 NPUs Ascend 910B ao longo de 1,05 trilhão de tokens, o que mostra que o modelo foi criado para um cluster, embora a inferência seja muito mais leve — 1 bilhão de parâmetros ativos é uma carga de serviço modesta, e a estratégia de amostragem PHV do artigo alega uma redução de latência de ponta a ponta de 4,45× em 1024×1024 nativos.

O que você realmente gasta é uma GPU, uma semana de engenheiro para acertar o ambiente e o que quer que custem seu armazenamento e sua saída de dados. O que você ganha é geração ilimitada a custo marginal zero, um modelo que você pode ajustar finamente e nenhum fornecedor que possa descontinuar o endpoint debaixo de você.

O custo do Omni é legível ao centavo. Um clipe de quinze segundos em 720p custa cerca de US$ 1,05 em tokens de saída. Um rascunho em 360p custa cerca de US$ 0,35. Um upscale 4K desses quinze segundos custa cerca de US$ 3,14. Você paga por segundo de saída, paga de novo a cada nova tentativa, e a edição conversacional faz com que as novas tentativas sejam o fluxo de trabalho normal, e não a exceção. Um anúncio de dez planos com três edições por plano não é um trabalho de quinze dólares; fica mais perto de sessenta.

Essas duas estruturas de custo não são conversíveis. Comparar "grátis após o capital" com "sete centavos por segundo" produz um número que depende inteiramente da utilização e, em baixo volume, o modelo auto-hospedado é drasticamente mais caro por imagem. Em alto volume, é drasticamente mais barato. O ponto de cruzamento é uma aritmética que você tem de fazer com o preço da sua própria GPU, não um fato que alguém possa simplesmente lhe entregar.

O que você não consegue obter de nenhum dos dois

Se você precisa de um clipe de pessoa falando com diálogo sincronizado labialmente, o InternLumina-U2 não pode ajudar e não há solução alternativa a não ser um gerador de vídeo separado. Se você precisa de um pipeline de compreensão de ativos 3D — lendo uma malha ou uma descrição de cena junto com imagens — o Gemini Omni 1.2 Flash não pode ajudar e não há solução alternativa a não ser um modelo de visão separado.

Existe também uma diferença de licenciamento que importa mais do que parece. O InternLumina-U2 está sob Apache-2.0, o que significa utilização comercial, modificação e redistribuição com atribuição, e o texto da licença está no repositório. O Gemini Omni 1.2 Flash é um serviço alojado cujos termos regem o que pode fazer com o resultado, cada clip tem uma marca de água SynthID quer queira quer não, e a edição ou extensão de vídeo carregado não está disponível no EEE, na Suíça e no Reino Unido. Para uma equipa em Londres a criar um produto por cima de edição de vídeo conversacional, essa restrição regional é eliminatória de uma forma que nenhuma comparação de benchmarks revelaria.

Onde o OrcaRouter se posiciona, honestamente

Nenhum dos dois modelos está no nosso catálogo. google/gemini-omni-1.2-flash retorna 404 nas páginas de modelos do OrcaRouter, e o InternLumina-U2 não tem endpoint hospedado em lugar nenhum — o próprio cartão dele diz isso, e apenas um Space da comunidade o utiliza. Portanto, nenhuma chamada à nossa API chega a qualquer um deles, e este texto prefere afirmar isso a sugerir um host que não temos.

O que o gateway cobre é a camada na qual ambas as cargas de trabalho estão inseridas. Um pipeline InternLumina-U2 auto-hospedado ainda precisa de um modelo de texto para escrever os prompts, avaliar as saídas e encaminhar falhas, e essa é uma chamada que atendemos em mais de 200 modelos com uma única chave e failover automático. Do lado do Omni, como o OrcaRouter repassa o preço de tabela do provedor com 0% de acréscimo, um corte de preço do Google chega ao nosso lado no mesmo dia, e não no próximo ciclo de cobrança — e a linha Omni já alterou sua tarifa de vídeo uma vez este ano, de $17.50 para $12.00 por milhão de tokens de saída. Se você está comparando uma implementação auto-hospedada com uma alugada, o lado alugado mudar sob seus pés é exatamente a variável que uma fatura de repasse torna visível.

Como decidir

Construa sobre o InternLumina-U2 se precisar de imagens, se precisar de compreensão de 3D ou vídeo no mesmo modelo, se tiver capacidade de GPU que já está a pagar e se os termos da licença forem importantes para o seu produto. Aceite que está a executar um artefacto de investigação: as benchmarks são dos próprios autores, a tabela GenEval contradiz-se a si mesma e as ferramentas esperam uma stack específica.

Compre o Gemini Omni 1.2 Flash se você precisar de movimento com som, quiser um endpoint funcional hoje e seu volume for baixo o suficiente para que a cobrança por segundo seja mais barata do que uma GPU ociosa. Aceite que você não tem benchmarks de qualidade, não tem modo de saída de texto, não tem prompts negativos, tem uma restrição regional nos recursos de edição e tem uma marca d'água em cada quadro.

O erro a evitar é tratar isto como uma competição. É uma decisão de aquisição entre um download e um medidor, e a questão da qualidade do modelo — aquela sobre a qual ambos os fornecedores gostariam que você discutisse — é a que tem menos evidências de ambos os lados.