Gemini Omni 1.2 Flash กับ InternLumina-U2: วินาทีที่เช่า เทียบกับน้ำหนักที่ดาวน์โหลด

วาง Gemini Omni 1.2 Flash ไว้ข้าง InternLumina-U2 แล้วการเปรียบเทียบที่เด่นชัดที่สุด — คุณภาพภาพ ความเร็วในการสร้าง คะแนน benchmark — กลับเป็นการเปรียบเทียบที่น่าสนใจน้อยที่สุดที่มี เพราะสองโมเดลนี้ไม่ได้แข่งขันกันในหมวดงบประมาณเดียวกัน Gemini Omni 1.2 Flash เป็น API แบบคิดตามการใช้งานที่เรียกเก็บประมาณ 0.07 ดอลลาร์ต่อวินาทีของวิดีโอ 720p เปิดให้ใช้งานทั่วไปเมื่อวันที่ 5 พฤศจิกายน 2026 และส่งคืนไฟล์ที่คุณมีสิทธิ์ใช้งาน แต่ไม่เคยได้ weights มา ส่วน InternLumina-U2 เป็นโมเดลภาษาแบบ sparse diffusion ที่มีพารามิเตอร์ 16 พันล้าน จาก Shanghai AI Laboratory ภายใต้ Apache-2.0 แบ่งเป็นเจ็ด shard ต่อโครงสร้างฮาร์ดแวร์หนึ่งชุด อยู่บน Hugging Face ที่ใครก็ตามที่มีพื้นที่ดิสก์สามารถดาวน์โหลดได้ อันหนึ่งคือบริการ อีกอันคือสินทรัพย์ คำถามที่มีประโยชน์ไม่ใช่แบบไหนสร้างภาพได้ดีกว่า แต่เป็นว่าสองสิ่งนี้ สิ่งไหนที่โปรเจกต์ของคุณรับเข้ามาใช้ได้จริง

การวางกรอบแบบนั้นสำคัญ เพราะคำถามที่เห็นได้ชัด — "ตัวไหนเก่งกว่ากันในการสร้างภาพ" — มีคำตอบที่ชวนเข้าใจผิด InternLumina-U2 สร้างภาพได้จริง และจากเกณฑ์มาตรฐานที่ผู้ขายรายงานเองก็ทำได้ในระดับที่แข่งขันได้ แต่ในโครงหลักเดียวกันมันยังเข้าใจวิดีโอและ 3D ด้วย ซึ่งเป็นความสามารถที่ Gemini Omni ไม่มีเลย ในขณะที่ Gemini Omni สร้างวิดีโอพร้อมเสียงที่ซิงก์กัน ซึ่ง InternLumina-U2 ทำไม่ได้ เมื่อตัดสินจากส่วนที่ทับซ้อนกัน ทั้งคู่เป็นระบบที่ใกล้เคียงทั้งภาพและวิดีโอ แต่เมื่อตัดสินจากส่วนรวมแล้ว ทั้งคู่แทบไม่แตะกันเลย

ความทับซ้อนกันอย่างแม่นยำ

InternLumina-U2 รองรับงาน QA ด้านข้อความ การสร้างภาพจากข้อความ การทำความเข้าใจภาพ การแก้ไขภาพ การทำความเข้าใจวิดีโอ และการทำความเข้าใจ 3D ภายในโมเดลเดียว คำว่า "understanding" ที่กำกับอยู่ในรายการนั้นมีนัยสำคัญจริง: มันอ่านวิดีโอและอ่าน 3D แต่ไม่ได้สร้างสิ่งเหล่านั้น สิ่งที่มันสร้างคือภาพและข้อความ

Gemini Omni 1.2 Flash สร้างวิดีโอ โดยรับข้อความ รูปภาพ และวิดีโอเป็นอินพุต และส่งคืนวิดีโอพร้อมเสียงในตัว ความยาวสามถึงสิบห้าวินาทีที่ 24 เฟรมต่อวินาที ความละเอียด 360p ถึง 4K โดยสองระดับสูงสุดเป็นการอัปสเกล มันไม่ได้สร้างรูปภาพเป็นผลลัพธ์ส่งมอบ — ทุกเฟรมคือเฟรมของคลิป — และไม่ได้แก้ไขภาพนิ่งในความหมายที่นักออกแบบหมายถึง

ดังนั้นส่วนที่ทับซ้อนกันจึงมีอยู่เพียงอย่างเดียวเท่านั้น: การสร้างภาพจากพรอมต์ InternLumina-U2 ทำสิ่งนี้เป็นหนึ่งในหกงาน ส่วน Gemini Omni 1.2 Flash ทำสิ่งนี้เพียงในฐานะเฟรมแรกของการเคลื่อนไหว หากนั่นคือกรณีการใช้งานทั้งหมดของคุณ การเปรียบเทียบนี้ก็ใช้ได้จริง หากไม่ใช่ คุณกำลังเลือกระหว่างชุดเครื่องมือของนักวิจัยด้านภาพนิ่งกับปลายทางการผลิตวิดีโอ

• รูปแบบอินพุต — InternLumina-U2 รองรับข้อความ รูปภาพ วิดีโอ และ 3D; Gemini Omni 1.2 Flash รองรับข้อความ รูปภาพ และวิดีโอ

• มอดัลลิตีขาออก — InternLumina-U2 ส่งคืนข้อความและรูปภาพ; Gemini Omni 1.2 Flash ส่งคืนวิดีโอพร้อมเสียงที่ซิงโครไนซ์

สถาปัตยกรรม — InternLumina-U2 เป็นโมเดลภาษาดิฟฟิวชันแบบ MoE ที่มีพารามิเตอร์รวม 16B และมีพารามิเตอร์ที่ใช้งานจริงประมาณ 1B บนโครงสร้างหลัก LLaDA-2.0 พร้อมโทเคนภาพแบบไม่ต่อเนื่องแบบแปดโค้ดบุ๊กของ Apple AToken; ส่วนสถาปัตยกรรมของ Gemini Omni 1.2 Flash ไม่ได้เปิดเผย

• การเข้าถึง — น้ำหนักโมเดล Apache-2.0 บน Hugging Face พร้อมทรีแยกสำหรับ Ascend และ NVIDIA; API โฮสต์แบบปิด

• ราคา — ไม่มีราคาต่อการเรียกใช้ เพราะไม่มีปลายทางที่โฮสต์ไว้; ประมาณ $0.07 ต่อวินาทีของวิดีโอเอาต์พุต 720p โดยไม่มีระดับฟรี

• บริบท — 131,072 โทเค็นขาเข้า, 65,536 ขาออกในฝั่ง Omni; การ์ด InternLumina ไม่ได้ระบุขนาดหน้าต่างที่เทียบเท่า

สิ่งที่เกณฑ์มาตรฐานบอกและไม่ได้บอก

ตัวเลขของ InternLumina-U2 มาจากบทความและหน้าโปรเจกต์ของตัวเอง (arXiv 2610.20818 ส่งเมื่อวันที่ 14 ตุลาคม 2026) และยังไม่มีใครทำซ้ำได้ ตัวเลขเด่นด้านการสร้างภาพคือคะแนน GenEval 89.3 ภายใต้โปรโตคอลการสุ่มตัวอย่าง PHV ของผู้เขียนเอง พร้อมกับ DPG-Bench 87.79, UniGenBench 86.11 และ TIIF-Bench 88.57 บนพรอมป์ต์สั้น และ 87.08 บนพรอมป์ต์ยาว บทความอ้างว่ามีประสิทธิภาพนำหน้าในหมู่โมเดลแบบรวมศูนย์ทั้งด้านการเข้าใจภาพ การสร้างภาพ และการแก้ไขภาพ และระบุว่าโมเดลนี้เอาชนะ FLUX.1-dev และแซง Qwen-Image เล็กน้อยใน GenEval, UniGenBench และ TIIF ขณะที่เปิดใช้งานพารามิเตอร์น้อยลงประมาณสิบสี่เท่า

มีความคลาดเคลื่อนที่ควรรู้ก่อนคุณจะนำสิ่งใดจากมันไปอ้างอิง ตารางผลลัพธ์ในหน้าโปรเจกต์ระบุว่า InternLumina-U2 อยู่ที่ GenEval 0.81 โดย LLaDA2.0-Uni อยู่ที่ 0.89 และ InternVL-U อยู่ที่ 0.85 — ซึ่งทำให้โมเดลที่ใหม่กว่าอยู่ตามหลังรุ่นก่อนหน้าของตัวเองในแถวนั้น ตัวเลข 89.3 สอดคล้องกับโปรโตคอลการสุ่มตัวอย่างที่ปรับให้เหมาะสมซึ่งอธิบายไว้ในบทความ ไม่ใช่การประเมินแบบค่าเริ่มต้น สองตัวเลข สองโปรโตคอล โมเดลเดียวกัน บทความเป็นมุมอ่านที่เอื้อประโยชน์กว่า และหน้าโปรเจกต์เป็นมุมที่อนุรักษ์นิยมกว่า และทั้งสองยังไม่ได้รับการตรวจสอบอย่างอิสระ

Gemini Omni 1.2 Flash ไม่มีคะแนน benchmark ที่เผยแพร่จาก Google เลย โพสต์เปิดตัวเมื่อวันที่ 5 พฤศจิกายนเป็นเชิงคุณภาพล้วน ๆ — คลิปยาวขึ้น ทำตามภาพอ้างอิงได้ดีขึ้น บทสนทนาเป็นธรรมชาติมากขึ้น มี jump cut น้อยลง — และระบุชัดเจนว่ายังคงพัฒนาต่อในเรื่อง "แอ็กชันกีฬาที่เร็ว การเปลี่ยนบทอย่างรวดเร็ว และฟิสิกส์ที่ซับซ้อน" นั่นเป็นรายการจุดอ่อนที่รู้กันอยู่ซึ่งตรงไปตรงมาอย่างผิดปกติ และเป็นคำกล่าวเกี่ยวกับคุณภาพเพียงอย่างเดียวที่ Google ให้ไว้ ตัวเลขจากบุคคลที่สามมีอยู่ทั่วไป แต่ส่วนใหญ่อธิบาย Omni เวอร์ชันก่อนหน้า: หน้าสำหรับเปรียบเทียบของ Megaton มีหัวข้อว่า "Gemini Omni Flash" ขณะที่ลิงก์ชี้ไปยัง preview slug ระบุเอาต์พุตเสียงเป็น "No" (ซึ่งผิดสำหรับ 1.2 ที่สร้างเสียงเป็นค่าเริ่มต้น) และรายงานว่ามีวิดีโอที่ให้คะแนนเป็นศูนย์และไม่มีการวัดใด ๆ รองรับคะแนนของตน นักรีวิวที่ได้ลองใช้จริงคนหนึ่ง คือ Rohit Rao จาก Segmind ได้ทดสอบ 1.2 โดยตรงข้ามการสร้าง 20 ครั้งด้วยค่าใช้จ่าย $16.17 และข้อสรุปของเขาคือข้อมูลอิสระที่มีประโยชน์ที่สุดเท่าที่มี: การเรียกใช้ใช้เวลา 28 ถึง 136 วินาที ส่วนใหญ่อยู่ในช่วง 40 ถึง 90 วินาที โมเดลนี้ทำตามคำสั่งได้แม่นยำที่สุดเท่าที่เขาเคยทดสอบ และประมาณหนึ่งในสี่ของคำสั่งถูกข้ามไป เขายังพบว่ามันไม่ใช่โมเดลภาพคนสมจริงแบบภาพยนตร์

สกอร์บอร์ดที่ซื่อสัตย์จึงมี InternLumina-U2 พร้อมตัวเลขจากผู้ขายที่มีรายละเอียด แต่ยังไม่มีใครทำซ้ำได้ และขัดแย้งกันเองภายใน กับ Gemini Omni 1.2 Flash ที่แทบไม่มีตัวเลขเลยและมีการทดสอบอิสระเล็กๆ เพียงหนึ่งครั้ง ทั้งสองอย่างไม่ได้เป็นพื้นฐานสำหรับการตัดสินคุณภาพอย่างมั่นใจ

การเปรียบเทียบต้นทุนที่ผู้คนมักเข้าใจผิด

InternLumina-U2 ไม่มีราคา และนั่นไม่เหมือนกับคำว่าฟรี

น้ำหนักโมเดลมีขนาด 67.6 GB กระจายอยู่สองทรี ทรีละเจ็ดชาร์ด โดยแต่ละชาร์ดมีขนาดประมาณ 33.8 GB ดังนั้นการดาวน์โหลดฮาร์ดแวร์รูปแบบเดียวจึงเป็นการดึงข้อมูล 34 GB ก่อนที่คุณจะมีสภาพแวดล้อมที่ใช้งานได้ รีโพซิทอรีต้องใช้ FlashAttention สำหรับเส้นทาง AToken และสำหรับไปป์ไลน์ 3D ต้องใช้ Blender 4.5 การฝึกใช้ Ascend 910B NPU จำนวน 1,024 ตัวกับโทเคน 1.05 ล้านล้านโทเคน ซึ่งบ่งชี้ว่าโมเดลนี้สร้างขึ้นสำหรับคลัสเตอร์ แม้ว่าการอนุมานจะเบากว่ามาก — พารามิเตอร์ที่ใช้งาน 1B ถือเป็นภาระการให้บริการระดับปานกลาง และกลยุทธ์การสุ่มแบบ PHV ในบทความอ้างว่าลดเวลาหน่วงแบบ end-to-end ได้ 4.45 เท่า ที่ความละเอียดเนทีฟ 1024×1024

สิ่งที่คุณจ่ายจริง ๆ คือ GPU หนึ่งตัว เวลาของวิศวกรหนึ่งสัปดาห์เพื่อทำให้สภาพแวดล้อมถูกต้อง และค่าใช้จ่ายด้านพื้นที่จัดเก็บและ egress ตามที่เกิดขึ้นจริง สิ่งที่คุณได้คือการสร้างได้ไม่จำกัดด้วยต้นทุนส่วนเพิ่มเป็นศูนย์ โมเดลที่คุณปรับแต่งได้ และไม่มีผู้ให้บริการรายใดที่สามารถประกาศเลิกใช้ endpoint ที่คุณพึ่งพาอยู่ได้

ต้นทุนของ Omni มองเห็นได้ชัดเจนถึงระดับเซนต์ คลิป 720p ความยาว 15 วินาทีมีค่าใช้จ่ายประมาณ $1.05 ในโทเค็นเอาต์พุต แบบร่าง 360p อยู่ที่ประมาณ $0.35 การอัปสเกลเป็น 4K ของคลิป 15 วินาทีนั้นอยู่ที่ประมาณ $3.14 คุณจ่ายตามวินาทีของเอาต์พุต และจ่ายอีกครั้งทุกครั้งที่ลองใหม่ และการแก้ไขแบบสนทนาทำให้การลองใหม่เป็นเวิร์กโฟลว์ปกติมากกว่าข้อยกเว้น โฆษณา 10 ช็อตที่แก้ไข 3 ครั้งต่อช็อตไม่ใช่งานราคา 15 ดอลลาร์ แต่ใกล้ 60 มากกว่า

โครงสร้างต้นทุนสองแบบนั้นเทียบกันไม่ได้ การเปรียบเทียบ "ฟรีหลังจ่ายค่าทุน" กับ "เจ็ดเซนต์ต่อวินาที" ให้ตัวเลขที่ขึ้นอยู่กับอัตราการใช้งานทั้งหมด และที่ปริมาณงานต่ำ โมเดลที่โฮสต์เองมีต้นทุนต่อภาพสูงกว่าอย่างมาก ที่ปริมาณงานสูง มันถูกกว่าอย่างมาก จุดตัดคือการคำนวณที่คุณต้องทำเองด้วยราคา GPU ของคุณ ไม่ใช่ข้อเท็จจริงที่ใครจะยื่นให้คุณได้

สิ่งที่คุณไม่สามารถได้รับจากทั้งสองฝ่าย

หากคุณต้องการคลิปภาพคนพูดที่มีบทสนทนาซิงก์กับริมฝีปาก InternLumina-U2 ช่วยไม่ได้ และไม่มีทางเลี่ยงอื่นใดนอกจากใช้เครื่องมือสร้างวิดีโอแยกต่างหาก หากคุณต้องการไปป์ไลน์สำหรับทำความเข้าใจแอสเซ็ต 3D — การอ่านเมชหรือคำอธิบายฉากไปพร้อมกับภาพ — Gemini Omni 1.2 Flash ช่วยไม่ได้ และไม่มีทางเลี่ยงอื่นใดนอกจากใช้โมเดลวิชันแยกต่างหาก

ยังมีความแตกต่างด้านเอกสารที่สำคัญกว่าที่ชื่อฟังดูอีก InternLumina-U2 ใช้สัญญาอนุญาต Apache-2.0 ซึ่งหมายความว่าสามารถใช้เชิงพาณิชย์ ดัดแปลง และเผยแพร่ต่อได้โดยต้องระบุที่มา และข้อความสัญญาอนุญาตอยู่บนรีโพซิทอรี ส่วน Gemini Omni 1.2 Flash เป็นบริการแบบโฮสต์ซึ่งข้อกำหนดการใช้งานเป็นตัวกำหนดว่าคุณทำอะไรกับผลลัพธ์ได้บ้าง คลิปทุกชิ้นมีลายน้ำ SynthID ติดมาด้วยไม่ว่าคุณจะต้องการหรือไม่ และการแก้ไขหรือต่อความยาววิดีโอที่อัปโหลดนั้นใช้ไม่ได้ใน EEA สวิตเซอร์แลนด์ และสหราชอาณาจักร สำหรับทีมในลอนดอนที่สร้างผลิตภัณฑ์บนพื้นฐานของการตัดต่อวิดีโอแบบสนทนา ข้อจำกัดระดับภูมิภาคนี้ถือเป็นข้อตัดสิทธิ์ในแบบที่การเปรียบเทียบ benchmark ไม่มีทางเผยให้เห็น

OrcaRouter อยู่ตรงไหน พูดตามตรง

ทั้งสองโมเดลไม่ได้อยู่ในแคตตาล็อกของเรา google/gemini-omni-1.2-flash ส่งคืน 404 บนหน้าโมเดลของ OrcaRouter และ InternLumina-U2 ไม่มีปลายทางที่โฮสต์ไว้ที่ใดเลย — การ์ดของมันระบุไว้เช่นนั้น และมีเพียง Space ของชุมชนเท่านั้นที่ใช้งานมัน ดังนั้นไม่มีการเรียก API ของเราที่ไปถึงทั้งสองตัว และบทความนี้ขอระบุเช่นนั้นมากกว่าที่จะสื่อเป็นนัยถึงโฮสต์ที่เราไม่มี

สิ่งที่เกตเวย์ครอบคลุมคือชั้นที่ทั้งสองเวิร์กโหลดตั้งอยู่ภายใน ไปป์ไลน์ InternLumina-U2 ที่โฮสต์เองยังต้องใช้โมเดลข้อความเพื่อเขียนพรอมป์ต์ ให้คะแนนเอาต์พุต และจัดการเส้นทางเมื่อเกิดความล้มเหลว และนั่นคือการเรียกที่เราให้บริการผ่านโมเดลมากกว่า 200 โมเดลบนคีย์เดียวพร้อมการสลับเมื่อเกิดข้อขัดข้องอัตโนมัติ ในฝั่ง Omni เนื่องจาก OrcaRouter ส่งผ่านราคาตามรายการของผู้ให้บริการโดยมีมาร์กอัป 0% การลดราคาของ Google จึงส่งผลถึงฝั่งเราในวันเดียวกัน แทนที่จะเป็นรอบบิลถัดไป — และสายผลิตภัณฑ์ Omni ได้ปรับอัตราวิดีโอไปแล้วครั้งหนึ่งในปีนี้ จาก $17.50 เป็น $12.00 ต่อหนึ่งล้านโทเค็นเอาต์พุต หากคุณกำลังเปรียบเทียบการสร้างแบบโฮสต์เองกับการเช่า ฝั่งที่เช่าซึ่งเปลี่ยนแปลงไปภายใต้คุณคือตัวแปรที่ใบแจ้งหนี้แบบส่งผ่านทำให้มองเห็นได้ชัดเจน

วิธีตัดสินใจ

สร้างต่อยอดบน InternLumina-U2 หากคุณต้องการภาพ ต้องการความเข้าใจ 3D หรือวิดีโอภายในโมเดลเดียวกัน มีกำลัง GPU ที่คุณจ่ายเงินอยู่แล้ว และเงื่อนไขใบอนุญาตมีความสำคัญต่อผลิตภัณฑ์ของคุณ ยอมรับว่าคุณกำลังใช้งานชิ้นงานวิจัย: เกณฑ์มาตรฐานเป็นของผู้เขียนเอง ตาราง GenEval ขัดแย้งกันเอง และเครื่องมือคาดหวังสแตกเฉพาะ

ซื้อ Gemini Omni 1.2 Flash หากคุณต้องการภาพเคลื่อนไหวพร้อมเสียง ต้องการ endpoint ที่ใช้งานได้ตั้งแต่วันนี้ และปริมาณการใช้งานของคุณต่ำพอที่การคิดค่าบริการรายวินาทีจะถูกกว่าการปล่อย GPU ให้ idle ไว้ จงยอมรับว่าคุณไม่มี benchmark ด้านคุณภาพ ไม่มีโหมดส่งออกข้อความ ไม่มี negative prompt มีข้อจำกัดด้านภูมิภาคสำหรับฟีเจอร์การตัดต่อ และมีลายน้ำในทุกเฟรม

ข้อผิดพลาดที่ต้องหลีกเลี่ยงคือการมองว่านี่คือการแข่งขันเปรียบเทียบแบบ bake-off มันเป็นการตัดสินใจจัดซื้อระหว่างการดาวน์โหลดกับมิเตอร์ และคำถามเรื่องคุณภาพของโมเดล — คำถามที่ผู้ขายทั้งสองรายอยากให้คุณโต้เถียงกัน — เป็นคำถามที่มีหลักฐานน้อยที่สุดจากทั้งสองฝ่าย