LFM3-Omni-2B vs InternLumina U2: Dois modelos, dois significados de Omni

LFM3-Omni-2B e InternLumina U2 estão ambos na categoria "omni", mas não atuam no mesmo ramo. O modelo de 2,17 bilhões de parâmetros da Liquid AI recebe texto, imagens, vídeo e áudio e devolve texto ou fala de 24 quilohertz. O InternLumina U2 do Shanghai AI Laboratory recebe texto, imagens, vídeo e 3D e devolve texto ou imagens. Um é uma boca. O outro é uma mão. Quase toda comparação que você encontrar entre eles dedica seu texto a benchmarks nos quais só um dos lados consegue sequer participar, e é por isso que a pergunta útil é mais estreita e mais barata de responder: qual metade de "omni" falta ao seu produto?

Os dois lançamentos também chegaram em formatos opostos, e isso importa mais do que costuma importar. A Liquid AI anunciou a família LFM3 em 27 de outubro de 2026, em uma única publicação que cobria seis modelos da classe 2B, e o LFM3-Omni-2B era uma linha dessa publicação, e não um lançamento próprio — seus pesos já estavam em um repositório público desde 21 de outubro. O InternLumina U2 seguiu o caminho oposto: o código de inferência e uma página do projeto surgiram em 1º de setembro, os pesos vieram depois, em pastas específicas para hardware, e nenhum anúncio chegou a ser feito. Nenhum dos modelos tem um número que um terceiro tenha reproduzido. Todos os números abaixo são a própria fornecedora descrevendo a si mesma.

As recusas dizem mais do que as especificações

As listas de especificações são escritas para fazer os modelos parecerem compatíveis. Comece, em vez disso, pelo que cada um fisicamente não pode aceitar, porque as duas listas não se cruzam de modo algum.

O LFM3-Omni-2B não consegue desenhar. Há um codificador de visão na pilha, mas ele apenas lê; o caminho de saída é texto e fala. Peça-lhe para editar uma foto e a resposta honesta é que o pedido não tem representação no modelo.

O InternLumina U2 não consegue falar. Ele não tem codificador de áudio, tokenizador de codec nem cabeça de fala. Entregue a ele um arquivo WAV e não há nada na arquitetura para recebê-lo. Seu "omni" é uma aposta de que compreensão e geração pertencem a um único backbone visual; seu vocabulário de saída é composto por tokens de texto e imagem, não por formas de onda.

Então, a primeira pergunta não é qual modelo tem pontuação mais alta. É se sua carga de trabalho precisa de uma voz sintetizada ou de uma imagem editada, porque exatamente uma dessas opções está disponível em cada lado, e nenhum dos modelos desenvolverá a outra capacidade por meio de ajuste fino. Isso é uma propriedade do tokenizador, não dos dados de treinamento.

Um dita uma frase, o outro a refina.

As arquiteturas diferem em um nível mais profundo do que a contagem de parâmetros, e essa diferença explica a divisão de capacidades.

O LFM3-Omni-2B é autorregressivo. Uma espinha dorsal LFM3 de 1,7 bilhão de parâmetros lê tokens de um codificador de visão LFM3 e de um codificador de áudio causal LFM3, e emite tokens de texto ou tokens de fala LiquidCodec da esquerda para a direita. O vídeo é amostrado a 2 quadros por segundo e cada patch de imagem 2×2 é reduzido a um único token de linguagem, e é assim que um modelo de 2,17B mantém uma janela de 32K utilizável num telefone. A fala sai a 24 kHz, o áudio entra a 16 kHz mono.

O InternLumina U2 é um modelo de linguagem de difusão, e essa é a parte que merece uma pausa. Ele não emite um token por vez; parte do ruído e refina uma sequência inteira em paralelo, usando um objetivo de difusão mascarada. Sua representação visual é totalmente discreta — oito codebooks de tokens visuais AToken por posição, concatenados no lado da entrada e previstos codebook por codebook no lado da saída. Gerar uma imagem é, então, a mesma operação que responder a uma pergunta: remover o ruído de uma sequência de tokens visuais. Essa é uma aposta genuinamente diferente da que todos os outros modelos multimodais abertos estão fazendo, e é por isso que o modelo consegue produzir uma imagem.

O custo dessa aposta é o ferramental. O InternLumina não é um pipeline de transformers que você chama em três linhas. A ficha exige o tokenizador AToken com FlashAttention, uma API de geração por difusão de blocos personalizada e o Blender 4.5 se você quiser que a saída 3D seja renderizada. O LFM3-Omni-2B, em comparação, é distribuído como pesos BF16 comuns, com um caminho de ajuste fino documentado e uma build do Ollama já circulando — cuja listagem cita um contexto de 125K contra os 32K da ficha do modelo, uma discrepância que ninguém explicou ainda.

As especificações que determinam se encaixa

• Parâmetros — LFM3-Omni-2B 2,17B denso; InternLumina U2 16B no total, 1B ativos em uma mistura esparsa de especialistas.

• Saída — texto e fala de 24 kHz, incluindo texto e fala intercalados, em comparação com texto e imagens geradas ou editadas.

• Entrada — texto, imagem, vídeo com ou sem áudio, e áudio de 16 kHz, versus texto, imagem, vídeo e 3D.

• Contexto — 32K tokens abrangendo entrada e saída, em comparação com um comprimento de contexto que o cartão do InternLumina ainda não informa.

• Idiomas — 16 idiomas de texto e 19 localidades de fala para o LFM3-Omni-2B; a InternLumina não publica uma contagem.

• Licença — LFM Open License v1.0, uma licença com limite de receita, versus Apache 2.0 com exceções para o código AToken e VeOmni incluído.

• Hardware — telemóveis, portáteis e placas de borda de um lado; do outro, checkpoints divididos em uma árvore ascend/ treinada em NPUs Huawei Ascend e uma árvore nvidia/, aproximadamente 33,8 GB por árvore.

Os dois benchmarks que eles realmente compartilham

Há exatamente dois números de vídeo nos dois cartões, e eles discordam sobre qual modelo é melhor, o que é a informação mais valiosa desta página.

No MVBench, o InternLumina U2 registra 61,8 e o LFM3-Omni-2B registra 58,03 — uma vantagem de 3,8 pontos para o modelo de difusão. No Video-MME sem legendas, o LFM3-Omni-2B registra 57,70 e o InternLumina U2 registra 56,7 — uma vantagem de 1 ponto na direção oposta. Ambos os conjuntos são executados pelos fornecedores, em harnesses diferentes, com prompts diferentes, e nenhum dos laboratórios publicou o código de avaliação. Uma diferença de 1 ponto nessas condições é ruído; uma diferença de 3,8 pontos provavelmente é real, mas diz pouco sobre o seu material de vídeo.

Todo o resto não é compartilhado. A ficha do InternLumina abre com CharXiv-DQ 85,9 e HallusionBench 64,6, testes de documento e de alucinação que o LFM3-Omni-2B nunca realizou. A ficha do LFM3-Omni-2B abre com DocVQA 92,47, OCRBench 806 e MMMU 42,44, além de uma coluna de fala — taxa de erro de palavra em ASR de inglês 6,36, multilíngue 6,72, TTS UTMOSv2 3,80 — que não tem equivalente do outro lado. Sua própria ficha rotula os números como medidos pela Liquid AI com o template de chat de cada modelo e decodificação greedy, que é a ressalva padrão e uma ressalva real.

A InternLumina é ainda mais franca: seu cartão do modelo descreve os resultados como "resultados preliminares e parciais" e adia as tabelas comparativas. Não se trata de falsa modéstia. Um modelo de difusão 16B-A1B que gera imagens com 87,79 no DPG-Bench e 0,89 no GenEval é um resultado sério, e também é o tipo de resultado que muda quando alguém o reexecuta com um amostrador diferente.

Quem deve escolher qual?

Se o seu produto precisa responder — um assistente de voz, uma interface mãos-livres, uma ferramenta de acessibilidade, um sumarizador de chamadas que entrega ao chamador uma resposta falada —, o LFM3-Omni-2B é o único destes dois que consegue concluir a tarefa. Também é o único que roda no dispositivo, o que, para fala, importa em dobro: o áudio é a modalidade mais sensível à privacidade com que a maioria dos aplicativos lida, e enviá-lo a um servidor é uma decisão que você precisa justificar.

Se o seu produto precisa gerar ou editar uma imagem, o InternLumina U2 é o único com o qual dá para começar. A contrapartida é que agora você passa a manter uma stack de inferência de difusão em hardware Ascend-first, com uma árvore NVIDIA que só recentemente se tornou utilizável e um caminho 3D que exige uma instalação do Blender. Isso é uma implantação de pesquisa, não uma de loja de aplicativos.

O que quase ninguém admite é que produtos reais precisam dos dois, e esses dois modelos não conseguem se compor entre si. Uma solicitação que precise de um diagrama gerado e de uma explicação falada tem de atravessar dois runtimes, duas licenças e dois perfis de hardware. É nessa emenda que a maioria das equipes acaba colocando um roteador, em vez de um modelo maior. O OrcaRouter é o lado hospedado desse arranjo — uma única API para mais de 200 modelos, com 0% de markup sobre o preço de tabela do provedor, com failover automático quando um provedor cai — e nem o LFM3-Omni-2B nem o InternLumina U2 estão nesse catálogo hoje. O ponto não é que qualquer um deles pertença lá. O ponto é que, no momento em que você divide o trabalho em dois, a segunda metade precisa de algum lugar para rodar.

O que mudaria a resposta

Uma avaliação independente de qualquer um dos modelos faria mais do que outra tabela de fornecedor. Para o InternLumina U2, o número a observar é a qualidade da geração com um amostrador diferente, porque as saídas de difusão mudam quando o amostrador muda e nenhuma parte externa testou. Para o LFM3-Omni-2B, é se a fala se sustenta fora dos próprios prompts da Liquid — especificamente, se o 3.80 UTMOSv2 sobrevive ao contato com um ouvinte que não está avaliando o próprio trabalho.

Até então, a decisão se baseia em algo mais raro que um benchmark: uma lista de capacidades. O LFM3-Omni-2B fala e não consegue desenhar. O InternLumina U2 desenha e não consegue ouvir. Para a maioria das equipes, isso já resolve a questão antes da primeira avaliação ser executada.