Gemini Omni 1.2 Flash против InternLumina-U2: арендованные секунды против скачанных весов

Поставьте Gemini Omni 1.2 Flash рядом с InternLumina-U2 — и сравнение, которое сразу бросается в глаза (качество изображений, скорость генерации, результаты бенчмарков), окажется наименее интересным из возможных, потому что эти две модели не конкурируют за одну и ту же статью бюджета. Gemini Omni 1.2 Flash — это API с оплатой по счётчику, который берёт около $0.07 за секунду видео 720p, стал общедоступным 5 ноября 2026 года и возвращает файл, права на использование которого принадлежат вам, но никогда — веса. InternLumina-U2 — это разреженная диффузионная языковая модель с 16 млрд параметров от Shanghai AI Laboratory, Apache-2.0, по семь шардов на каждое аппаратное дерево, лежащая на Hugging Face, где её может скачать любой, у кого есть диск. Одна — сервис. Другая — актив. Полезный вопрос не в том, какая модель генерирует лучшие картинки, а в том, что из этих двух ваш проект действительно способен потянуть.

Такая формулировка важна, потому что у очевидного запроса — «кто из них лучше в генерации изображений» — есть вводящий в заблуждение ответ. InternLumina-U2 действительно генерирует изображения и по собственным бенчмаркам, заявленным вендором, делает это на конкурентном уровне. Но она также понимает видео и 3D в одном и том же бэкбоне — а такой возможности у Gemini Omni нет вообще, тогда как Gemini Omni генерирует видео с синхронизированным аудио, чего InternLumina-U2 не умеет. Если судить по пересечению, обе являются системами, смежными с изображениями и видео. Если судить по объединению, они едва соприкасаются.

Пересечение, если быть точным

InternLumina-U2 в рамках одной модели выполняет контроль качества текста, генерацию изображений по тексту, понимание изображений, редактирование изображений, понимание видео и понимание 3D. Уточнение «понимание» в этом списке играет реальную роль: модель читает видео и читает 3D, но не создаёт ни то, ни другое. Создаёт она изображения и текст.

Gemini Omni 1.2 Flash создаёт видео. На вход он принимает текст, изображения и видео, а на выходе выдаёт видео с нативным аудио, длительностью от трёх до пятнадцати секунд с частотой 24 кадра в секунду, от 360p до 4K, причём два верхних уровня апскейлятся. Он не выдаёт изображения как готовый результат — каждый кадр является кадром клипа — и не выполняет редактирование неподвижных изображений в том смысле, который вкладывает дизайнер.

Итак, пересечение — ровно одна вещь: генерация изображения по промпту. InternLumina-U2 делает это как одну задачу из шести. Gemini Omni 1.2 Flash делает это только как первый кадр движения. Если это весь ваш сценарий использования, сравнение уместно. Если нет, вы выбираете между инструментарием исследователя статичных изображений и эндпоинтом для видеопроизводства.

• Модальность на входе — InternLumina-U2 принимает текст, изображения, видео и 3D; Gemini Omni 1.2 Flash принимает текст, изображения и видео.

• Модальность на выходе — InternLumina-U2 возвращает текст и изображения; Gemini Omni 1.2 Flash возвращает видео с синхронизированным аудио.

• Архитектура — InternLumina-U2 — это MoE-диффузионная языковая модель с общим числом параметров 16B и примерно 1B активных параметров на базе LLaDA-2.0 с дискретными визуальными токенами Apple AToken на восьми кодовых книгах; архитектура Gemini Omni 1.2 Flash не раскрыта.

• Доступ — веса Apache-2.0 на Hugging Face, с отдельными деревьями Ascend и NVIDIA; закрытый хостинговый API.

• Цена — нет цены за вызов, поскольку нет хостингового эндпоинта; около $0,07 за секунду вывода видео в 720p, без бесплатного тарифа.

• Контекст — 131 072 токена на входе, 65 536 на выходе на стороне Omni; в карточке InternLumina эквивалентное окно не опубликовано.

Что говорят и о чем умалчивают бенчмарки

Показатели InternLumina-U2 взяты из её собственной статьи и со страницы проекта (arXiv 2610.20818, подана 14 октября 2026 года), и никто их не воспроизвёл. Главный показатель генерации — оценка GenEval 89,3 по собственному протоколу сэмплирования PHV авторов, наряду с DPG-Bench 87,79, UniGenBench 86,11 и TIIF-Bench 88,57 на коротких промптах и 87,08 на длинных. В статье утверждается, что модель лидирует среди унифицированных моделей в визуальном понимании, генерации изображений и редактировании изображений, а также что она превосходит FLUX.1-dev и немного опережает Qwen-Image по GenEval, UniGenBench и TIIF, активируя при этом примерно в четырнадцать раз меньше параметров.

Есть расхождение, о котором стоит знать, прежде чем цитировать что-либо из этого. В таблице результатов на странице проекта у InternLumina-U2 указано GenEval 0.81, при этом у LLaDA2.0-Uni — 0.89, а у InternVL-U — 0.85, что ставит более новую модель позади её собственного предшественника в этой строке. Цифра 89.3 соответствует оптимизированному протоколу сэмплирования, описанному в статье, а не оценке по умолчанию. Две цифры, два протокола, одна и та же модель. Статья даёт более благоприятную интерпретацию, а страница проекта — более консервативную, и ни одна из этих интерпретаций не проверялась независимо.

У Gemini Omni 1.2 Flash вообще нет опубликованных Google результатов бенчмарков. Пост о запуске от 5 ноября носит полностью качественный характер — более длинные клипы, лучшее следование референсам, более естественные диалоги, меньше рваных склеек — и прямо говорит, что работа продолжается над «быстрыми спортивными действиями, быстрыми изменениями сценария и сложной физикой». Это на удивление откровенный список известных слабых мест, и это единственное заявление Google о качестве. Сторонние цифры существуют, но в основном они описывают более ранние версии Omni: страница сравнения Megaton озаглавлена «Gemini Omni Flash», хотя её ссылки ведут на слаг предпросмотра, указывает аудиовыход как «No» (неверно для 1.2, которая по умолчанию генерирует аудио) и сообщает о нуле оценённых видео и нуле измерений за своими оценками. Один практический обозреватель, Рохит Рао из Segmind, действительно напрямую тестировал 1.2 на двадцати генерациях стоимостью $16,17, и его вывод — самая полезная независимая точка данных из доступных: вызовы длились от 28 до 136 секунд, большинство в диапазоне 40–90 секунд, модель была самой точно следующей инструкциям из всех, что он тестировал, и примерно одна инструкция из четырёх пропускалась. Он также обнаружил, что это не кинематографичная модель фотореалистичных людей.

Итак, честная картина такова: у InternLumina-U2 — подробные, невоспроизведённые, внутренне противоречивые цифры от производителя, а у Gemini Omni 1.2 Flash — почти никаких цифр и лишь один небольшой независимый тест. Ни то, ни другое не является основанием для уверенного вывода о качестве.

Сравнение затрат, в котором люди ошибаются

У InternLumina-U2 нет цены, и это не то же самое, что быть бесплатным.

Веса занимают 67,6 ГБ и разбиты на два дерева по семь шардов, примерно по 33,8 ГБ каждое, так что загрузка одного аппаратного варианта — это 34 ГБ трафика, прежде чем у вас появится рабочая среда. Репозиторий требует FlashAttention для пути AToken, а для 3D-конвейера — Blender 4.5. Обучение велось на 1 024 NPU Ascend 910B на 1,05 трлн токенов, что говорит о том, что модель создавалась для кластера, хотя инференс гораздо легче: 1 млрд активных параметров — умеренная нагрузка для обслуживания, а стратегия сэмплирования PHV из статьи обещает снижение сквозной задержки в 4,45× при нативном разрешении 1024×1024.

На самом деле вы тратите GPU, неделю работы инженера на то, чтобы правильно настроить окружение, и всё, что стоят ваше хранилище и исходящий трафик. Взамен вы получаете неограниченную генерацию при нулевых предельных затратах, модель, которую можно дообучать, и отсутствие вендора, способного объявить эндпоинт устаревшим у вас под ногами.

Стоимость Omni понятна с точностью до цента. Пятнадцатисекундный клип 720p стоит около $1,05 в выходных токенах. Черновик 360p — около $0,35. Апскейл этих пятнадцати секунд до 4K — около $3,14. Вы платите за каждую выходную секунду, платите снова при каждой повторной попытке, а разговорный монтаж означает, что повторные попытки — это обычный рабочий процесс, а не исключение. Реклама из десяти сцен с тремя правками на сцену — это не работа за пятнадцать долларов, а ближе к шестидесяти.

Эти две структуры затрат не конвертируются друг в друга. Сравнение «бесплатно после капитальных затрат» с «семь центов в секунду» даёт число, которое полностью зависит от загрузки, и при малом объёме модель с самостоятельным хостингом оказывается значительно дороже за изображение. При большом объёме она значительно дешевле. Точка пересечения — это арифметика, которую нужно считать со своей ценой GPU, а не факт, который кто-то может вам предоставить.

То, чего нельзя получить ни от одного из них

Если вам нужен клип с говорящей головой и речью, синхронизированной с губами, InternLumina-U2 не поможет, и без отдельного видеогенератора не обойтись. Если вам нужен конвейер понимания 3D-ассетов — чтение меша или описания сцены вместе с изображениями — Gemini Omni 1.2 Flash не поможет, и без отдельной модели компьютерного зрения не обойтись.

Есть также разница в юридическом оформлении, которая значит больше, чем кажется. InternLumina-U2 распространяется по Apache-2.0, что означает {{1}}коммерческое использование, модификацию и распространение с указанием авторства{{/1}}, а текст лицензии находится в репозитории. Gemini Omni 1.2 Flash — это размещённый сервис, условия которого определяют, что вы можете делать с результатом; каждый клип несёт водяной знак SynthID, хотите вы этого или нет; а редактирование или продление загруженного видео недоступно в ЕЭЗ, Швейцарии и Великобритании. Для команды в Лондоне, создающей продукт на основе диалогового видеоредактирования, это региональное ограничение является дисквалифицирующим фактором, который не выявило бы никакое сравнение по бенчмаркам.

Где, честно говоря, находится OrcaRouter

Ни одной из этих моделей нет в нашем каталоге. google/gemini-omni-1.2-flash возвращает 404 на страницах моделей OrcaRouter, а у InternLumina-U2 нет размещённого эндпоинта нигде — в её карточке так и сказано, и её использует только один Space сообщества. Так что ни один вызов нашего API не доходит ни до одной из них, и этот материал предпочитает сказать это прямо, а не подразумевать хостинг, которого у нас нет.

Что шлюз действительно покрывает — так это слой, внутри которого работают обе нагрузки. Самостоятельно размещённому пайплайну InternLumina-U2 всё ещё нужна текстовая модель, чтобы писать промпты, оценивать выходные данные и маршрутизировать сбои, и этот вызов мы обслуживаем через более 200 моделей по одному ключу с автоматическим переключением при отказе. На стороне Omni, поскольку OrcaRouter передаёт прейскурантную цену провайдера с наценкой 0%, снижение цены от Google отражается на нашей стороне в тот же день, а не в следующем расчётном цикле — и линейка Omni уже один раз в этом году изменила свой тариф на видео, с $17,50 до $12,00 за миллион выходных токенов. Если вы сравниваете самостоятельно размещённую сборку с арендованной, то изменение арендованной стороны у вас под ногами — это именно та переменная, которую делает видимой счёт с прозрачной передачей затрат.

Как решить

Стройте на базе InternLumina-U2, если вам нужны изображения, нужно понимание 3D или видео в одной и той же модели, у вас есть вычислительные мощности GPU, за которые вы уже платите, и условия лицензии важны для вашего продукта. Примите, что вы запускаете исследовательский артефакт: бенчмарки — собственные бенчмарки авторов, таблица GenEval противоречит сама себе, а инструментарий ожидает определённый стек.

Купите Gemini Omni 1.2 Flash, если вам нужно движение со звуком, вам нужен работающий эндпоинт уже сегодня, а ваш объём достаточно низок, чтобы посекундная тарификация была дешевле простаивающего GPU. Примите, что у вас нет бенчмарков качества, нет режима текстового вывода, нет негативных промптов, есть региональное ограничение на функции редактирования и водяной знак на каждом кадре.

Ошибка, которой нужно избегать, — относиться к этому как к сравнительному испытанию. Это решение о закупке между скачиванием и счётчиком, а вопрос качества модели — тот, который оба поставщика хотели бы, чтобы вы обсуждали, — имеет меньше всего доказательств с обеих сторон.