LFM3-Omni-2B กับ InternLumina U2: สองโมเดล สองความหมายของ Omni
- Orcaใหม่OrcaCyber: GLM 5.3 Flash Abliterated2026-10-2780 tok/s
- Orcaใหม่OrcaCyber: Qwen3.8 Flash Next Abliterated2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 283 tok/s
- Orcaใหม่OrcaCyber: MiMo V2.6 Flash Abliterated2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 83 tok/s
- Moonshotใหม่MoonshotAI: Kimi K3.1 Pro2026-10-2455ความฉลาด
- Orcaใหม่OrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 119 tok/s
- minimaxใหม่MiniMax: M3.1 Flash2026-10-1943ความฉลาด
- Orcaใหม่Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 45 tok/s
- deepseekใหม่DeepSeek: DeepSeek V4.1 Flash 10172026-10-1745ความฉลาด
- DeepSeekใหม่DeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 113 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 700 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2138ความฉลาด
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2146ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 160 tok/s
LFM3-Omni-2B และ InternLumina U2 ถูกจัดไว้ใต้หมวด "omni" ทั้งคู่ และทั้งสองไม่ได้อยู่ในธุรกิจเดียวกัน โมเดลที่มีพารามิเตอร์ 2.17 พันล้านตัวของ Liquid AI รับข้อความ รูปภาพ วิดีโอ และเสียงเข้า และให้ข้อความหรือเสียงพูด 24 กิโลเฮิรตซ์ออกมา InternLumina U2 ของ Shanghai AI Laboratory รับข้อความ รูปภาพ วิดีโอ และ 3D เข้า และให้ข้อความหรือ รูปภาพ ตัวหนึ่งคือปาก อีกตัวคือมือ เกือบทุกการเปรียบเทียบระหว่างสองตัวนี้ที่คุณจะพบ จะใช้ความยาวไปกับ benchmark ที่มีเพียงฝ่ายเดียวเท่านั้นที่เข้าร่วมได้ด้วยซ้ำ ซึ่งเป็นเหตุผลว่าคำถามที่มีประโยชน์จึงแคบกว่าและตอบได้ถูกกว่า: ผลิตภัณฑ์ของคุณขาด "omni" ครึ่งไหนไป
การเปิดตัวทั้งสองครั้งยังมาในรูปแบบที่ตรงกันข้าม และเรื่องนี้สำคัญกว่าที่เคยเป็นตามปกติ Liquid AI ประกาศตระกูล LFM3 เมื่อวันที่ 27 ตุลาคม 2026 ในโพสต์เดียวที่ครอบคลุมโมเดลระดับ 2B จำนวนหกตัว โดย LFM3-Omni-2B เป็นเพียงหนึ่งบรรทัดในโพสต์นั้น ไม่ใช่การเปิดตัวของตัวเอง — น้ำหนักโมเดลของมันอยู่ในที่เก็บสาธารณะตั้งแต่วันที่ 21 ตุลาคมแล้ว InternLumina U2 ไปอีกทางหนึ่ง: โค้ดอินเฟอเรนซ์และหน้าโปรเจกต์ปรากฏเมื่อวันที่ 1 กันยายน น้ำหนักโมเดลตามมาทีหลังในโฟลเดอร์เฉพาะฮาร์ดแวร์ และไม่มีการประกาศใด ๆ เลย ทั้งสองโมเดลไม่มีตัวเลขใดที่บุคคลที่สามทำซ้ำได้ ตัวเลขทุกตัวด้านล่างคือผู้ขายบรรยายตัวเอง
การปฏิเสธบอกอะไรคุณได้มากกว่าสเปก
รายการสเปกถูกเขียนขึ้นเพื่อทำให้โมเดลดูเข้ากันได้ จงเริ่มจากสิ่งที่แต่ละโมเดลรับไม่ได้ในทางกายภาพแทน เพราะรายการทั้งสองไม่ทับซ้อนกันเลย
LFM3-Omni-2B วาดภาพไม่ได้ ในสแต็กมีตัวเข้ารหัสภาพ (vision encoder) อยู่ แต่ทำได้เพียงอ่านเท่านั้น เส้นทางเอาต์พุตเป็นข้อความและเสียง หากขอให้แก้ไขรูปภาพ คำตอบที่ตรงไปตรงมาคือคำขอนั้นไม่มีการแทนค่าในโมเดล
InternLumina U2 พูดไม่ได้ มันไม่มีตัวเข้ารหัสเสียง ไม่มีตัวแปลงโทเคนของ codec ไม่มีส่วนหัวสำหรับเสียงพูด ถ้าส่งไฟล์ WAV ให้มัน ก็ไม่มีอะไรในสถาปัตยกรรมที่รับไฟล์นั้นได้ ความเป็น "omni" ของมันคือการเดิมพันว่าการเข้าใจและการสร้างควรอยู่ในแกนหลักเชิงภาพเดียว คำศัพท์เอาต์พุตของมันคือโทเคนข้อความและภาพ ไม่ใช่รูปคลื่นเสียง
ดังนั้นคำถามแรกจึงไม่ใช่โมเดลไหนทำคะแนนได้สูงกว่า แต่เป็นว่าเวิร์กโหลดของคุณต้องการเสียงสังเคราะห์หรือภาพที่แก้ไขแล้ว เพราะในแต่ละฝั่งมีเพียงหนึ่งในสองอย่างนั้นให้ใช้ได้ และไม่มีโมเดลใดที่จะพัฒนาความสามารถอีกอย่างขึ้นมาได้จากการ fine-tune นั่นเป็นคุณสมบัติของโทเคไนเซอร์ ไม่ใช่ของคุณข้อมูลฝึก
คนหนึ่งบอกประโยค อีกคนขัดเกลาให้ดีขึ้น
สถาปัตยกรรมเหล่านี้แตกต่างกันในระดับที่ลึกกว่าจำนวนพารามิเตอร์ และความแตกต่างนั้นอธิบายการแบ่งแยกด้านความสามารถได้
LFM3-Omni-2B เป็นโมเดลออโตรีเกรสซีฟ โครงสร้างหลัก LFM3 ขนาด 1.7 พันล้านพารามิเตอร์อ่านโทเคนจากตัวเข้ารหัสภาพ LFM3 และตัวเข้ารหัสเสียงแบบ causal ของ LFM3 แล้วส่งออกโทเคนข้อความหรือโทเคนเสียงพูด LiquidCodec จากซ้ายไปขวา วิดีโอถูกสุ่มตัวอย่างที่ 2 เฟรมต่อวินาที และแต่ละแพตช์ภาพขนาด 2×2 ยุบรวมเป็นโทเคนภาษาเดียว ซึ่งเป็นวิธีที่โมเดลขนาด 2.17B ทำให้หน้าต่าง 32K ยังใช้งานได้บนโทรศัพท์ เสียงพูดออกมาที่ 24 kHz ส่วนเสียงเข้าที่ 16 kHz โมโน
InternLumina U2 เป็นโมเดลภาษาดิฟฟิวชัน และนั่นคือส่วนที่ควรหยุดพิจารณาให้ดี มันไม่ได้สร้างทีละโทเคน แต่เริ่มจากสัญญาณรบกวนแล้วค่อยๆ ปรับแต่งทั้งลำดับพร้อมกัน โดยใช้วัตถุประสงค์การแพร่แบบปิดบัง การแสดงภาพของมันเป็นแบบไม่ต่อเนื่องโดยสมบูรณ์ — มีสมุดรหัสแปดเล่มของโทเคนภาพ AToken ต่อหนึ่งตำแหน่ง เชื่อมต่อกันฝั่งอินพุต และทำนายทีละสมุดรหัสฝั่งเอาต์พุต การสร้างภาพจึงเป็นการดำเนินการเดียวกับการตอบคำถาม: ลดสัญญาณรบกวนในลำดับของโทเคนภาพ นี่คือการเดิมพันที่แตกต่างอย่างแท้จริงจากการเดิมพันที่โมเดลหลายรูปแบบเปิดทุกตัวอื่นกำลังทำ และเป็นเหตุผลว่าทำไมโมเดลนี้จึงสร้างภาพได้เลย
ต้นทุนของการเดิมพันนั้นคือเครื่องมือ InternLumina ไม่ใช่ไปป์ไลน์ transformers ที่เรียกใช้ได้ในสามบรรทัด การ์ดโมเดลกำหนดให้ต้องใช้ตัวตัดคำ AToken พร้อม FlashAttention, API สำหรับ generate แบบ block-diffusion ที่สร้างขึ้นเอง และ Blender 4.5 หากต้องการเรนเดอร์เอาต์พุต 3D เมื่อเทียบกันแล้ว LFM3-Omni-2B มาในรูปแบบน้ำหนัก BF16 ธรรมดา พร้อมเส้นทางการปรับแต่งละเอียดที่มีเอกสารกำกับ และบิลด์ Ollama ที่เผยแพร่หมุนเวียนอยู่แล้ว—โดยรายการหนึ่งระบุบริบท 125K เทียบกับ 32K ในการ์ดโมเดล ซึ่งเป็นความคลาดเคลื่อนที่ยังไม่มีใครอธิบายได้
สเปกที่ตัดสินว่าพอดีหรือไม่
• พารามิเตอร์ — LFM3-Omni-2B แบบ dense จำนวน 2.17B; InternLumina U2 รวม 16B โดยมี 1B ที่ active ใน sparse mixture of experts
• เอาต์พุต — ข้อความและเสียงพูด 24 kHz รวมถึงข้อความและเสียงพูดที่สลับแทรกกัน เทียบกับข้อความและภาพที่สร้างหรือแก้ไข
• อินพุต — ข้อความ รูปภาพ วิดีโอที่มีหรือไม่มีเสียง และเสียง 16 kHz เทียบกับข้อความ รูปภาพ วิดีโอ และ 3D
• บริบท — 32K โทเคน ครอบคลุมทั้งอินพุตและเอาต์พุต เมื่อเทียบกับความยาวบริบทที่การ์ด InternLumina ยังไม่ระบุ
• ภาษา — ภาษาข้อความ 16 ภาษาและโลแคลเสียง 19 รายการสำหรับ LFM3-Omni-2B; InternLumina ไม่เปิดเผยจำนวน
• สัญญาอนุญาต — LFM Open License v1.0 ซึ่งเป็นสัญญาอนุญาตแบบกำหนดเกณฑ์รายได้ เมื่อเทียบกับ Apache 2.0 ที่มีข้อยกเว้นสำหรับโค้ด AToken และ VeOmni ที่รวมมาให้
• ฮาร์ดแวร์ — สมาร์ทโฟน แล็ปท็อป และบอร์ดเอดจ์อยู่ในฝั่งหนึ่ง ส่วนอีกฝั่งหนึ่งเป็นเช็กพอยต์ที่แยกออกเป็นทรี ascend/ ซึ่งเทรนบน Huawei Ascend NPUs และทรี nvidia/ โดยมีขนาดประมาณ 33.8 GB ต่อทรี
สองเบนช์มาร์กที่พวกเขาแชร์กันจริง ๆ
ในบัตรทั้งสองใบมีหมายเลขวิดีโออยู่สองหมายเลขพอดี และทั้งสองหมายเลขขัดแย้งกันว่ามодельไหนดีกว่า ซึ่งเป็นสิ่งที่มีข้อมูลมากที่สุดบนหน้านี้
บน MVBench, InternLumina U2 รายงาน 61.8 และ LFM3-Omni-2B รายงาน 58.03 — เป็นความได้เปรียบ 3.8 จุดของโมเดลแบบ diffusion บน Video-MME แบบไม่มีคำบรรยาย LFM3-Omni-2B รายงาน 57.70 และ InternLumina U2 รายงาน 56.7 — เป็นความได้เปรียบ 1 จุดในทางกลับกัน ทั้งสองชุดเป็นการรันโดยผู้ขาย บนฮาร์เนสที่ต่างกัน ด้วย prompt ที่ต่างกัน และไม่มีห้องแล็บใดเผยแพร่โค้ดการประเมิน ช่องว่าง 1 จุดภายใต้เงื่อนไขเหล่านั้นถือเป็น noise; ช่องว่าง 3.8 จุดอาจเป็นของจริง แต่บอกอะไรได้น้อยเกี่ยวกับฟุตเทจของคุณ
ส่วนที่เหลือไม่ได้ถูกแชร์ร่วมกัน การ์ดของ InternLumina ขึ้นต้นด้วย CharXiv-DQ 85.9 และ HallusionBench 64.6 ซึ่งเป็นการทดสอบด้านเอกสารและภาพหลอนที่ LFM3-Omni-2B ไม่เคยเข้าสอบ การ์ดของ LFM3-Omni-2B ขึ้นต้นด้วย DocVQA 92.47, OCRBench 806 และ MMMU 42.44 พร้อมคอลัมน์ด้านเสียงพูด — อัตราความผิดพลาดระดับคำของ ASR ภาษาอังกฤษ 6.36, หลายภาษา 6.72, TTS UTMOSv2 3.80 — ซึ่งไม่มีคู่เทียบในอีกฝ่าย การ์ดของมันเองระบุว่าตัวเลขเหล่านี้วัดโดย Liquid AI ด้วยเทมเพลตแชตของแต่ละโมเดลเองและการถอดรหัสแบบ greedy ซึ่งเป็นข้อควรระวังมาตรฐานและเป็นเรื่องจริง
InternLumina ยังตรงไปตรงมากกว่านั้นอีก: การ์ดโมเดลของมันเรียกผลลัพธ์ว่า "ผลลัพธ์เบื้องต้นและบางส่วน" และเลื่อนตารางเปรียบเทียบออกไป นั่นไม่ใช่ความถ่อมตัวแบบเสแสร้ง โมเดล diffusion 16B-A1B ที่สร้างภาพได้คะแนน DPG-Bench 87.79 และ GenEval 0.89 ถือเป็นผลลัพธ์ที่สำคัญ และยังเป็นผลลัพธ์ประเภทที่เปลี่ยนแปลงได้เมื่อมีคนรันซ้ำบนตัวสุ่มตัวอย่างอื่น
ใครควรเลือกอันไหน
หากผลิตภัณฑ์ของคุณจำเป็นต้องตอบกลับ — ไม่ว่าจะเป็นผู้ช่วยเสียง อินเทอร์เฟซแบบไม่ใช้มือ เครื่องมือเพื่อการเข้าถึง หรือตัวสรุปสายเรียกเข้าที่มอบคำตอบแบบเสียงให้ผู้โทร — LFM3-Omni-2B คือเพียงหนึ่งเดียวในสองตัวนี้ที่ทำงานได้สำเร็จครบถ้วน และยังเป็นเพียงตัวเดียวที่ทำงานบนอุปกรณ์ ซึ่งสำหรับเสียงแล้วสำคัญเป็นสองเท่า เพราะเสียงเป็นรูปแบบข้อมูลที่อ่อนไหวต่อความเป็นส่วนตัวมากที่สุดที่แอปส่วนใหญ่ต้องข้องเกี่ยว และการส่งเสียงไปยังเซิร์ฟเวอร์เป็นการตัดสินใจที่คุณต้องให้เหตุผลรองรับ
หากผลิตภัณฑ์ของคุณจำเป็นต้องสร้างหรือแก้ไขภาพ InternLumina U2 คือตัวเดียวที่สามารถเริ่มต้นได้ ข้อแลกเปลี่ยนคือตอนนี้คุณต้องดูแลสแต็กการอนุมานแบบ diffusion บนฮาร์ดแวร์ที่เน้น Ascend เป็นหลัก โดยมีชุด NVIDIA ที่เพิ่งใช้งานได้เมื่อไม่นานมานี้ และเส้นทาง 3D ที่ต้องติดตั้ง Blender นี่คือการติดตั้งสำหรับงานวิจัย ไม่ใช่สำหรับแอปสโตร์
สิ่งที่แทบไม่มีใครยอมรับคือ ผลิตภัณฑ์จริงต้องการทั้งสองอย่าง และโมเดลทั้งสองนี้ไม่สามารถทำงานร่วมกันได้ คำขอที่ต้องมีทั้งแผนภาพที่สร้างขึ้นและคำอธิบายด้วยเสียงต้องข้ามสองรันไทม์ สองไลเซนส์ และสองโปรไฟล์ฮาร์ดแวร์ รอยต่อตรงนั้นคือจุดที่ทีมส่วนใหญ่ลงเอยด้วยการวางเราเตอร์แทนโมเดลที่ใหญ่ขึ้น OrcaRouter คือฝั่งโฮสต์ของการจัดวางแบบนั้น — API เดียวครอบคลุมโมเดล 200+ โมเดล โดยบวกกำไร 0% จากราคาตามรายการของผู้ให้บริการ พร้อมการสลับเมื่อผู้ให้บริการล่มโดยอัตโนมัติ — และทั้ง LFM3-Omni-2B และ InternLumina U2 ยังไม่อยู่ในแคตตาล็อกนั้นในวันนี้ ประเด็นไม่ใช่ว่าทั้งคู่ควรอยู่ที่นั่น ประเด็นคือทันทีที่คุณแบ่งงานออกเป็นสองส่วน ครึ่งหลังจำเป็นต้องมีที่ให้รัน
อะไรจะเปลี่ยนคำตอบ
การประเมินโดยอิสระเพียงครั้งเดียวของโมเดลใดโมเดลหนึ่งจะให้ประโยชน์มากกว่าตารางจากผู้ขายอีกตารางหนึ่ง สำหรับ InternLumina U2 ตัวเลขที่ต้องจับตาคือคุณภาพการสร้างภายใต้ตัวสุ่มตัวอย่างที่แตกต่าง เพราะเอาต์พุตแบบ diffusion จะเปลี่ยนไปเมื่อตัวสุ่มตัวอย่างเปลี่ยน และยังไม่มีบุคคลภายนอกใดลองเลย สำหรับ LFM3-Omni-2B คือคำถามว่าคำพูดยังคงทำได้ดีเมื่ออยู่นอกพรอมป์ของ Liquid เองหรือไม่ — โดยเฉพาะอย่างยิ่งว่า 3.80 UTMOSv2 จะคงอยู่เมื่อเจอกับผู้ฟังที่ไม่ได้ให้คะแนนงานของตัวเอง
จนถึงตอนนั้น การตัดสินใจขึ้นอยู่กับสิ่งที่หายากกว่ามาตรฐานวัดผล นั่นคือรายการความสามารถ LFM3-Omni-2B พูดได้แต่วาดไม่ได้ InternLumina U2 วาดได้แต่ฟังไม่ได้ สำหรับทีมส่วนใหญ่ สิ่งนี้ก็ตัดสินได้แล้วก่อนการประเมินครั้งแรกจะเริ่มขึ้น
