LFM3-Omni-2B vs InternLumina U2: Två modeller, två betydelser av Omni

LFM3-Omni-2B och InternLumina U2 är båda kategoriserade under "omni", och de verkar inte i samma bransch. Liquid AIs modell med 2,17 miljarder parametrar tar emot text, bilder, video och ljud och ger tillbaka text eller tal i 24 kilohertz. Shanghai AI Laboratorys InternLumina U2 tar emot text, bilder, video och 3D och ger tillbaka text eller bilder. Den ena är en mun. Den andra är en hand. Nästan varje jämförelse du hittar mellan dem ägnar hela sin längd åt benchmarks som bara ena sidan ens kan delta i, och det är därför den användbara frågan är snävare och billigare att besvara: vilken halva av "omni" saknar din produkt?

De två lanseringarna kom också i motsatta former, och det spelar större roll än det vanligtvis gör. Liquid AI meddelade LFM3-familjen den 27 oktober 2026 i ett enda inlägg som omfattade sex modeller i 2B-klassen, och LFM3-Omni-2B var en rad i det inlägget snarare än en egen lansering – dess vikter hade redan legat i ett offentligt kodförråd sedan den 21 oktober. InternLumina U2 gick åt andra hållet: inferenskoden och en projektsida dök upp den 1 september, vikterna följde senare i maskinvaruspecifika mappar, och något tillkännagivande kom aldrig. Ingen av modellerna har en siffra som en tredje part har reproducerat. Varje siffra nedan är leverantörens egen beskrivning av sig själv.

Avslagen säger dig mer än specifikationerna

Specifikationslistor skrivs för att få modeller att se kompatibla ut. Börja i stället med vad var och en fysiskt inte kan ta emot, eftersom de två listorna inte överlappar alls.

LFM3-Omni-2B kan inte rita. Det finns en synencoder i stacken, men den läser bara; utdatavägen är text och tal. Om man ber den redigera ett foto är det ärliga svaret att begäran inte har någon representation i modellen.

InternLumina U2 kan inte tala. Den har ingen ljudkodare, ingen codec-tokeniserare, inget talhuvud. Ge den en WAV-fil och det finns inget i arkitekturen som tar emot den. Dess "omni" är en satsning på att förståelse och generering hör hemma i en och samma visuella ryggrad; dess utdatavokabulär är text- och bildtoken, inte vågformer.

Så den första frågan är inte vilken modell som får högre poäng. Det är huruvida din arbetsbelastning behöver en syntetiserad röst eller en redigerad bild, eftersom exakt en av dessa är tillgänglig på varje sida och ingen av modellerna kommer att utveckla den andra förmågan genom finjustering. Det är en egenskap hos tokenizern, inte hos träningsdatan.

Den ena dikterar en mening, den andra förfinar den.

Arkitekturerna skiljer sig åt på en nivå som ligger djupare än antalet parametrar, och skillnaden förklarar uppdelningen i kapacitet.

LFM3-Omni-2B är autoregressiv. En LFM3-stomme med 1,7 miljarder parametrar läser tokens från en LFM3-visionencoder och en LFM3 kausal ljudencoder, och sänder ut texttokens eller LiquidCodec-taltokens från vänster till höger. Video samplas med 2 bildrutor per sekund och varje 2×2-bildpatch kollapsar till en enda språktoken, vilket är hur en 2,17B-modell håller ett 32K-fönster användbart på en telefon. Tal kommer ut i 24 kHz, ljud går in i 16 kHz mono.

InternLumina U2 är en diffusionsspråkmodell, och det är den delen som är värd att stanna upp vid. Den avger inte en token i taget; den utgår från brus och förfinar en hel sekvens parallellt med ett maskerat diffusionsobjektiv. Dess visuella representation är helt diskret – åtta kodböcker med AToken-visuella tokens per position, sammanfogade på ingångssidan och förutsagda kodbok för kodbok på utgångssidan. Att generera en bild är då samma operation som att svara på en fråga: brusreducera en sekvens av visuella tokens. Det är en verkligt annorlunda satsning än den som alla andra öppna multimodala modeller gör, och det är därför modellen överhuvudtaget kan producera en bild.

Kostnaden för den satsningen är verktygsstöd. InternLumina är inte en transformers-pipeline som du anropar på tre rader. Kortet kräver AToken-tokenizern med FlashAttention, ett anpassat generate-API för blockdiffusion och Blender 4.5 om du vill rendera 3D-utdata. LFM3-Omni-2B levereras däremot som vanliga BF16-vikter med en dokumenterad finjusteringsväg och ett Ollama-bygge som redan cirkulerar – ett vars listning anger en kontext på 125K mot 32K i modellkortet, en avvikelse som ingen ännu har förklarat.

Specifikationerna som avgör om det passar

• Parametrar — LFM3-Omni-2B 2,17B täta; InternLumina U2 16B totalt, 1B aktiva i en gles mixture of experts.

• Utdata – text och 24 kHz-tal, inklusive varvat text och tal, kontra text och genererade eller redigerade bilder.

• Indata – text, bild, video med eller utan ljud, och 16 kHz-ljud, kontra text, bild, video och 3D.

• Kontext – 32K token som täcker både indata och utdata, mot en kontextlängd som InternLumina-kortet fortfarande inte anger.

• Språk — 16 textspråk och 19 talspråksvarianter för LFM3-Omni-2B; InternLumina publicerar inte något antal.

• Licens — LFM Open License v1.0, en licens med intäktströskel, kontra Apache 2.0 med undantag för den medföljande AToken- och VeOmni-koden.

• Hårdvara – telefoner, bärbara datorer och edge-kort på ena sidan; på den andra checkpoints uppdelade i ett ascend/-träd tränat på Huawei Ascend NPU:er och ett nvidia/-träd, ungefär 33,8 GB per träd.

De två benchmarks som de faktiskt har gemensamt

Det finns exakt två videonummer i båda korten, och de är oense om vilken modell som är bättre, vilket är den mest informativa uppgiften på den här sidan.

På MVBench rapporterar InternLumina U2 61,8 och LFM3-Omni-2B 58,03 – ett försprång på 3,8 punkter för diffusionsmodellen. På Video-MME utan undertexter rapporterar LFM3-Omni-2B 57,70 och InternLumina U2 56,7 – ett försprång på 1 punkt åt andra hållet. Båda uppsättningarna är körda av leverantörerna, i olika testramverk, med olika promptar, och inget av labben har publicerat utvärderingskoden. En skillnad på 1 punkt under de förutsättningarna är brus; en skillnad på 3,8 punkter är sannolikt verklig men säger lite om ditt filmmaterial.

{{1}}Allt annat är inte gemensamt.{{/1}} InternLuminas kort inleds med CharXiv-DQ 85.9 och HallusionBench 64.6, dokument- och hallucinationstester som LFM3-Omni-2B aldrig genomförde. LFM3-Omni-2B:s kort inleds med DocVQA 92.47, OCRBench 806 och MMMU 42.44, plus en kolumn för tal – engelsk ASR-ordfelsfrekvens 6.36, flerspråkig 6.72, TTS UTMOSv2 3.80 – som saknar motsvarighet på den andra sidan. Dess eget kort anger att siffrorna är uppmätta av Liquid AI med varje models egen chattmall och greedy-avkodning, vilket är standardförbehållet och ett verkligt sådant.

InternLumina är ännu mer uppriktig: dess kort kallar resultaten "preliminära, partiella resultat" och skjuter upp jämförelsetabellerna. Det är inte falsk blygsamhet. En 16B-A1B-diffusionsmodell som genererar bilder med DPG-Bench 87.79 och GenEval 0.89 är ett seriöst resultat, och det är också den typ av resultat som förändras när någon kör om det med en annan sampler.

Vem ska välja vilken

Om din produkt behöver svara med röst – en röstassistent, ett handsfritt gränssnitt, ett tillgänglighetsverktyg, en samtalsammanfattare som ger den som ringer ett talat svar – är LFM3-Omni-2B den enda av dessa två som kan slutföra jobbet. Den är också den enda som körs på enheten, vilket är dubbelt viktigt för tal: ljud är den mest integritetskänsliga modaliteten som de flesta appar hanterar, och att skicka det till en server är ett beslut du måste motivera.

Om din produkt behöver skapa eller redigera en bild är InternLumina U2 den enda som kan komma igång. Avvägningen är att du nu underhåller en diffusionsinferensstack på Ascend-first-hårdvara, med ett NVIDIA-träd som först nyligen har blivit användbart och en 3D-bana som kräver en Blender-installation. Det är en forskningsdistribution, inte en för appbutiken.

Det nästan ingen erkänner är att riktiga produkter behöver båda, och dessa två modeller kan inte kombineras med varandra. En förfrågan som behöver ett genererat diagram och en talad förklaring måste passera två körtidsmiljöer, två licenser och två hårdvaruprofiler. Det är i den sömmen som de flesta team till slut sätter en router i stället för en större modell. OrcaRouter är den hostade sidan av den konstruktionen – ett API över 200+ modeller med 0 % påslag på leverantörens listpris, med automatisk failover när en leverantör faller – och varken LFM3-Omni-2B eller InternLumina U2 finns i den katalogen i dag. Poängen är inte att någon av dem hör hemma där. Poängen är att i samma stund som du delar upp arbetet i två delar behöver den andra halvan någonstans att köra.

Vad skulle ändra svaret

En oberoende utvärdering av endera modellen skulle göra mer än ännu en leverantörstabell. För InternLumina U2 är siffran att hålla ögonen på generationskvaliteten med en annan sampler, eftersom diffusionutdata förändras när samplern förändras och ingen utomstående part har testat. För LFM3-Omni-2B handlar det om huruvida talet håller utanför Liquids egna prompter – närmare bestämt om 3,80 UTMOSv2 överlever mötet med en lyssnare som inte betygsätter sitt eget arbete.

Fram till dess vilar beslutet på något mer sällsynt än ett benchmark: en kapabilitetslista. LFM3-Omni-2B talar och kan inte rita. InternLumina U2 ritar och kan inte höra. För de flesta team avgör det saken innan den första utvärderingen körs.