Gemini Omni 1.2 Flash vs InternLumina-U2: Giây thuê so với trọng số tải xuống

Đặt Gemini Omni 1.2 Flash bên cạnh InternLumina-U2, và phép so sánh nổi bật — chất lượng hình ảnh, tốc độ tạo sinh, điểm benchmark — lại là phép so sánh kém thú vị nhất trong những lựa chọn hiện có, vì hai mô hình không cạnh tranh cho cùng một dòng ngân sách. Gemini Omni 1.2 Flash là một API tính phí theo mức dùng, thu khoảng 0,07 USD mỗi giây video 720p, ra mắt chính thức vào ngày 5 tháng 11 năm 2026, và trả về một tệp mà bạn có quyền sử dụng nhưng không bao giờ có trọng số. InternLumina-U2 là một mô hình ngôn ngữ khuếch tán thưa 16 tỷ tham số của Shanghai AI Laboratory, giấy phép Apache-2.0, bảy shard trên mỗi cây phần cứng, nằm trên Hugging Face, nơi bất kỳ ai có đủ dung lượng đĩa đều có thể tải về. Một bên là dịch vụ. Bên kia là tài sản. Câu hỏi hữu ích không phải là cái nào tạo ảnh đẹp hơn; mà là dự án của bạn thực sự có thể hấp thụ được cái nào trong hai thứ đó.

Cách đặt vấn đề đó quan trọng vì câu hỏi hiển nhiên — “cái nào tốt hơn trong việc tạo hình ảnh” — có một câu trả lời gây hiểu lầm. InternLumina-U2 có tạo hình ảnh, và trên các benchmark do nhà cung cấp tự báo cáo, nó làm việc đó ở mức cạnh tranh. Nhưng nó còn hiểu video và 3D trong cùng một backbone, một năng lực mà Gemini Omni hoàn toàn không có, trong khi Gemini Omni tạo video với âm thanh đồng bộ, điều mà InternLumina-U2 không làm được. Xét theo phần giao nhau, cả hai đều là các hệ thống gần gũi với hình ảnh và video. Xét theo hợp, chúng hầu như không chạm tới nhau.

Sự chồng lấn, chính xác là vậy.

InternLumina-U2 xử lý hỏi đáp văn bản, tạo hình ảnh từ văn bản, hiểu hình ảnh, chỉnh sửa hình ảnh, hiểu video và hiểu 3D trong cùng một mô hình. Cụm định tố “hiểu” thực sự gánh vai trò trong danh sách đó: nó đọc video và đọc 3D, chứ không tạo ra cả hai. Thứ nó tạo ra là hình ảnh và văn bản.

Gemini Omni 1.2 Flash tạo video. Nó nhận văn bản, hình ảnh và video đầu vào, rồi trả về video có âm thanh gốc, dài từ ba đến mười lăm giây ở 24 khung hình/giây, từ 360p đến 4K, trong đó hai hạng cao nhất được nâng cấp độ phân giải. Nó không tạo ra hình ảnh như một sản phẩm bàn giao — mỗi khung hình đều là một khung của đoạn clip — và nó không chỉnh sửa ảnh tĩnh theo đúng nghĩa mà một nhà thiết kế dùng.

Vậy điểm trùng lặp chính xác chỉ có một: tạo hình ảnh từ câu lệnh. InternLumina-U2 thực hiện việc đó như một trong sáu tác vụ. Gemini Omni 1.2 Flash chỉ thực hiện việc đó như khung hình đầu tiên của chuyển động. Nếu đó là toàn bộ trường hợp sử dụng của bạn, thì việc so sánh là có thật. Nếu không, bạn đang lựa chọn giữa bộ công cụ của một nhà nghiên cứu ảnh tĩnh và một điểm cuối sản xuất video.

• Phương thức đầu vào — InternLumina-U2 nhận văn bản, hình ảnh, video và 3D; Gemini Omni 1.2 Flash nhận văn bản, hình ảnh và video.

• Đầu ra theo phương thức — InternLumina-U2 trả về văn bản và hình ảnh; Gemini Omni 1.2 Flash trả về video có âm thanh đồng bộ.

• Kiến trúc — InternLumina-U2 là mô hình ngôn ngữ khuếch tán MoE với tổng cộng 16B tham số, khoảng 1B tham số hoạt động, trên xương sống LLaDA-2.0 với các token thị giác rời rạc tám codebook AToken của Apple; kiến trúc của Gemini Omni 1.2 Flash không được tiết lộ.

• Truy cập — trọng số Apache-2.0 trên Hugging Face, với các cây Ascend và NVIDIA riêng biệt; một API máy chủ đóng.

• Giá — không có giá theo từng lần gọi, vì không có endpoint được lưu trữ; khoảng $0.07 mỗi giây video đầu ra 720p, không có gói miễn phí.

• Ngữ cảnh — 131.072 token đầu vào, 65.536 token đầu ra ở phía Omni; thẻ InternLumina không công bố cửa sổ tương đương.

Các benchmark nói gì và không nói gì

Các con số của InternLumina-U2 đến từ chính bài báo và trang dự án của nó (arXiv 2610.20818, nộp ngày 14 tháng 10 năm 2026) và chưa có ai tái lập được chúng. Con số nổi bật về khả năng tạo ảnh là điểm GenEval 89,3 theo giao thức lấy mẫu PHV của chính các tác giả, cùng với DPG-Bench 87,79, UniGenBench 86,11 và TIIF-Bench 88,57 trên các câu lệnh ngắn và 87,08 trên các câu lệnh dài. Bài báo khẳng định hiệu năng dẫn đầu trong số các mô hình hợp nhất ở các lĩnh vực hiểu hình ảnh, tạo ảnh và chỉnh sửa ảnh, đồng thời cho biết mô hình này đánh bại FLUX.1-dev và nhỉnh hơn Qwen-Image trên GenEval, UniGenBench và TIIF trong khi chỉ kích hoạt số tham số ít hơn khoảng mười bốn lần.

Có một sự không nhất quán đáng để biết trước khi bạn trích dẫn bất kỳ phần nào trong đó. Bảng kết quả trên trang dự án liệt kê InternLumina-U2 đạt GenEval 0.81, còn LLaDA2.0-Uni đạt 0.89 và InternVL-U đạt 0.85 — điều này khiến mô hình mới hơn xếp sau chính mô hình tiền nhiệm của nó ở hàng đó. Con số 89.3 tương ứng với giao thức lấy mẫu tối ưu được mô tả trong bài báo, không phải đánh giá mặc định. Hai con số, hai giao thức, cùng một mô hình. Bài báo là cách diễn giải thuận lợi hơn còn trang dự án là cách thận trọng hơn, và cả hai đều chưa được kiểm tra độc lập.

Gemini Omni 1.2 Flash không có điểm benchmark nào được Google công bố cả. Bài đăng ra mắt ngày 5 tháng 11 hoàn toàn mang tính định tính — clip dài hơn, tuân thủ tham chiếu tốt hơn, hội thoại tự nhiên hơn, ít cắt cảnh đột ngột hơn — và nói rõ rằng công việc vẫn tiếp tục trên "hành động thể thao nhanh, thay đổi kịch bản nhanh và vật lý phức tạp." Đó là một danh sách thẳng thắn bất thường về các điểm yếu đã biết, và là tuyên bố duy nhất về chất lượng mà Google đưa ra. Các con số từ bên thứ ba có tồn tại ngoài kia nhưng phần lớn mô tả các phiên bản Omni trước đó: trang so sánh của Megaton có tiêu đề "Gemini Omni Flash" trong khi các liên kết của nó trỏ đến slug xem trước, liệt kê đầu ra âm thanh là "No" (sai với 1.2, vốn tạo âm thanh theo mặc định), và báo cáo không có video nào được đánh giá và không có phép đo nào đằng sau các điểm số của nó. Một người đánh giá thực hành, Rohit Rao của Segmind, đã trực tiếp kiểm tra 1.2 qua hai mươi lần tạo với chi phí 16,17 đô la, và kết luận của ông là điểm dữ liệu độc lập hữu ích nhất hiện có: các cuộc gọi chạy từ 28 đến 136 giây, phần lớn trong khoảng 40 đến 90 giây, mô hình là mô hình tuân thủ chỉ dẫn chính xác nhất mà ông từng kiểm tra, và khoảng một trong bốn chỉ dẫn bị bỏ qua. Ông cũng nhận thấy đây không phải là mô hình người chân thực điện ảnh.

Vậy bảng điểm trung thực có InternLumina-U2 với những con số của nhà cung cấp chi tiết, không được tái lập, mâu thuẫn nội tại, và Gemini Omni 1.2 Flash với gần như không có con số nào và chỉ một thử nghiệm độc lập nhỏ. Cả hai đều không phải là cơ sở để đưa ra phán quyết chất lượng đáng tin cậy.

So sánh chi phí mà mọi người thường hiểu sai

InternLumina-U2 không có giá, và điều đó không giống với việc miễn phí.

Các trọng số có dung lượng 67.6 GB trải trên hai cây gồm bảy phân mảnh, mỗi cây khoảng 33.8 GB, vì vậy việc tải xuống một biến thể phần cứng là một lượt tải 34 GB trước khi bạn có môi trường hoạt động. Kho lưu trữ yêu cầu FlashAttention cho đường dẫn AToken và, đối với pipeline 3D, Blender 4.5. Quá trình huấn luyện chạy trên 1,024 NPU Ascend 910B với 1.05 nghìn tỷ token, điều này cho thấy mô hình được xây dựng cho một cụm máy chủ dù suy luận nhẹ hơn nhiều — 1B tham số hoạt động là một tải phục vụ khiêm tốn, và chiến lược lấy mẫu PHV của bài báo tuyên bố giảm độ trễ đầu-cuối 4.45× ở độ phân giải gốc 1024×1024.

Những gì bạn thực sự chi ra là một GPU, một tuần công kỹ sư để thiết lập môi trường cho đúng, và mọi chi phí lưu trữ cùng egress của bạn. Những gì bạn nhận được là khả năng tạo không giới hạn với chi phí biên bằng không, một mô hình mà bạn có thể tinh chỉnh, và không có nhà cung cấp nào có thể ngừng hỗ trợ endpoint mà bạn đang dựa vào.

Chi phí của Omni rõ ràng đến từng xu. Một clip 720p dài mười lăm giây tốn khoảng $1,05 tiền token đầu ra. Một bản nháp 360p tốn khoảng $0,35. Nâng cấp lên 4K cho mười lăm giây đó tốn khoảng $3,14. Bạn trả tiền theo mỗi giây đầu ra, trả thêm mỗi lần thử lại, và chỉnh sửa hội thoại nghĩa là thử lại là quy trình bình thường chứ không phải ngoại lệ. Một quảng cáo mười cảnh với ba lần chỉnh sửa mỗi cảnh không phải là công việc mười lăm đô-la; nó gần sáu mươi đô-la hơn.

Hai cấu trúc chi phí đó không thể quy đổi cho nhau. So sánh “miễn phí sau khi đã bỏ vốn” với “bảy xu một giây” sẽ cho ra một con số phụ thuộc hoàn toàn vào mức sử dụng, và ở lưu lượng thấp thì mô hình tự vận hành đắt hơn đáng kể trên mỗi ảnh. Ở lưu lượng cao thì nó rẻ hơn đáng kể. Điểm giao nhau là phép tính bạn phải tự chạy với giá GPU của chính mình, không phải một sự thật mà ai đó có thể đưa sẵn cho bạn.

Những gì bạn không thể nhận được từ cả hai bên

Nếu bạn cần một clip talking-head với lời thoại được đồng bộ khẩu hình, InternLumina-U2 không thể giúp được và không có cách nào khắc phục ngoài việc dùng một trình tạo video riêng. Nếu bạn cần một pipeline hiểu tài sản 3D — đọc một mesh hoặc mô tả cảnh cùng với hình ảnh — Gemini Omni 1.2 Flash không thể giúp được và không có cách nào khắc phục ngoài việc dùng một mô hình thị giác riêng.

Cũng có một khác biệt về thủ tục giấy tờ quan trọng hơn vẻ ngoài của nó. {{1}}InternLumina-U2{{/1}} dùng {{2}}Apache-2.0{{/2}}, nghĩa là được phép sử dụng thương mại, sửa đổi và phân phối lại kèm ghi công, và văn bản giấy phép có trên kho lưu trữ. {{3}}Gemini Omni 1.2 Flash{{/3}} là dịch vụ được lưu trữ mà các điều khoản của nó chi phối những gì bạn được làm với đầu ra; mỗi clip đều mang watermark {{4}}SynthID{{/4}} dù bạn có muốn hay không, và việc chỉnh sửa hoặc kéo dài video đã tải lên không khả dụng ở {{5}}EEA{{/5}}, {{6}}Thụy Sĩ{{/6}} và {{7}}Vương quốc Anh{{/7}}. Đối với một nhóm ở {{8}}London{{/8}} đang xây dựng sản phẩm dựa trên chỉnh sửa video hội thoại, hạn chế khu vực đó là yếu tố loại trừ theo cách mà không so sánh benchmark nào có thể làm lộ ra.

OrcaRouter thực sự nằm ở đâu, nói thật lòng

Cả hai mô hình đều không có trong danh mục của chúng tôi. google/gemini-omni-1.2-flash trả về 404 trên các trang mô hình của OrcaRouter, và InternLumina-U2 không có endpoint được lưu trữ ở đâu cả — thẻ của nó cũng nói đúng như vậy, và chỉ có một Space cộng đồng sử dụng nó. Vì vậy, không có lệnh gọi nào tới API của chúng tôi đến được một trong hai mô hình, và bài viết này muốn nói rõ điều đó hơn là ngụ ý về một nhà cung cấp lưu trữ mà chúng tôi không có.

Điều gateway thực sự bao phủ là lớp mà cả hai khối lượng công việc đều nằm bên trong. Một pipeline InternLumina-U2 tự lưu trữ vẫn cần một mô hình văn bản để viết prompt, chấm điểm đầu ra và định tuyến các lỗi, và đó là một lệnh gọi mà chúng tôi phục vụ trên hơn 200 mô hình chỉ với một khóa cùng chuyển đổi dự phòng tự động. Về phía Omni, vì OrcaRouter chuyển thẳng giá niêm yết của nhà cung cấp với mức đánh dấu 0%, một đợt giảm giá của Google đến phía chúng tôi ngay trong ngày thay vì vào chu kỳ thanh toán tiếp theo — và dòng Omni đã thay đổi giá video một lần trong năm nay, từ $17.50 xuống $12.00 cho mỗi triệu token đầu ra. Nếu bạn đang so sánh một bản tự lưu trữ với một bản thuê, việc phía thuê thay đổi ngay dưới chân bạn chính là biến số mà một hóa đơn chuyển thẳng làm hiển lộ.

Cách quyết định

Hãy xây dựng dựa trên InternLumina-U2 nếu bạn cần hình ảnh, cần hiểu 3D hoặc video trong cùng một mô hình, có năng lực GPU mà bạn vốn đã phải trả tiền, và các điều khoản giấy phép có ý nghĩa với sản phẩm của bạn. Hãy chấp nhận rằng bạn đang chạy một sản phẩm nghiên cứu: các benchmark là do chính các tác giả tạo ra, bảng GenEval không nhất quán với chính nó, và bộ công cụ yêu cầu một stack cụ thể.

Hãy mua Gemini Omni 1.2 Flash nếu bạn cần chuyển động kèm âm thanh, bạn muốn có một endpoint hoạt động ngay hôm nay và lưu lượng của bạn đủ thấp để việc tính phí theo giây rẻ hơn một GPU nhàn rỗi. Hãy chấp nhận rằng bạn không có điểm chuẩn chất lượng, không có chế độ xuất văn bản, không có negative prompt, bị giới hạn khu vực đối với các tính năng chỉnh sửa và có hình mờ trên mọi khung hình.

Sai lầm cần tránh là coi đây như một cuộc so tài. Đây là một quyết định mua sắm giữa một bản tải xuống và một đồng hồ đo, và câu hỏi về chất lượng mô hình — câu hỏi mà cả hai nhà cung cấp đều muốn bạn tranh luận — lại là câu hỏi có ít bằng chứng nhất ở cả hai phía.