LFM3-Omni-2B vs InternLumina U2: Hai mô hình, hai ý nghĩa của Omni

LFM3-Omni-2B và InternLumina U2 đều được xếp dưới nhãn "omni" và chúng không cùng ngành. Mô hình 2,17 tỷ tham số của Liquid AI nhận văn bản, hình ảnh, video và âm thanh làm đầu vào và trả về văn bản hoặc giọng nói 24 kilohertz. InternLumina U2 của Phòng thí nghiệm AI Thượng Hải nhận văn bản, hình ảnh, video và 3D làm đầu vào và trả về văn bản hoặc hình ảnh. Một bên là cái miệng. Bên kia là bàn tay. Gần như mọi so sánh bạn tìm thấy giữa chúng đều dành độ dài cho những benchmark mà chỉ một bên có thể tham gia, đó là lý do câu hỏi hữu ích hẹp hơn và rẻ hơn để trả lời: nửa nào của "omni" mà sản phẩm của bạn đang thiếu?

Hai bản phát hành cũng xuất hiện theo hai hình thức trái ngược nhau, và điều đó quan trọng hơn mức thường lệ. Liquid AI công bố dòng LFM3 vào ngày 27 tháng 10 năm 2026 trong một bài đăng duy nhất đề cập sáu mô hình thuộc lớp 2B, và LFM3-Omni-2B chỉ là một dòng trong bài đăng đó chứ không phải một đợt ra mắt riêng — trọng số của nó đã nằm trong một kho công khai từ ngày 21 tháng 10. InternLumina U2 đi theo hướng ngược lại: mã suy luận và một trang dự án xuất hiện vào ngày 1 tháng 9, trọng số theo sau đó trong các thư mục riêng cho từng phần cứng, và không hề có thông báo nào. Không mô hình nào có con số được bên thứ ba tái lập. Mọi con số dưới đây đều do chính nhà cung cấp tự mô tả.

Những lời từ chối cho bạn biết nhiều hơn cả thông số kỹ thuật

Danh sách thông số kỹ thuật được viết ra để làm cho các mẫu trông có vẻ tương thích. Thay vào đó, hãy bắt đầu với những gì mà mỗi mẫu về mặt vật lý không thể tiếp nhận, vì hai danh sách hoàn toàn không giao nhau.

LFM3-Omni-2B không thể vẽ. Có một bộ mã hóa thị giác trong hệ thống, nhưng nó chỉ đọc; đường đầu ra là văn bản và giọng nói. Nếu yêu cầu nó chỉnh sửa một bức ảnh, câu trả lời trung thực là yêu cầu đó không có biểu diễn trong mô hình.

InternLumina U2 không thể nói. Nó không có bộ mã hóa âm thanh, không có tokenizer codec, không có đầu ra giọng nói. Đưa cho nó một tệp WAV thì kiến trúc chẳng có gì để tiếp nhận tệp đó. "Omni" của nó là một canh bạc rằng hiểu và sinh thuộc về một backbone thị giác duy nhất; từ vựng đầu ra của nó là token văn bản và hình ảnh, không phải dạng sóng.

Vậy câu hỏi đầu tiên không phải là mô hình nào đạt điểm cao hơn. Mà là liệu khối lượng công việc của bạn cần một giọng nói được tổng hợp hay một hình ảnh đã được chỉnh sửa, bởi vì mỗi bên chỉ có đúng một trong hai khả năng đó và không mô hình nào sẽ có thêm năng lực còn lại nhờ được tinh chỉnh. Đó là một thuộc tính của tokenizer, không phải của dữ liệu huấn luyện.

Một người đọc chính tả một câu, người kia tinh chỉnh nó.

Các kiến trúc khác nhau ở một cấp độ sâu hơn số lượng tham số, và sự khác biệt đó giải thích cho sự phân tách về năng lực.

LFM3-Omni-2B là tự hồi quy. Một xương sống LFM3 1,7 tỷ tham số đọc token từ bộ mã hóa thị giác LFM3 và bộ mã hóa âm thanh nhân quả LFM3, rồi phát ra token văn bản hoặc token giọng nói LiquidCodec từ trái sang phải. Video được lấy mẫu ở 2 khung hình/giây và mỗi mảng ảnh 2×2 được thu gọn thành một token ngôn ngữ duy nhất, đó là cách một mô hình 2,17B giữ cho cửa sổ 32K dùng được trên điện thoại. Giọng nói xuất ra ở 24 kHz, âm thanh đầu vào ở 16 kHz mono.

InternLumina U2 là một mô hình ngôn ngữ khuếch tán, và đó chính là phần đáng để ta chậm lại mà suy ngẫm. Nó không phát ra từng token một; nó bắt đầu từ nhiễu và tinh chỉnh toàn bộ một chuỗi song song, bằng mục tiêu khuếch tán có mặt nạ. Biểu diễn hình ảnh của nó hoàn toàn rời rạc — tám sổ mã token hình ảnh AToken cho mỗi vị trí, được nối ở phía đầu vào và được dự đoán theo từng sổ mã ở phía đầu ra. Khi đó, việc tạo ra một hình ảnh cũng chính là thao tác như trả lời một câu hỏi: khử nhiễu một chuỗi token hình ảnh. Đó là một canh bạc thực sự khác biệt so với canh bạc mà mọi mô hình đa phương thức mở khác đang thực hiện, và đó là lý do vì sao mô hình này có thể tạo ra được một hình ảnh.

Cái giá của canh bạc đó là công cụ. InternLumina không phải là một pipeline transformers mà bạn chỉ cần gọi trong ba dòng. Model card yêu cầu tokenizer AToken với FlashAttention, một API generate block-diffusion tùy chỉnh, và Blender 4.5 nếu bạn muốn kết xuất đầu ra 3D. So sánh thì LFM3-Omni-2B được phát hành dưới dạng trọng số BF16 thông thường với quy trình fine-tuning đã được ghi tài liệu và một bản dựng Ollama đã lưu hành — bản mà danh sách của nó ghi ngữ cảnh 125K so với 32K trong model card, một sự sai lệch mà chưa ai giải thích.

Các thông số quyết định xem nó có vừa hay không

• Tham số — LFM3-Omni-2B 2,17B dày đặc; InternLumina U2 tổng 16B, 1B hoạt động trong một hỗn hợp chuyên gia thưa.

• Đầu ra — văn bản và giọng nói 24 kHz, bao gồm văn bản và giọng nói xen kẽ, so với văn bản và hình ảnh được tạo hoặc chỉnh sửa.

• Đầu vào — văn bản, hình ảnh, video có hoặc không có âm thanh, và âm thanh 16 kHz, so với văn bản, hình ảnh, video và 3D.

• Ngữ cảnh — 32K token bao gồm đầu vào và đầu ra, so với độ dài ngữ cảnh mà thẻ InternLumina vẫn chưa nêu rõ.

• Ngôn ngữ — 16 ngôn ngữ văn bản và 19 locale giọng nói cho LFM3-Omni-2B; InternLumina không công bố con số.

• Giấy phép — LFM Open License v1.0, giấy phép có ngưỡng doanh thu, so với Apache 2.0 với các ngoại lệ dành cho mã AToken và VeOmni đi kèm.

• Phần cứng — điện thoại, máy tính xách tay và bo mạch biên ở một bên; ở bên kia, các checkpoint được chia thành một cây ascend/ được huấn luyện trên NPU Huawei Ascend và một cây nvidia/, khoảng 33,8 GB mỗi cây.

Hai điểm chuẩn mà họ thực sự cùng chia sẻ

Có chính xác hai con số video trong cả hai thẻ, và chúng mâu thuẫn với nhau về việc mẫu nào tốt hơn, đây là điều mang tính thông tin nhất trên trang này.

Trên MVBench, InternLumina U2 báo cáo 61,8 và LFM3-Omni-2B báo cáo 58,03 — lợi thế 3,8 điểm thuộc về mô hình diffusion. Trên Video-MME không có phụ đề, LFM3-Omni-2B báo cáo 57,70 và InternLumina U2 báo cáo 56,7 — lợi thế 1 điểm theo chiều ngược lại. Cả hai bộ kết quả đều do nhà cung cấp tự chạy, trên các harness khác nhau, với các prompt khác nhau, và chưa phòng thí nghiệm nào công bố mã đánh giá. Khoảng cách 1 điểm trong những điều kiện đó là nhiễu; khoảng cách 3,8 điểm có lẽ là thật nhưng không nói lên nhiều về cảnh quay của bạn.

Mọi thứ còn lại đều không được chia sẻ. Thẻ của InternLumina dẫn đầu với CharXiv-DQ 85.9 và HallusionBench 64.6, những bài kiểm tra tài liệu và ảo giác mà LFM3-Omni-2B chưa từng thực hiện. Thẻ của LFM3-Omni-2B dẫn đầu với DocVQA 92.47, OCRBench 806 và MMMU 42.44, cùng một cột giọng nói — tỷ lệ lỗi từ ASR tiếng Anh 6.36, đa ngôn ngữ 6.72, TTS UTMOSv2 3.80 — mà không có mục tương ứng ở phía bên kia. Thẻ của chính nó ghi rõ các con số được Liquid AI đo bằng mẫu trò chuyện riêng của từng mô hình và giải mã tham lam, đây là lưu ý tiêu chuẩn và là một lưu ý có cơ sở.

InternLumina còn thẳng thắn hơn nữa: thẻ mô hình của nó gọi các kết quả là "kết quả sơ bộ, một phần" và hoãn các bảng so sánh. Đó không phải là khiêm tốn giả tạo. Một mô hình khuếch tán 16B-A1B tạo ảnh đạt DPG-Bench 87.79 và GenEval 0.89 là một kết quả đáng kể, và đó cũng là kiểu kết quả có thể thay đổi khi ai đó chạy lại nó trên một sampler khác.

Ai nên chọn cái nào

Nếu sản phẩm của bạn cần phản hồi lại bằng lời — trợ lý giọng nói, giao diện rảnh tay, công cụ hỗ trợ khả năng tiếp cận, công cụ tóm tắt cuộc gọi đưa ra câu trả lời bằng giọng nói cho người gọi — thì LFM3-Omni-2B là mô hình duy nhất trong hai mô hình này có thể hoàn thành công việc. Đây cũng là mô hình duy nhất chạy trên thiết bị, điều đặc biệt quan trọng gấp đôi đối với giọng nói: âm thanh là dạng thức nhạy cảm nhất về quyền riêng tư mà hầu hết ứng dụng phải xử lý, và việc gửi nó lên máy chủ là một quyết định bạn phải biện minh.

Nếu sản phẩm của bạn cần tạo hoặc chỉnh sửa một hình ảnh, InternLumina U2 là lựa chọn duy nhất có thể khởi đầu. Cái giá phải đổi là giờ bạn đang duy trì một ngăn xếp suy luận khuếch tán trên phần cứng ưu tiên Ascend, với một nhánh NVIDIA mới chỉ gần đây trở nên dùng được và một đường 3D đòi hỏi phải cài Blender. Đó là một triển khai nghiên cứu, không phải triển khai kiểu cửa hàng ứng dụng.

Điều mà gần như không ai thừa nhận là các sản phẩm thực tế cần cả hai, và hai mô hình này không thể kết hợp với nhau. Một yêu cầu cần cả sơ đồ được tạo lẫn lời giải thích bằng giọng nói phải đi qua hai runtime, hai giấy phép và hai cấu hình phần cứng. Chính ở đường nối đó, hầu hết các nhóm cuối cùng sẽ đặt một router thay vì một mô hình lớn hơn. OrcaRouter là phía được lưu trữ của cách bố trí đó — một API xuyên suốt hơn 200 mô hình với mức tăng giá 0% so với giá niêm yết của nhà cung cấp, cùng tính năng chuyển đổi dự phòng tự động khi một nhà cung cấp ngừng dịch vụ — và hiện nay cả LFM3-Omni-2B lẫn InternLumina U2 đều không có trong danh mục đó. Vấn đề không phải là một trong hai mô hình đó thuộc về danh mục ấy. Vấn đề là ngay khi bạn tách công việc thành hai, nửa sau cần một nơi để chạy.

Điều gì sẽ làm thay đổi câu trả lời

Một đánh giá độc lập đối với một trong hai mô hình sẽ có giá trị hơn hẳn một bảng số liệu nữa do nhà cung cấp đưa ra. Với InternLumina U2, chỉ số cần theo dõi là chất lượng tạo sinh dưới một bộ lấy mẫu khác, vì đầu ra khuếch tán thay đổi khi bộ lấy mẫu thay đổi và chưa có bên ngoài nào thử. Với LFM3-Omni-2B, đó là liệu giọng nói có đứng vững ngoài các prompt của chính Liquid hay không — cụ thể là liệu 3.80 UTMOSv2 có trụ được khi tiếp xúc với một người nghe không phải đang tự chấm điểm công việc của chính họ hay không.

Cho đến lúc đó, quyết định phụ thuộc vào một thứ hiếm hơn cả một benchmark: danh sách năng lực. LFM3-Omni-2B nói được và không vẽ được. InternLumina U2 vẽ được và không nghe được. Với hầu hết các nhóm, điều đó là đủ để ngã ngũ trước khi bài đánh giá đầu tiên chạy.