InternLumina-U2 พรีวิว: โมเดล Diffusion 16B หนึ่งเดียวสำหรับภาพ วิดีโอ และ 3D — weights กำลังจะมา

เมื่อเวลา 04:03 UTC วันที่ 1 กันยายน 2026 Shanghai AI Laboratory ได้สร้างคลังที่เก็บ GitHub ชื่อ InternLumina-U2 ขึ้นมา สิบสามนาทีต่อมา องค์กรเดียวกันก็ได้ลงทะเบียนคลังที่เก็บที่มีชื่อเหมือนกันบน Hugging Face ไม่มีโพสต์เปิดตัว ไม่มีการ์ดโมเดล และไม่มีการประกาศใดๆ ทั้งสิ้น — มีเพียงโค้ดสำหรับการอนุมานของ InternLumina-U2 ซึ่งเป็นโมเดล mixture-of-experts ขนาด 16B พารามิเตอร์ (ใช้งาน 1B) ที่ห้องปฏิบัติการแห่งนี้เรียกว่าเป็นโมเดลเดียวที่ครอบคลุมความเข้าใจภาพ การสร้างภาพจากข้อความ การแก้ไขภาพ ความเข้าใจวิดีโอ และความเข้าใจ 3 มิติ ผ่านอินเทอร์เฟซโทเคนแบบไม่ต่อเนื่องเพียงชุดเดียว โค้ดมีจริงและเปิดเผยต่อสาธารณะ แต่ตัวโมเดลเองยังไม่มี — ในตอนนี้ น้ำหนักของโมเดลถูกระบุว่า "เร็วๆ นี้" คลังที่เก็บบน Hugging Face เป็นเพียงตัวแทนว่างเปล่า และรายงานทางเทคนิคที่ให้สัญญาไว้ก็ยังไม่ปรากฏ สิ่งที่ถูกเผยแพร่ออกไปอย่างเงียบๆ ในวันที่ 1 กันยายน ยังคงเป็นภาพรวมสาธารณะที่สมบูรณ์ที่สุดของโมเดลนี้ที่มีอยู่ ณ ที่ใดก็ตาม

หากนี่เป็นครั้งแรกที่คุณได้ยินเกี่ยวกับ InternLumina-U2 นั่นแหละคือประเด็น ไม่มีการประกาศใดๆ เกี่ยวกับการเปิดตัวครั้งนี้ และดูเหมือนจะยังไม่มีบทความจากสื่ออิสระใดปรากฏอยู่เลย — บทความที่ส่งสัญญาณตั้งแต่เนิ่นๆ คือจุดแรกที่โมเดลแบบนี้จะโผล่ขึ้นมา ก่อนโพสต์เปิดตัว และบางครั้งก็ก่อนที่น้ำหนักของโมเดล (weights) จะถูกปล่อยออกมา เนื้อหาทั้งหมดด้านล่างดึงมาจากคลัง GitHub หน้าโปรเจกต์ และหน้า stub บน Hugging Face ซึ่งทีมงานวิจัยเผยแพร่เองเมื่อวันที่ 1 กันยายน และสิ่งใดที่นอกเหนือจากแหล่งข้อมูลเหล่านี้จะถูกระบุไว้อย่างชัดเจนว่าเป็นการคาดเดา

สิ่งที่เปิดตัวจริง ๆ เมื่อวันที่ 1 กันยายน

ที่เก็บ GitHub InternLM/InternLumina-U2 ถูกสร้างขึ้นเมื่อวันที่ 1 กันยายน 2026 และในวันนั้นมีการคอมมิตสามครั้ง ได้แก่ คอมมิตเริ่มต้น, คอมมิตที่ระบุลิงก์โมเดลว่า “เร็วๆ นี้” และผลการเทียบมาตรฐานว่า “เบื้องต้น”, และคอมมิตแก้ไขการนำทาง ที่เก็บนี้อยู่ภายใต้สัญญาอนุญาต Apache-2.0 และมี README ชื่อว่า “Intern Lumina U2: A Multi-Codebook Diffusion Large Language Model for Omni-Visual Understanding, Image Generation and Editing” ทั้งเวอร์ชันภาษาอังกฤษและภาษาจีน พร้อมทั้งเครื่องมืออินเฟอเรนซ์แบบครบวงจรและแผนงาน (roadmap) จุดที่น่าสังเกตคือ รายการข่าวของที่เก็บนี้ระบุ “[2026-08]” แต่คอมมิตเริ่มต้นและไทม์สแตมป์ทั้งสองของที่เก็บกลับเป็นวันที่ 1 กันยายน 2026 — ดังนั้นควรถือว่าต้นเดือนกันยายนเป็นวันวางจำหน่ายจริง ไม่ใช่เดือนสิงหาคม ที่เก็บที่แสดงด้านล่างนี้คือการเปิดตัวต่อสาธารณะทั้งหมด: ไฟล์ทุกไฟล์ที่เห็นในโครงสร้างไดเรกทอรีเป็นส่วนหนึ่งของสิ่งที่เผยแพร่ และยังไม่มีสิ่งใดเพิ่มเติมจากที่อื่นอีก

• GitHub — InternLM/InternLumina-U2 สร้างเมื่อวันที่ 2026-09-01 ภายใต้สัญญาอนุญาต Apache-2.0 พร้อมด้วยโค้ดสำหรับการอนุมาน (inference) ในงานข้อความ การสร้างภาพจากข้อความ การทำความเข้าใจภาพ การแก้ไขภาพ การทำความเข้าใจวิดีโอ และการทำความเข้าใจแบบ 3 มิติ

• Hugging Face — internlm/InternLumina-U2, created 2026-09-01, currently holds only a .gitattributes file and a 28-byte README whose entire content is the Apache-2.0 license header. No weights, no config, no tokenizer files.

• หน้าโปรเจกต์ — internlm.github.io/InternLumina-U2 พร้อมด้วยภาพสถาปัตยกรรม ตาราง benchmark เบื้องต้น และเดโม่ชั่วคราว; รายงานทางเทคนิคระบุว่า "เร็ว ๆ นี้"

โค้ดสำหรับการอนุมานถูกจัดระเบียบเป็นสคริปต์ไดรเวอร์ตัวเดียวที่มีส่วนสำหรับแต่ละภารกิจ ได้แก่ การสร้างข้อความธรรมดา การสร้างภาพจากข้อความที่ความละเอียดสูงสุด 1024×1024 พร้อมค่า CFG และจำนวน timesteps ที่ปรับตั้งได้ การทำความเข้าใจภาพทั้งบนภาพธรรมชาติและแผนภูมิที่มีข้อมูลหนาแน่น การแก้ไขภาพตามคำสั่งพร้อมโหมด dual-CFG ที่เป็นตัวเลือก การทำความเข้าใจวิดีโอจาก 64 เฟรมที่สุ่มตัวอย่าง และการทำความเข้าใจ 3D บนไฟล์ GLB/GLTF ที่ถูกเรนเดอร์เป็นมุมมองสีและความลึก 64 มุมมองผ่านไปป์ไลน์ Blender ที่มาพร้อมกับการติดตั้งก่อนการแปลงเป็นโทเค็น ความกว้างขวางของภารกิจเหล่านี้คือแนวคิดหลักของการออกแบบโมเดลทั้งหมด และควรหยุดพิจารณาสักครู่ก่อนที่จะลงลึกไปในสถาปัตยกรรม

หนึ่งโมเดล หกงาน หนึ่งชุดคำศัพท์โทเคน

InternLumina-U2 อยู่ในงานวิจัยสายที่ก้าวหน้าอย่างรวดเร็วซึ่งเดิมพันว่าภาษาและภาพควรใช้ส่วนต่อประสานโทเค็นแบบไม่ต่อเนื่องร่วมกัน (discrete-token interface) แทนที่จะแยกอยู่ในกลุ่มการทำความเข้าใจและการสร้างที่ต่างหาก งานก่อนหน้าของห้องแล็บเองในทิศทางนี้ — Lumina-DiMOO โมเดล discrete-diffusion แบบรวมที่แสดงในงาน WAIC 2025 — ถูกอ้างอิงเคียงข้าง LLaDA2.0-Uni, Show-o2 และ MMaDA ในฐานะระบบบุกเบิกที่ InternLumina-U2 สร้างต่อยอดและอ้างว่าเหนือกว่า ข้อเดิมพันเฉพาะของ InternLumina-U2 คือ คอขวดของโมเดลรวมเหล่านี้ไม่ได้อยู่ที่สถาปัตยกรรม แต่อยู่ที่คำศัพท์ทางภาพ (visual vocabulary): codebook เดียวจำกัดปริมาณข้อมูลที่โทเค็นภาพหนึ่งตัวจะบรรทุกได้ ขณะที่ไฮบริดแบบไม่ต่อเนื่อง–ต่อเนื่องซึ่งแยกความเข้าใจและการสร้างข้ามการนำเสนอที่ต่างกัน บังคับให้โมเดลต้องรักษาสองกลุ่มอยู่ดี

คำตอบของ InternLumina-U2 คือ การสร้างแบบจำลองแบบไม่ต่อเนื่องเต็มรูปแบบด้วยโค้ดบุ๊กหลายชุด. ทางด้านภาพใช้โทเคนไนเซอร์ AToken ของ Apple ซึ่งอธิบายตำแหน่งภาพแต่ละตำแหน่งด้วยโค้ดบุ๊กเสริมแปดชุด เพื่อรักษาพื้นผิวเฉพาะที่ ข้อความที่ฝังอยู่ เรขาคณิต และรายละเอียดความถี่สูงไว้โดยไม่เพิ่มความยาวของลำดับ ทางด้านอินพุต โค้ดบุ๊กทั้งแปดชุดแต่ละชุดมีเอมเบดดิ้งของตัวเอง และเอมเบดดิ้งทั้งแปดของแต่ละตำแหน่งจะถูกต่อกันแล้วฉายเป็นโทเคนแบ็กโบนหนึ่งตัว ทางด้านเอาต์พุต การทำนายเป็นแบบขนานเชิงพื้นที่แต่เป็นแบบออโตรีเกรสซีฟตามความลึกของโค้ดบุ๊ก กล่าวคือ แบ็กโบนแบบดิฟฟิวชันจะดีนอยส์ตำแหน่งเชิงพื้นที่ที่ถูกมาสก์ไว้จำนวนมากพร้อมกัน จากนั้นหัวแบบออโตรีเกรสซีฟที่ใช้หลายโค้ดบุ๊กจะทำนายโค้ดทั้งแปดของแต่ละตำแหน่งตามลำดับ

• ขนาด — พารามิเตอร์ทั้งหมด 16B ใช้งาน 1B (16B-A1B) เป็น MoE แบบสปาร์ส

• แกนหลักภาษา — โมเดลภาษาแบบ diffusion รุ่น LLaDA-2.0 MoE ซึ่งขยายเป้าหมายแบบ block-diffusion ไปสู่งานด้านภาพผ่านการฝึกแบบ multi-task ร่วมกัน (คำอธิบายจากผู้จำหน่าย)

• การแทนเชิงภาพ — โทเคนแบบไม่ต่อเนื่องโดยสมบูรณ์ 8 โค้ดบุ๊กจากตัวแยกโทเคน AToken ของ Apple

• ฮาร์ดแวร์ — รองรับทั้ง NVIDIA GPUs และ Huawei Ascend NPUs สำหรับการฝึกสอน การประเมินผล และการอนุมานผล โดยผลลัพธ์เชิงตัวเลขสอดคล้องกันในระดับโอเปอเรเตอร์ระหว่างแบ็กเอนด์ทั้งสอง

ในทางปฏิบัติ สิ่งที่สิ่งนั้นให้มา หากข้อกล่าวอ้างเป็นจริง ก็คือความฝันที่เก่าแก่ที่สุดของวงการมัลติโมดัล: ชุดน้ำหนักชุดเดียวที่สามารถอ่านภาพ แก้ไขภาพ วาดภาพใหม่จากข้อความ ตอบคำถามเกี่ยวกับวิดีโอ และอธิบายชิ้นงาน 3 มิติ — โดยที่ความเข้าใจและการสร้างเนื้อหาส่งเสริมซึ่งกันและกันผ่านอินเทอร์เฟซเดียวกัน แทนที่จะถูกนำมาปะติดปะต่อจากโมเดลเฉพาะทาง และนั่นก็เป็นข้อกล่าวอ้างที่ควรจับตามองด้วยความกังขาที่สุดเช่นกัน เพราะเป็นข้อที่ยากจะทำให้เป็นจริงได้มากที่สุด

ตัวเลขเหล่านี้ อย่างที่มันเป็นอยู่นั้น

ทุกเกณฑ์มาตรฐานที่ InternLumina-U2 มีนั้นเป็นข้อมูลที่รายงานโดยผู้จำหน่าย ยังเป็นผลเบื้องต้นและไม่สมบูรณ์ ไฟล์ README และหน้าโครงการก็ระบุไว้เช่นนั้นเอง: "Preliminary, partial results. Full comparison tables will appear in the upcoming technical report." ไม่มีการประเมินโดยอิสระใดๆ เกิดขึ้น เนื่องจากน้ำหนัก (weights) ยังไม่ถูกเปิดเผยต่อสาธารณะ โปรดถือว่าตัวเลขด้านล่างนี้เป็นการกล่าวอ้างของห้องปฏิบัติการเอง ไม่ใช่คะแนนที่ผ่านการตรวจสอบแล้ว

• ความเข้าใจแผนภูมิ/เอกสาร — ChartQA 86.52, CharXiv-DQ 83.65 (ตามรายงานของผู้จำหน่าย).

• การให้เหตุผลทางคณิตศาสตร์ด้วยภาพ — MathVision 33.22, DynaMath 56.37; ห้องแล็บระบุว่าสิ่งนี้เหนือกว่า InternVL3-8B ที่รองรับเฉพาะความเข้าใจในทั้งสองชุด

• ความทนทานต่อการหลอน — HallusionBench 62.15.

• ความเข้าใจวิดีโอ — VideoMME 51.26, MVBench 59.74, MLVU 57.03 (หน้าโปรเจกต์).

• ความเข้าใจ 3D — 3D MM-Vet 41.8.

• การสร้างภาพจากข้อความ — DPG-Bench 87.10, TIIF-Bench Short/Long 84.60/85.95, GenEval 0.81 (หน้าโปรเจกต์).

• การแก้ไขภาพ — ImgEdit 3.83.

ในเรื่องการเปรียบเทียบนี้ ผู้อ่านที่ซื่อตรงควรชะลอความเร็วลง ไฟล์ README อ้างว่า InternLumina-U2 เหนือกว่าโมเดลรวมอย่าง InternVL-U, LLaDA2.0-Uni, Show-o2 และ Lumina-DiMOO ในเกณฑ์วัดความเข้าใจแบบละเอียดและการสร้าง — แต่ตารางบนหน้าโปรเจกต์เองแสดงว่า InternLumina-U2 ได้คะแนน GenEval 0.81 ในขณะที่ LLaDA2.0-Uni ได้ 0.89 ดังนั้นโมเดลดังกล่าวจึงตามหลังคู่แข่งอย่างน้อยหนึ่งรายในเมตริกการสร้างหลักอย่างน้อยหนึ่งเมตริก การเลือกตัวเลขที่ดูดีเพียงไม่กี่ตัวจากตารางที่ไม่สมบูรณ์ คือสิ่งที่ข้อแม้ “ตารางเปรียบเทียบฉบับเต็มอยู่ในรายงานเทคนิค” ถูกออกแบบมาเพื่อทำให้เบาลง ตัวเลขเหล่านี้เป็นเพียงสัญญาณบอกทิศทางจากห้องแล็บเท่านั้น และไม่ได้มีความหมายมากไปกว่านั้น

อะไรคือความจริงเทียบกับสิ่งที่ถูกสัญญาไว้

ขอบเขตของการปล่อยรุ่นนี้ชัดเจนอย่างผิดปกติ และมันสำคัญสำหรับผู้ที่กำลังตัดสินใจว่าวันนี้จะลองใช้ได้หรือไม่ สิ่งที่ปล่อยออกมา: โค้ดสำหรับการอนุมาน (inference) สิ่งที่ไม่ได้ปล่อย: น้ำหนักของโมเดล (weights), โค้ดสำหรับการฝึก (ซึ่งให้สัญญาไว้ว่าจะอยู่ใน repository แยกต่างหาก), ชุดสแตกสำหรับการฝึกและการอนุมานบน Ascend, และรายงานทางเทคนิค repository ของ Hugging Face ที่จะเก็บโมเดลในท้ายที่สุดยังเป็นเพียงโครงร่าง (stub) — ภาพหน้าจอด้านล่างคือเนื้อหาทั้งหมดในปัจจุบันของหน้าที่ผู้อ่านไปถึงเมื่อคลิกลิงก์ "Model (coming soon)" ใน README

แม้แต่โค้ดที่ปล่อยออกมาแล้วก็ยังไม่สามารถสร้างเอาต์พุตได้ในตอนนี้ ไดรเวอร์การอนุมานคาดว่าจะมีไดเรกทอรี checkpoint ของ Hugging Face ที่แบ่งส่วน และน้ำหนักของ AToken tokenizer อยู่ในพาธเฉพาะเจาะจง — ซึ่งทั้งสองอย่างไม่ได้อยู่ใน repository — ดังนั้นสิ่งที่ดาวน์โหลดได้ในวันนี้จึงเป็นเพียงข้อกำหนดว่าโมเดลจะทำงานอย่างไร ไม่ใช่โมเดลที่ทำงานจริง และเมื่อน้ำหนักของโมเดลปล่อยออกมาจริง ๆ การโฮสต์ด้วยตัวเองก็จะไม่ใช่งานที่แค่รัน pip install ธรรมดา โมเดลนี้ใช้ block-diffusion generate API แทนอินเทอร์เฟซ generate มาตรฐานของ Transformers, AToken tokenizer ต้องใช้ FlashAttention, โค้ดต้องการ GPU ที่มองเห็นได้ในตอน import, ไดรเวอร์หลักเป็นแบบ single-process, และไปป์ไลน์ 3D กำหนดให้ใช้ Blender 4.5 สำหรับการเข้ารหัสแอสเซท นั่นคือโปรเจกต์การใช้งานจริง ไม่ใช่การทดลองในสุดสัปดาห์ — ซึ่งเป็นอุปสรรคประเภทที่เลเยอร์การจัดเส้นทางมีไว้เพื่อรองรับให้ทีมส่วนใหญ่พอดี

เมื่อน้ำหนักตกลงมา จงปฏิบัติต่อมันเหมือนแบบจำลองที่ยังไม่ผ่านการพิสูจน์อย่างที่มันเป็น

ไม่มีใครสามารถรัน InternLumina-U2 ได้ในวันนี้ และไม่มีผู้ให้บริการรายใดสามารถให้บริการได้ เพราะค่าน้ำหนักของโมเดลไม่มีอยู่ในที่สาธารณะ สิ่งนั้นจะเปลี่ยนไป ณ จุดหนึ่ง — ใบอนุญาต Apache-2.0 และรูปแบบการเปิดซอร์สเชิงรุกของแล็บในปี 2026 (การผลักดัน "เปิดทุกอย่าง" ของ ArchSpace, InternVL3.5, โมเดลวิทยาศาสตร์ตระกูล Intern-S2) ทำให้การปล่อยน้ำหนักเป็นเรื่องที่น่าจะเกิดขึ้น มากกว่าจะเป็นเพียงสมมุติฐาน เมื่อถึงเวลานั้น ขั้นแรกที่สมเหตุสมผลไม่ใช่การนำไปป์ไลน์การผลิตไปวางเดิมพันกับโมเดลดิฟฟิวชันที่เพิ่งเปิดตัววันแรก ซึ่งมีข้อกำหนดการให้บริการที่ไม่ธรรมดาและไม่มีการประเมินโดยอิสระแม้แต่ครั้งเดียว แต่คือการรันมันเคียงข้างกับโมเดลที่คุณไว้วางใจอยู่แล้ว บนเส้นทางทดสอบ โดยมีการสลับไปใช้โมเดลที่พิสูจน์แล้วโดยอัตโนมัติทันทีที่โมเดลใหม่ทำงานผิดปกติ นี่คือกรณีการใช้งานที่เลเยอร์การจัดเส้นทางถูกสร้างขึ้นมา: API เดียวที่ครอบคลุมโมเดลกว่า 200 รายการ ราคารายการของผู้ให้บริการส่งผ่านด้วยมาร์กอัป 0% และการสลับอัตโนมัติที่เปลี่ยน "ลองของใหม่" ให้เป็นกฎการจัดเส้นทางแทนที่จะเป็นการย้ายระบบ OrcaRouter ถูกตั้งค่าในลักษณะนั้น — และเพื่อความชัดเจน เราไม่ได้จัดเส้นทาง InternLumina-U2 และไม่สามารถทำได้ เพราะค่าน้ำหนักของโมเดลยังไม่ถูกปล่อยออกมา ส่วนนี้กล่าวถึงขั้นตอนการทำงานสำหรับช่วงเวลาที่มีการปล่อยน้ำหนักแล้ว ไม่ใช่การอ้างว่าโมเดลนี้พร้อมให้บริการที่ใดในวันนี้

สิ่งที่ควรดูต่อไป

เหตุการณ์สี่อย่างจะเปลี่ยน InternLumina-U2 จากขั้นพรีวิวไปสู่ของจริง เรียงตามโอกาสความเป็นไปได้โดยคร่าว ๆ ประการแรก {{1}}เมื่อ Hugging Face repository เริ่มถูกเติมข้อมูล: ไฟล์ safetensors, ไฟล์ config และน้ำหนักของ AToken tokenizer ปรากฏขึ้นในสตับนั้น นี่คือจังหวะที่โมเดลมีอยู่จริง{{/1}} ประการที่สอง {{2}}รายงานทางเทคนิค ซึ่งควรจะมีตารางเปรียบเทียบฉบับเต็ม และจะทำให้ตัวเลขบางส่วนที่ผู้ผลิตให้ไว้ข้างต้นกลายเป็นสิ่งที่ตรวจสอบได้{{/2}} ประการที่สาม {{3}}ที่เก็บโค้ดการฝึกโมเดลและ Ascend stack ซึ่งสำคัญสำหรับใครก็ตามที่ต้องการทำ fine-tune หรือรันโมเดลนี้บนฮาร์ดแวร์ที่ไม่ใช่ NVIDIA{{/3}} ประการที่สี่ {{4}}การประเมินอิสระครั้งแรก ไม่ว่าจะเป็นค่า Elo ในอารีนา หรือการรัน ChartQA หรือ GenEval ที่ทำซ้ำ ซึ่งจะทดสอบคำสัญญา "หนึ่งโมเดล หกภารกิจ" โดยไม่มีความลำเอียงในการเลือกของแล็บเอง{{/4}} การที่โค้ดเปิดเป็นสาธารณะตั้งแต่วันที่ 1 กันยายน หมายความว่าเรารู้จักสถาปัตยกรรมได้อยู่แล้ว ส่วนการที่ยังไม่มีน้ำหนัก (weights) หมายความว่าทุกอย่างเกี่ยวกับคุณภาพจริงยังเป็นเพียงข้อกล่าวอ้าง จับตาที่ที่เก็บโมเดล (model repository) มากกว่าฟีดประกาศ — ส่วนที่น่าสนใจเปิดเป็นสาธารณะอยู่แล้ว และตัวโมเดลเองก็คงตามมาไม่ไกล