Ling-3.0-flash-VL so với InternLumina U2: Cả hai đã phát hành, silicon khác biệt

Cả hai mô hình này giờ đây đều đã thực sự tồn tại, có thể chạy và tải xuống được, điều mà cách đây hai tuần vẫn chưa đúng — và sự khác biệt giữa chúng hầu như chẳng liên quan gì đến các bài đo hiệu năng. Ling-3.0-flash-VL, đến từ phòng thí nghiệm inclusionAI của Ant Group, đã đưa các trọng số BF16 và FP8 lên Hugging Face trong khoảng từ ngày 4 đến ngày 8 tháng 9 năm 2026, công bố kèm theo các công thức phục vụ cho SGLang và vLLM, và đạt được điểm số độc lập là 25 trên Artificial Analysis Intelligence Index v4.3. InternLumina U2, đến từ nhóm InternLM của Phòng thí nghiệm AI Thượng Hải, đã phát hành mã suy luận trước rồi sau đó mới tung trọng số mô hình được huấn luyện trên Ascend lên Hugging Face vào ngày 10 tháng 9 — bảy phân đoạn safetensors nằm trong một thư mục con ascend/, khép lại kho lưu trữ với tổng cộng mười sáu tệp.

Vấn đề mấu chốt nằm ở chỗ hai bản phát hành trọng số đó được xây dựng để phục vụ nền tảng nào. Hướng triển khai được công bố của Ling-3.0-flash-VL là CUDA — thứ ai cũng đã có: một node tám accelerator chạy bản dựng FP8, còn các serving stack chính là những thứ bạn đang chạy sẵn. Checkpoint được công bố của InternLumina U2 là bản dành cho Ascend, và README nói rõ rằng bạn hãy tải checkpoint phù hợp với cách bạn dự định chạy suy luận — trong khi checkpoint được huấn luyện trên NVIDIA vẫn được liệt kê là sắp ra mắt. Hai mô hình ra mắt trong cùng một tuần, và chỉ một trong số chúng chạy trên phần cứng mà hầu hết các đội đang đứng ngay trước mặt.

Điều đó định hình lại phép so sánh một cách hữu ích. Đây không còn là bài viết kiểu bản đã phát hành so với vaporware, và bất kỳ ai vẫn mô tả InternLumina U2 là đang chờ trọng số thì đang dựa trên một README cũ một tuần. Đây là bài viết về hai thiết kế thị giác hợp nhất rất khác nhau đã ra đời trên hai hệ sinh thái silicon khác nhau, và về việc những phần nào của mỗi bản phát hành thực sự đã hoàn thiện.

Mỗi bản phát hành hiện có những gì

Ling-3.0-flash-VL là một mô hình hỗn hợp chuyên gia thưa với 124 tỷ tham số, kích hoạt khoảng 5,5 tỷ tham số mỗi token, trên một thân chính lai 42 lớp xen kẽ Kimi Delta Attention với các khối MLA có cổng theo tỷ lệ 5:1. Một bộ mã hóa thị giác có độ phân giải tùy ý cùng một bộ chiếu MLP hai lớp cấp dữ liệu cho thân chính đó, với VideoRoPE xử lý vị trí không gian và thời gian. Nó nhận văn bản, hình ảnh và video rồi trả về văn bản. Cả BF16 (64 shard) lẫn FP8 (khoảng 126 GB, tháp thị giác được cố ý giữ ở độ chính xác cao hơn trọng số của các chuyên gia) đều được công khai theo giấy phép MIT, và bản phát hành đủ hoàn chỉnh để cộng đồng đánh giá độc lập chấm điểm nó — 25 trên Chỉ số Trí tuệ v4.3, xếp hạng #2 trong số 64 mô hình cùng phân khúc kích thước so với mức trung vị của phân khúc là 8. Điều mà nó không công bố là mức giá trên mỗi token cho mô hình thị giác, và các ví dụ API của nó mang một định danh -rc1 khiến ta không rõ liệu checkpoint được phục vụ có khớp với trọng số mở hay không.

InternLumina U2 là một mô hình mixture-of-experts thưa với 16 tỷ tham số, chỉ có khoảng 1 tỷ tham số hoạt động, được xây dựng trên nền tảng mô hình ngôn ngữ khuếch tán MoE LLaDA-2.0, bao quát sáu nhóm tác vụ trong cùng một mô hình: hỏi đáp văn bản, tạo hình ảnh từ văn bản, hiểu hình ảnh, chỉnh sửa hình ảnh, hiểu video và hiểu 3D. Mã suy luận cho tất cả những tác vụ đó được công khai trên main. Checkpoint được huấn luyện trên Ascend hiện đã được công khai trên Hugging Face. Theo đúng lộ trình của chính kho lưu trữ, vẫn còn những hạng mục chưa hoàn thành: checkpoint được huấn luyện trên NVIDIA, mã huấn luyện (một kho lưu trữ riêng) và báo cáo kỹ thuật. Lộ trình đánh dấu hoàn thành bốn ô và để ngỏ hai ô — mã suy luận, trọng số Ascend, cùng toàn bộ ngăn xếp huấn luyện và suy luận trên Ascend đã xong; mã huấn luyện và báo cáo kỹ thuật thì chưa.

Một chi tiết thực tế nằm giữa hai đoạn văn đó. Việc chạy các đường xử lý thị giác của U2 đòi hỏi trọng số tokenizer AToken tại atoken_inference/checkpoints/atoken-sod.pt, và trình điều khiển được phát hành mong đợi một thư mục checkpoint tách rời với các tài nguyên mô hình được giữ cùng nhau. Mã nguồn là thật và cài đặt được với Python 3.11, PyTorch 2.6.0 và, trên đường CUDA, flash-attn 2.7.2. Hỗ trợ Ascend nằm trên một nhánh ascend-npu-support riêng và cần CANN cùng một torch_npu bản dựng tương thích thay cho bộ công cụ CUDA. Không có gì trong số đó bị ẩn; tất cả đều được ghi lại. Nó chỉ đơn giản là một con đường dài hơn so với pip install và một chuỗi mô hình.

Hai câu trả lời cho câu hỏi "visual token là gì"

Các kiến trúc bất đồng ở một điểm nào đó sâu hơn cả số lượng tham số, và chính sự bất đồng đó là điều thú vị nhất khi đặt hai cái này cạnh nhau.

Ling-3.0-flash-VL giữ nguyên hợp đồng chuẩn. Một hình ảnh trở thành một chuỗi token thông qua bộ mã hóa thị giác và projector, các token đó đi vào một thân transformer, và mọi thứ chạy theo cơ chế tự hồi quy. Điểm mới không nằm ở cách thị giác được biểu diễn mà ở việc thân mô hình chạy rẻ đến mức nào — 5,5B tham số hoạt động mỗi token trên tổng 124B, và đây chính là toàn bộ lý do khiến mô hình xuất hiện trên biên trí tuệ-so-với-tham-số-hoạt-động. VideoRoPE mang đến cho vị trí không gian và thời gian một cách mã hóa nhất quán, nhờ đó video không cần cơ chế riêng.

InternLumina U2 thay đổi chính cách biểu diễn. Nó sử dụng tokenizer AToken của Apple, trong đó mỗi vị trí thị giác được mô tả bằng tám codebook bổ trợ — kết cấu cục bộ, văn bản nhúng, hình học và chi tiết tần số cao như các luồng riêng biệt thay vì một vector bị gộp lại. Mỗi codebook giữ embedding riêng của nó trên đường vào, và tám embedding theo từng vị trí được nối lại rồi chiếu xuống thành một token backbone duy nhất. Ở đầu ra, dự đoán là cái mà nhóm gọi là song song theo không gian, tự hồi quy theo độ sâu codebook: backbone diffusion khử nhiễu nhiều vị trí không gian bị che cùng lúc, sau đó một head tự hồi quy đa codebook dự đoán tám mã cho mỗi vị trí theo thứ tự. Hiểu và sinh chạy qua cùng một bộ máy — đó mới là tuyên bố thực sự. Lập luận của nhóm là một codebook duy nhất giới hạn lượng thông tin mà một token thị giác có thể mang, trong khi các mô hình lai rời rạc-liên tục tách hiểu và sinh sang các cách biểu diễn và đường giải mã khác nhau, và rằng việc chuyển hoàn toàn sang rời rạc với nhiều codebook là cách bạn có được một mô hình hợp nhất thực sự thay vì hai chồng mô hình bị ghép cứng vào nhau.

Cả hai đều là những quan điểm mạch lạc, và chúng mang những cái giá trái ngược nhau. Các biểu diễn đa sổ mã có thể lưu giữ chi tiết thị giác tinh xảo hơn; chúng cũng nhân ngân sách token trên mỗi ảnh với số lượng sổ mã và khiến việc giải mã phức tạp hơn đáng kể, mà có lẽ đó là một phần lý do 16B-A1B là quy mô được chọn. Tính thưa của Ling đem lại suy luận rẻ trên mỗi token; nó cũng đồng nghĩa với năng lực hoạt động nhỏ hơn trong mỗi lượt truyền xuôi, đó chính là sự đánh đổi mà mức trung vị 8 của nhóm trên chỉ số trí tuệ âm thầm cho thấy — Ling-3.0-flash-VL vượt qua nó một cách thoải mái ở mức 25, nhưng nó không cạnh tranh với các mô hình tiên phong dạng dense về suy luận thuần túy.

Các bề mặt nhiệm vụ chỉ chồng lấn một phần

Xếp cả hai vào nhóm "mô hình đa phương thức" là đánh giá quá cao mức độ tương đồng. Biết được ranh giới của nó nằm ở đâu sẽ tránh được rất nhiều chuyện so sánh chọn mua sai lầm.

• Đầu vào — Ling-3.0-flash-VL nhận văn bản, hình ảnh và video, tối đa 40 hình ảnh mỗi yêu cầu, và trả về văn bản; InternLumina U2 nhận văn bản, hình ảnh, video và tài nguyên 3D, và trả về văn bản, hình ảnh được tạo hoặc hình ảnh đã chỉnh sửabr /> • Tạo hình ảnh — Ling-3.0-flash-VL hoàn toàn không thể tạo hay chỉnh sửa hình ảnh; tuyên bố cốt lõi của InternLumina U2 là nó làm được cả hai, ở độ phân giải lên tới 1024×1024, từ chính cùng bộ trọng số dùng để đọc hình ảnhbr /> • 3D — Ling-3.0-flash-VL không có luồng xử lý 3D nào; InternLumina U2 cung cấp một pipeline dựa trên Blender, kết xuất các tài nguyên GLB và GLTF thành 64 cặp góc nhìn màu sắc và độ sâu để mô hình suy luậnbr /> • Video — Ling-3.0-flash-VL xử lý video thông qua mã hóa thời gian VideoRoPE; InternLumina U2 lấy mẫu 64 khung hìnhbr /> • Ngữ cảnh và đầu ra — Ling-3.0-flash-VL đo được cửa sổ ngữ cảnh 262K token, so với 256K mà thẻ mô hình của nó nêu, cùng đầu ra tối đa tương đối ngắn; InternLumina U2 chưa công bố cả hai con số nàybr /> • Tham số hoạt động — Ling-3.0-flash-VL kích hoạt khoảng 5,5B mỗi token; InternLumina U2 kích hoạt khoảng 1B, tức chỉ bằng một phần năm lượng đó

Đọc danh sách đó và kết luận là hai mô hình này thay thế cho nhau ở đúng một công việc — đọc một hình ảnh và trả lời các câu hỏi về nó — và bổ trợ cho nhau ở gần như mọi khía cạnh khác. Nếu bạn cần một mô hình tạo hoặc chỉnh sửa hình ảnh, Ling-3.0-flash-VL không phải là ứng viên và không có benchmark nào thay đổi được điều đó. Nếu bạn cần một mô hình đọc biểu đồ, tạo một biến thể và suy luận trên một tài sản 3D, InternLumina U2 hướng đến điều đó còn Ling-3.0-flash-VL không giải quyết được điều đó.

Điểm chuẩn: một điểm số độc lập đối đầu với cả trang số liệu từ nhà cung cấp

Chất lượng bằng chứng không hề sát nút, và đáng để nói chính xác vì sao thay vì chỉ khẳng định một bên thắng.

Điểm 25 của Ling-3.0-flash-VL trên Intelligence Index v4.3 là một đánh giá do bên thứ ba thực hiện trên một giao thức đã công bố, với trung vị của lớp là 8 để tham khảo, cùng thông lượng đo được là 142,9 token đầu ra mỗi giây so với trung vị của các mô hình ngang hàng là 105,1 và thời gian đến token đầu tiên là 2,21 giây. Thẻ nhà cung cấp của nó riêng rẽ tuyên bố 42 trên đã ngừng sử dụng v4.1.1 giao thức, vốn là một thang đo khác và không thể đặt cạnh điểm 25 như thể mô hình đã giảm sút; chỉ số đã được công bố lại vào tháng 9 năm 2026 và chấm điểm lại toàn bộ. Nhà cung cấp cũng báo cáo chiến thắng 1.441 so với 1.440 tại Image-to-WebDev Arena trước GPT-5.4 dưới tên "linthium" — chênh lệch một điểm nằm trong nhiễu Elo, và do nhà cung cấp báo cáo.

Các con số của InternLumina U2 là do chính phòng thí nghiệm đưa ra, được ghi nhãn là sơ bộ và một phần, còn các bảng so sánh đầy đủ và báo cáo kỹ thuật thì vẫn đang chờ. Hiện chúng nằm trong một bảng trên README của kho lưu trữ thay vì trên bảng xếp hạng benchmark, và chúng chưa thể được xác minh độc lập vì chưa có bên thứ ba nào công bố một lần chạy. Đúng như phòng thí nghiệm trình bày:

• Hiểu biết — ChartQA 86.52, CharXiv-DQ 83.65, HallusionBench 62.15, MMMU-Pro 36.13, MathVision 33.22, DynaMath 56.37br /> • Video — Video-MME 51.26, MVBench 59.74, MLVU 57.03br /> • Tạo sinh và chỉnh sửa — GenEval 0.81, DPG 87.10, TIIF Short 84.60, TIIF Long 85.95, ImgEdit 3.83br /> • Nguồn số liệu — mọi số liệu của InternLumina U2 đều do nhà cung cấp báo cáo và mang tính sơ bộ; mọi số liệu của Ling-3.0-flash-VL đều do nhà cung cấp báo cáo, ngoại trừ Intelligence Index, vốn theo Artificial Analysis

Hai trong số đó đáng bị gắn cờ. GenEval 0.81 thua kém 0.89 của một đối thủ được nêu tên theo chính bảng của phòng thí nghiệm — một trường hợp hiếm thấy khi một nhà cung cấp công bố một kết quả thua, và là lý do để tin phần còn lại của bảng hơn một chút. Còn ImgEdit ở mức 3.83 là vô nghĩa nếu không có bảng đi kèm, vốn là một phần trong những gì báo cáo kỹ thuật đang chờ sẽ mang lại. Hãy coi danh sách InternLumina U2 là những kết quả mà phòng thí nghiệm dự định bảo vệ, chứ không phải những kết quả bạn có thể hành động dựa trên. Cũng lưu ý rằng các điểm hiểu biết của nó và điểm chỉ số của Ling-3.0-flash-VL không phải những đại lượng có thể so sánh được với nhau: một bên là tập hợp các con số của nhà cung cấp theo từng tác vụ, bên kia là một chỉ số tổng hợp của bên thứ ba.

Giấy phép, phần cứng và chi phí thực tế khi đặt cược vào mỗi thứ

Ling-3.0-flash-VL dùng giấy phép MIT cho cả hai định dạng độ chính xác, tức là gần như sạch nhất mà trọng số mở có thể có — không điều khoản kèm theo, không hạn chế lĩnh vực sử dụng, không mập mờ về triển khai thương mại. Bản dựng FP8 khoảng 126 GB vừa trong một node tám accelerator lớp 80GB; BF16 xấp xỉ gấp đôi con số đó. Hỗ trợ phục vụ đã có sẵn trong SGLang và một bản fork vLLM do Ant duy trì. Rủi ro còn lại mang tính thương mại hơn là pháp lý: Ant không công bố đơn giá theo token cho mô hình thị giác, truy cập miễn phí trên Ling Studio mang tính khuyến mãi hơn là một biểu phí, và Artificial Analysis chỉ liệt kê nó ở mức $0,00 mỗi 1 triệu token vào và ra vì endpoint mà nó có thể thấy là endpoint miễn phí.

InternLumina U2 dùng giấy phép Apache-2.0 trên kho chính, với hai ngoại lệ đáng để đọc kỹ: thư mục VeOmni/ đi kèm vẫn giữ giấy phép Apache-2.0 từ upstream, và atoken_inference/ được phát triển dựa trên ml-atoken của Apple và phân phối lại theo các điều khoản gốc của Apple. Tuyên bố về hạ tầng là chuyện nghiêm túc — nó nhắm tới cả GPU NVIDIA lẫn NPU Huawei Ascend, với sự căn chỉnh số học ở cấp toán tử giữa các backend, và nhóm phát triển báo cáo đã huấn luyện end-to-end trên một cụm Ascend nghìn card, đạt mức cải thiện hiệu suất huấn luyện 1,85× nhờ các toán tử hợp nhất, phân mảnh HSDP được tinh chỉnh và gradient checkpointing. Đó là kỹ thuật thực thụ. Nhưng điều đó cũng chẳng liên quan đến việc mô hình có tốt hay không: hiệu suất huấn luyện trên Ascend không nói lên điều gì về chất lượng đầu ra, và checkpoint tồn tại ngày nay chính là bản nhắm tới ngăn xếp đó.

Vậy sự bất đối xứng thực tế không nằm ở chuyện mở so với đóng. Cả hai đều mở, cả hai đều được cấp phép theo kiểu cho phép, và cả hai đều có thể tải về ngay hôm nay. Mà là ở chỗ một bản phát hành giả định thứ phần cứng mà bạn có lẽ đang có, còn bản kia giả định thứ phần cứng mà bạn có lẽ không có. Nếu hạ tầng của bạn dùng NVIDIA, Ling-3.0-flash-VL chỉ là công việc trong một buổi chiều còn InternLumina U2 thì phải chờ. Nếu hạ tầng của bạn dùng Ascend — ngày càng phổ biến ở thị trường Trung Quốc mà mô hình này được xây dựng cho — thì phương trình đó đảo ngược hoàn toàn, và InternLumina U2 mới là bên có lộ trình hoàn chỉnh, trong khi các công thức của Ling-3.0-flash-VL giả định dùng CUDA.

Những câu hỏi mà mọi người thực sự đặt ra về sự kết hợp này

Trọng số của InternLumina U2 đã có thể tải xuống chưa?

Đúng, checkpoint được huấn luyện trên Ascend là — bảy phân đoạn safetensors được công bố trong ascend/ trên Hugging Face, cùng với tệp cấu hình, tokenizer và mô hình hóa. Checkpoint được huấn luyện trên NVIDIA là một thư mục con riêng và vẫn được ghi là sắp ra mắt, còn mã huấn luyện và báo cáo kỹ thuật vẫn chưa có.

Ling-3.0-flash-VL có thực sự tốt hơn hẳn vì nó có điểm số độc lập không?

Không — nó có bằng chứng tốt hơn và dễ chạy hơn trên phần cứng phổ biến, đó là một khẳng định khác. Ling-3.0-flash-VL không thể tạo hoặc chỉnh sửa hình ảnh, không thể xử lý tài nguyên 3D và không có giá được công bố. Nếu tác vụ của bạn là tạo hình ảnh, chỉnh sửa hình ảnh hoặc hiểu 3D, InternLumina U2 giải quyết được điều đó còn Ling-3.0-flash-VL hoàn toàn không giải quyết được, cho dù mô hình Ling có bao nhiêu benchmark đi chăng nữa.

Số 42 trên thẻ mô hình của Ling-3.0-flash-VL có mâu thuẫn với số 25 từ Artificial Analysis không?

Không trực tiếp. Con số 42 được đo theo giao thức Intelligence Index v4.1.1 và con số 25 theo v4.3; chỉ số này đã được công bố lại vào tháng 9 năm 2026 và được chấm điểm lại toàn diện, và hai phiên bản được xây dựng từ các bộ đánh giá khác nhau. Điều có thể nói là con số 42 chưa bao giờ được tái lập một cách độc lập và con số 25 đã được tạo ra một cách độc lập.

Nơi mà một trong hai thứ này có thể được gọi

Cả Ling-3.0-flash-VL lẫn InternLumina U2 đều không nằm trong danh mục mô hình của chúng tôi, và nói ngược lại sẽ là một tuyên bố mà người đọc có thể kiểm chứng trong mười giây. Ling-3.0-flash-VL có thể truy cập thông qua nền tảng của chính Ant, nơi công bố một endpoint tương thích OpenAI và một endpoint tương thích Anthropic, thông qua quyền truy cập dùng thử miễn phí trên Ling Studio, và thông qua trọng số mở nếu bạn tự phục vụ chúng. InternLumina U2 có thể truy cập thông qua checkpoint trên Hugging Face và trình chạy suy luận của kho lưu trữ, trên phần cứng mà checkpoint đó nhắm tới.

Thứ chúng tôi thực sự định tuyến chính là mô hình thị giác mà cặp đôi này thường xuyên bị đem ra cân đo nhất trong thực tế: DeepSeek V4 Flash Vision Exp, đã có mặt trực tiếp trên danh mục với cửa sổ ngữ cảnh 1M token và mức giá được công bố, trên cùng endpoint tương thích OpenAI như phần còn lại của danh mục. Khi một phòng lab phát hành trọng số mở, một lớp định tuyến thường có thể cung cấp mô hình mà không cần chờ dịch vụ lưu trữ của chính phòng lab đó ổn định — đó chính là khác biệt thực tế giữa một mô hình có thể báo giá và một mô hình có thể gọi được. Khác biệt đó đang hiện hữu với Ling-3.0-flash-VL và, ở thời điểm hiện tại, chỉ mang tính lý thuyết với InternLumina U2, khi câu chuyện phát hành của nó là một lộ trình phần cứng chứ không phải một câu hỏi về lưu trữ.

Phán quyết thực sự bị chia rẽ, và nó chia rẽ theo phần cứng cùng tác vụ chứ không phải theo chất lượng. Ling-3.0-flash-VL là bản phát hành hoàn chỉnh: MIT, cả hai định dạng độ chính xác, được bên thứ ba chấm điểm, ưu tiên CUDA, và chỉ giới hạn ở hiểu. InternLumina U2 là thiết kế tham vọng hơn và là bản phát hành ít hoàn thiện hơn: checkpoint của một ngăn xếp phần cứng được công bố, một bề mặt sáu tác vụ hợp nhất bao gồm cả sinh và 3D, và một báo cáo kỹ thuật vẫn còn nợ. Nếu bạn cần một mô hình thị giác trên phần cứng NVIDIA trong tuần này, lựa chọn tự nó đã rõ. Nếu thiết kế multi-codebook của InternLumina U2 là điều khiến bạn quan tâm, thứ cần theo dõi chính là checkpoint NVIDIA — và vị thế trung thực cho đến lúc đó là bảng điểm chuẩn của nó, kể cả hàng mà nó thua, mô tả một mô hình mà nửa sau vẫn chưa được phát hành.