Ling-3.0-flash-VL vs InternLumina U2: Ambos lançados, silício diferente

Ambos esses modelos agora são reais, executáveis e baixáveis, o que não era verdade há duas semanas — e a diferença entre eles quase nada tem a ver com benchmarks. Ling-3.0-flash-VL, do laboratório inclusionAI do Ant Group, publicou pesos BF16 e FP8 no Hugging Face entre 4 e 8 de setembro de 2026, publicou receitas de serviço SGLang e vLLM junto com eles e obteve uma pontuação independente de 25 no Artificial Analysis Intelligence Index v4.3. InternLumina U2, da equipe InternLM do Shanghai AI Laboratory, lançou primeiro o código de inferência e depois liberou seus pesos de modelo treinados em Ascend no Hugging Face em 10 de setembro — sete shards de safetensors em uma subpasta ascend/, completando o repositório com dezesseis arquivos.

O detalhe é para que esses dois lançamentos de pesos foram feitos. O caminho publicado do Ling-3.0-flash-VL é o da CUDA que todo mundo já tem: um nó de oito aceleradores executa a build FP8, e os stacks de serving são os que você já está executando. O checkpoint publicado do InternLumina U2 é o da Ascend, e o README é explícito ao dizer que você baixa o checkpoint que corresponder à forma como pretende executar a inferência — com o checkpoint treinado na NVIDIA ainda listado como "em breve". Dois modelos lançados na mesma semana, e apenas um deles roda no hardware diante do qual a maioria das equipes está.

Isso reenquadra a comparação de forma útil. Isto já não é um texto sobre algo lançado versus vaporware, e quem ainda descreve o InternLumina U2 como estando à espera dos pesos está a trabalhar a partir de um README de uma semana atrás. É um texto sobre dois designs visuais unificados muito diferentes que chegaram a dois ecossistemas de silício diferentes, e sobre que partes de cada lançamento estão realmente concluídas.

O que cada versão agora contém

Ling-3.0-flash-VL é um mixture-of-experts esparso de 124 bilhões de parâmetros que ativa cerca de 5,5 bilhões de parâmetros por token, em um tronco híbrido de 42 camadas que alterna Kimi Delta Attention com blocos MLA com gate numa proporção de 5:1. Um codificador de visão de resolução arbitrária e um projetor MLP de duas camadas alimentam esse tronco, com o VideoRoPE cuidando da posição espacial e temporal. Ele recebe texto, imagens e vídeo e retorna texto. Tanto o BF16 (64 shards) quanto o FP8 (cerca de 126 GB, com a torre de visão deliberadamente mantida em precisão mais alta do que os pesos dos especialistas) são públicos sob a licença MIT, e o lançamento é completo o suficiente para que a comunidade independente de benchmarks o tenha pontuado — 25 no Intelligence Index v4.3, classificado como #2 entre 64 em sua categoria de tamanho, contra uma mediana de 8 na categoria. O que ele não publica é um preço por token para o modelo de visão, e seus exemplos de API trazem um -rc1 identificador que deixa em aberto se o checkpoint servido corresponde aos pesos abertos.

O InternLumina U2 é um mistura de especialistas esparsa com 16 bilhões de parâmetros, dos quais cerca de 1 bilhão são ativos, construído sobre um backbone de modelo de linguagem de difusão LLaDA-2.0 MoE, cobrindo seis famílias de tarefas em um único modelo: QA de texto, geração de texto para imagem, compreensão de imagens, edição de imagens, compreensão de vídeo e compreensão 3D. O código de inferência para todos esses está público em main. O checkpoint treinado em Ascend agora está público no Hugging Face. Ainda pendente, conforme o próprio roadmap do repositório: o checkpoint treinado em NVIDIA, o código de treinamento (um repositório separado) e o relatório técnico. O roadmap marca quatro itens e deixa dois em aberto — código de inferência, pesos Ascend e a pilha de treinamento e inferência Ascend concluídos; código de treinamento e relatório técnico, não.

Há um detalhe prático entre esses dois parágrafos. Executar os caminhos de visão do U2 exige os pesos do tokenizador AToken em atoken_inference/checkpoints/atoken-sod.pt, e o driver disponibilizado espera um diretório de checkpoint dividido, com os ativos do modelo mantidos juntos. O código é real e instala com Python 3.11, PyTorch 2.6.0 e, no caminho CUDA, flash-attn 2.7.2. O suporte a Ascend fica em um ascend-npu-support branch separado e exige o CANN mais uma build torch_npu compatível no lugar do toolchain CUDA. Nada disso está oculto; tudo isso está documentado. É simplesmente um caminho mais longo do que pip install e uma string de modelo.

Duas respostas à pergunta "o que é um token visual"

As arquiteturas divergem em algum ponto mais profundo do que a contagem de parâmetros, e essa divergência é o que há de mais interessante em colocar essas duas lado a lado.

Ling-3.0-flash-VL mantém o contrato padrão. Uma imagem se torna uma sequência de tokens através do codificador de visão e do projetor, esses tokens entram em um tronco transformer, e tudo é executado de forma autoregressiva. A novidade não está em como a visão é representada, mas em quão barato é o funcionamento do tronco — 5,5B de parâmetros ativos por token de 124B no total, o que é a razão principal pela qual o modelo aparece na fronteira de inteligência versus parâmetros ativos. VideoRoPE dá à posição espacial e temporal uma codificação consistente, de modo que o vídeo não precisa de maquinário separado.

O InternLumina U2 muda a própria representação. Ele usa o tokenizador AToken da Apple, no qual cada posição visual é descrita por oito codebooks complementares — textura local, texto incorporado, geometria e detalhe de alta frequência como fluxos separados em vez de um único vetor colapsado. Cada codebook mantém sua própria embedding na entrada, e as oito embeddings por posição são concatenadas e projetadas para um único token de backbone. Na saída, a predição é o que a equipe chama de autorregressiva em profundidade de codebook e paralela espacialmente: o backbone de difusão remove o ruído de muitas posições espaciais mascaradas de uma vez, depois uma cabeça autorregressiva multicodebook prevê os oito códigos para cada posição, em ordem. Compreensão e geração percorrem o mesmo maquinário — que é a verdadeira afirmação. O argumento da equipe é que um único codebook limita quanta informação um token visual pode carregar, enquanto híbridos discreto-contínuos dividem a compreensão e a geração entre diferentes representações e caminhos de decodificação, e que ir totalmente discreto com múltiplos codebooks é como se obtém um modelo genuinamente unificado em vez de duas pilhas parafusadas juntas.

Ambas são posições coerentes, e carregam custos opostos. Representações multi-codebook podem reter detalhes visuais mais finos; também multiplicam o orçamento de tokens por imagem pelo número de codebooks e tornam a decodificação consideravelmente mais complexa, o que provavelmente é parte do motivo pelo qual 16B-A1B foi a escala escolhida. A esparsidade do Ling proporciona inferência barata por token; também significa uma capacidade ativa menor por passagem direta, que é o trade-off que a mediana de 8 da classe no índice de inteligência ilustra discretamente — Ling-3.0-flash-VL supera isso confortavelmente em 25, mas não está competindo com modelos densos de fronteira em raciocínio bruto.

As superfícies da tarefa se sobrepõem apenas parcialmente.

Enquadrar ambos como "modelo multimodal" superestima a sobreposição. Saber onde ela termina evita muitas comparações de compra equivocadas.

• Entradas — Ling-3.0-flash-VL aceita texto, imagens e vídeo, até 40 imagens por solicitação, e retorna texto; InternLumina U2 aceita texto, imagens, vídeo e ativos 3D, e retorna texto, imagens geradas ou imagens editadasbr /> • Geração de imagens — Ling-3.0-flash-VL não consegue gerar nem editar imagens de forma alguma; a afirmação central do InternLumina U2 é que ele faz as duas coisas, até 1024×1024, a partir dos mesmos pesos que leem imagensbr /> • 3D — Ling-3.0-flash-VL não tem caminho para 3D; o InternLumina U2 traz um pipeline baseado em Blender que renderiza ativos GLB e GLTF em 64 vistas pareadas de cor e profundidade para o modelo raciocinar sobre elasbr /> • Vídeo — Ling-3.0-flash-VL processa vídeo por meio da codificação temporal VideoRoPE; o InternLumina U2 amostra 64 quadrosbr /> • Contexto e saída — Ling-3.0-flash-VL mede uma janela de contexto de 262K tokens em comparação com os 256K declarados em sua ficha do modelo, e uma saída máxima comparativamente curta; o InternLumina U2 não publicou nenhum dos dois númerosbr /> • Parâmetros ativos — Ling-3.0-flash-VL ativa cerca de 5,5B por token; o InternLumina U2 ativa cerca de 1B, o que é um quinto disso

Leia essa lista e a conclusão é que esses dois são substitutos para exatamente uma tarefa — ler uma imagem e responder a perguntas sobre ela — e complementares em quase todo o resto. Se você precisa de um modelo que gere ou edite uma imagem, Ling-3.0-flash-VL não é candidato, e nenhum benchmark muda isso. Se você precisa de um modelo que leia um gráfico, gere uma variante e raciocine sobre um ativo 3D, o InternLumina U2 é voltado para isso, e o Ling-3.0-flash-VL não atende a isso.

Benchmarks: uma pontuação independente contra uma página de números de fornecedores

A qualidade das evidências não é nem de longe comparável, e vale a pena ser preciso sobre o porquê, em vez de afirmar um vencedor.

O 25 do Ling-3.0-flash-VL no Intelligence Index v4.3 é uma execução de terceiros em um protocolo publicado, com a mediana da classe em 8 para efeito de contexto, além de uma taxa de transferência medida de 142,9 tokens de saída por segundo, contra uma mediana dos pares de 105,1, e um tempo de 2,21 segundos até o primeiro token. A ficha do fornecedor alega separadamente 42 no v4.1.1 descontinuado, um protocolo que é uma escala diferente e não pode ser colocado ao lado do 25 como se o modelo tivesse piorado; o índice foi reeditado em setembro de 2026 e teve as pontuações refeitas em todos os casos. O fornecedor também relata uma vitória de 1.441 a 1.440 na Image-to-WebDev Arena sobre o GPT-5.4 sob o identificador "linthium" — uma margem de um ponto dentro do ruído do Elo, e relatada pelo fornecedor.

Os números do InternLumina U2 são do próprio laboratório, rotulados como preliminares e parciais, com as tabelas comparativas completas e o relatório técnico ainda pendentes. Agora eles constam em uma tabela no README do repositório, em vez de em um placar de benchmark, e ainda não podem ser verificados de forma independente porque nenhum terceiro publicou uma execução. Declarados como o laboratório os declara:

• Compreensão — ChartQA 86,52, CharXiv-DQ 83,65, HallusionBench 62,15, MMMU-Pro 36,13, MathVision 33,22, DynaMath 56,37br /> • Vídeo — Video-MME 51,26, MVBench 59,74, MLVU 57,03br /> • Geração e edição — GenEval 0,81, DPG 87,10, TIIF Short 84,60, TIIF Long 85,95, ImgEdit 3,83br /> • Origem — todos os números do InternLumina U2 são informados pelo fornecedor e preliminares; todos os números do Ling-3.0-flash-VL são informados pelo fornecedor, exceto o Intelligence Index, que é da Artificial Analysis

Dois desses merecem uma ressalva. O GenEval 0,81 fica atrás do 0,89 de um concorrente citado, segundo a própria tabela do laboratório — um caso raro de um fornecedor publicar uma derrota, e um motivo para confiar um pouco mais no restante da planilha. E o ImgEdit com 3,83 não significa nada sem a tabela que o acompanha, que é parte do que o relatório técnico pendente trará. Trate a lista do InternLumina U2 como resultados que o laboratório pretende defender, não como resultados sobre os quais você pode agir. Observe também que as pontuações de compreensão dele e a pontuação de índice do Ling-3.0-flash-VL não são grandezas comparáveis: uma é um conjunto de números de fornecedor específicos por tarefa, a outra é um índice composto de terceiros.

Licença, hardware e o que uma aposta em cada um realmente custa

O Ling-3.0-flash-VL é MIT em ambos os formatos de precisão, o que é praticamente o mais limpo que pesos abertos podem ser — sem cláusulas adicionais, sem restrições de campo de uso, sem ambiguidade quanto à implantação comercial. A versão FP8, com cerca de 126 GB, cabe em um nó de oito aceleradores da classe de 80 GB; a BF16 é aproximadamente o dobro disso. O suporte de serviço já existe no SGLang e em um fork do vLLM mantido pela Ant. O risco residual é comercial, não jurídico: a Ant não publica tarifa por token para o modelo de visão, o acesso gratuito no Ling Studio é promocional e não uma tarifa, e a Artificial Analysis o lista a US$ 0,00 por 1 milhão de tokens de entrada e saída apenas porque o endpoint que ela consegue ver é o gratuito.

O InternLumina U2 é Apache-2.0 no repositório principal, com duas ressalvas que vale a pena ler: o diretório VeOmni/ incluído mantém sua licença Apache-2.0 upstream, e atoken_inference/ é derivado do ml-atoken da Apple e redistribuído sob os termos originais da Apple. A alegação sobre a infraestrutura é séria — ela tem como alvo tanto GPUs NVIDIA quanto NPUs Huawei Ascend, com alinhamento numérico em nível de operador entre os backends, e a equipe relata treinamento ponta a ponta em um cluster Ascend de mil placas com uma melhoria de 1,85× na eficiência de treinamento a partir de operadores fusionados, sharding HSDP ajustado e gradient checkpointing. Isso é engenharia de verdade. Também é ortogonal a se o modelo é bom ou não: eficiência de treinamento em Ascend não diz nada sobre a qualidade da saída, e o checkpoint que existe hoje é aquele voltado para essa pilha.

Portanto, a assimetria prática não é aberto versus fechado. Ambos são abertos, ambos têm licenças permissivas e ambos podem ser baixados hoje. É que um lançamento pressupõe o hardware que você provavelmente tem, e o outro pressupõe o hardware que você provavelmente não tem. Se a sua frota é NVIDIA, o Ling-3.0-flash-VL é trabalho de uma tarde e o InternLumina U2 é uma espera. Se a sua frota é Ascend — o que é cada vez mais comum no mercado chinês para o qual este modelo foi criado —, essa equação se inverte completamente, e o InternLumina U2 é o que tem um caminho pronto, enquanto as receitas do Ling-3.0-flash-VL pressupõem CUDA.

Perguntas que as pessoas realmente fazem sobre esta combinação

Os pesos do InternLumina U2 já podem ser baixados?

Sim, o checkpoint treinado com Ascend está — sete shards de safetensors publicados em ascend/ no Hugging Face, juntamente com os arquivos de configuração, tokenizer e modelagem. O checkpoint treinado com NVIDIA está em uma subpasta separada e ainda está listado como "em breve", e o código de treinamento e o relatório técnico permanecem pendentes.

O Ling-3.0-flash-VL é estritamente melhor por ter uma pontuação independente?

Não — tem melhores evidências e é mais fácil de rodar em hardware comum, o que é uma afirmação diferente. O Ling-3.0-flash-VL não consegue gerar nem editar imagens, não consegue processar ativos 3D e não tem preço publicado. Se a sua tarefa é geração de imagens, edição de imagens ou compreensão 3D, o InternLumina U2 atende a isso e o Ling-3.0-flash-VL não atende a isso de forma alguma, por mais benchmarks que o modelo Ling tenha.

O 42 na ficha do modelo do Ling-3.0-flash-VL contradiz o 25 da Artificial Analysis?

Não diretamente. O 42 foi medido com base no protocolo Intelligence Index v4.1.1, e o 25, no v4.3; o índice foi reformulado em setembro de 2026 e todos os resultados foram recalculados, e as duas versões são construídas a partir de conjuntos de avaliação diferentes. O que se pode dizer é que o 42 nunca foi reproduzido de forma independente, e o 25 foi produzido de forma independente.

Onde um ou outro destes pode ser chamado

Nem o Ling-3.0-flash-VL nem o InternLumina U2 estão no nosso catálogo de modelos, e dizer o contrário seria uma afirmação que um leitor poderia verificar em dez segundos. O Ling-3.0-flash-VL é acessível pela própria plataforma da Ant, que publica um endpoint compatível com OpenAI e outro compatível com Anthropic, por acesso de teste gratuito no Ling Studio, e pelos pesos abertos, se você mesmo os servir. O InternLumina U2 é acessível pelo checkpoint do Hugging Face e pelo driver de inferência do repositório, no hardware para o qual esse checkpoint foi projetado.

O que nós de fato roteamos é o modelo de visão com o qual este pareamento é mais frequentemente comparado na prática: DeepSeek V4 Flash Vision Exp, disponível no catálogo com uma janela de contexto de 1M de tokens e um preço publicado, no mesmo endpoint compatível com OpenAI que o resto do catálogo. Quando um laboratório lança pesos abertos, uma camada de roteamento geralmente pode oferecer o modelo sem esperar que o serviço hospedado do próprio laboratório se estabilize — o que é a diferença prática entre um modelo ser citável e um modelo ser chamável. Essa diferença está ativa para Ling-3.0-flash-VL e, no momento, é acadêmica para InternLumina U2, cuja história de lançamento é um caminho de hardware e não uma questão de hospedagem.

O veredito é genuinamente dividido, e a divisão se dá por hardware e tarefa, não por qualidade. O Ling-3.0-flash-VL é o lançamento completo: MIT, ambos os formatos de precisão, avaliado por terceiros, com prioridade para CUDA e limitado à compreensão. O InternLumina U2 é o design mais ambicioso e o lançamento menos acabado: checkpoint de uma pilha de hardware publicado, uma superfície unificada de seis tarefas, incluindo geração e 3D, e um relatório técnico ainda pendente. Se você precisa de um modelo de visão em hardware NVIDIA esta semana, a escolha se impõe. Se o design multi-codebook do InternLumina U2 é o que lhe interessa, o ponto a observar é o checkpoint para NVIDIA — e a posição honesta até então é que sua tabela de benchmarks, incluindo a linha em que perde, descreve um modelo cuja segunda metade ainda não foi lançada.