Nemotron Sports Tennis vs InternLumina U2: Cuộc so sánh mà không mô hình nào có thể thua

Hỏi xem cái nào tốt hơn — NVIDIA NemotronLabs AI for Media - Sports Tennis hay InternLumina U2 — thì câu trả lời trung thực là câu hỏi ấy không thể giải quyết được. Cả hai kho lưu trữ đều xuất hiện trên Hugging Face vào tháng 9 năm 2026, cả hai đều là mô hình đa phương thức mixture-of-experts do các phòng thí nghiệm được tài trợ hậu hĩnh xây dựng, và chúng gần như không có điểm gì chung nào khác. Mô hình của NVIDIA là một chuyên gia 31B đọc một điểm tennis duy nhất và trả lời các câu hỏi về nó. InternLumina U2, đến từ nhóm InternLM của Phòng thí nghiệm AI Thượng Hải và được công bố với tên internlm/InternLumina-U2, là một mô hình hợp nhất 16B hiểu được hình ảnh, video và 3D, đồng thời cũng tạo và chỉnh sửa hình ảnh. Chúng không chia sẻ benchmark nào, không có người dùng mục tiêu chung và không có cấu hình triển khai chung. So sánh chúng không giống như chọn một chiếc điện thoại mà giống như chọn giữa ống nghe y tế và máy in 3D.

Điều khiến cặp đôi này dù sao cũng đáng để viết tới là một điểm chung mà cả hai mô hình đều có: không mô hình nào được đánh giá độc lập, và cả hai đều đang được chính nhà cung cấp của mình mô tả như một thứ gì đó chưa hoàn thiện. Đó mới là phép so sánh thực sự — không phải mô hình nào thắng, mà là hôm nay bạn thực sự có thể xác minh được bao nhiêu ở mỗi mô hình.

Hai công việc khác nhau cùng khoác chung một từ ngữ

"Đa phương thức" bao trùm cả hai và chẳng cho bạn biết gì cả. Đây là sự phân tách:

• Những gì nó tiếp nhận — Sports Tennis: video (mp4 tối đa 2 phút), âm thanh (wav/mp3), hình ảnh, văn bản. InternLumina U2: văn bản, hình ảnh, video và 3D. Mô hình quần vợt là mô hình duy nhất trong hai mô hình có đáng kể đường xử lý âm thanh, được kết nối qua bộ mã hóa giọng nói Parakeet, thứ đọc âm thanh đám đông và âm thanh va chạm song song với các khung hình.

• Những gì nó trả lại — Sports Tennis: chỉ văn bản. InternLumina U2: văn bản và hình ảnh được tạo hoặc chỉnh sửa, thông qua biểu diễn thị giác hoàn toàn rời rạc 8-codebook được xây dựng trên AToken.

• Điều người dùng hỏi — Thể thao Quần vợt: "điều gì đã xảy ra trong điểm này, người chơi đang đứng ở đâu, bóng có rơi vào sân không." InternLumina U2: "mô tả biểu đồ này, và sau đó vẽ cho tôi một phiên bản mới của nó."

• Kiến trúc — Sports Tennis: MoE lai Mamba2-Transformer, tổng 31B với khoảng 3B tham số hoạt động trên mỗi token, kế thừa backbone và các encoder từ Nemotron 3 Nano Omni. InternLumina U2: một MoE thưa 16B với 1B tham số hoạt động, được xây dựng như một mô hình ngôn ngữ khuếch tán đa codebook thay vì một mô hình tự hồi quy thông thường.

• Ngữ cảnh — Sports Tennis công bố tối đa 256k token. Thẻ của InternLumina U2 không quảng cáo thông số ngữ cảnh.

• Giấy phép — Sports Tennis được phát hành theo OpenMDW-1.1 với thẻ ghi rõ việc sử dụng cho mục đích thương mại và phi thương mại. InternLumina U2 là Apache 2.0.

Điều thực sự khiến chúng không thể so sánh được

Không có bảng điểm chung nào, và đáng để nói chính xác vì sao thay vì chỉ nhún vai một cách mơ hồ.

Sports Tennis được tinh chỉnh trên một bộ dữ liệu quần vợt độc quyền của NVIDIA — 1.312.129 ví dụ Q&A trải khắp 43.084 clip cấp điểm từ 239 trận đấu, được gán nhãn theo 38 hạng mục chú thích, tất cả được thu thập vào năm 2025. Tập kiểm tra của nó là một phân vùng giữ riêng gồm 12 trận đấu, 2.689 clip và 80.872 câu hỏi. Mỗi một trong những thành phần đó đều thuộc về chính NVIDIA. Không nhóm bên ngoài nào có dữ liệu, nên không nhóm bên ngoài nào có thể tái tạo một điểm số — và hóa ra, NVIDIA không công bố điểm số nào để tái tạo. Thẻ mô hình ghi lại chi tiết giao thức đánh giá rồi sau đó không báo cáo kết quả nào từ giao thức đó. Không có gì về độ chính xác, không có gì theo từng hạng mục, không có gì cả.

InternLumina U2 nằm ở phía đối diện của cùng bức tường đó. Nó công bố các con số, nhưng chúng được nêu rõ là chỉ mang tính một phần. Thẻ mô hình nói rõ điều đó trong một dòng: "Kết quả sơ bộ, chỉ một phần. Các bảng so sánh đầy đủ sẽ có trong báo cáo kỹ thuật sắp tới." Những gì hiện có là một loạt các con số do nhà cung cấp báo cáo trải rộng trên những năng lực rất khác nhau — ChartQA 86,52 và CharXiv-DQ 83,65 trên tài liệu, MathVision 33,22 và DynaMath 56,37 về toán thị giác, VideoMME 51,26 và MVBench 59,74 trên video, 3D MM-Vet 41,8, DPG-Bench 87,10 và GenEval 0,81 về tạo sinh, ImgEdit 3,83 về chỉnh sửa. Và bảng của chính trang dự án cho thấy mô hình này xếp sau ít nhất một đối thủ được nêu tên ở ít nhất một chỉ số chính: GenEval 0,81 so với 0,89 của LLaDA2.0-Uni.

Vậy nên một mô hình có đánh giá đã được ghi lại nhưng không có kết quả, còn mô hình kia có kết quả nhưng đánh giá được nêu rõ là chưa hoàn chỉnh. Cả hai đều không cho bạn một con số để đặt cạnh nhau. Bất kỳ trang nào xếp hạng hai mô hình này đều đã bịa ra thứ hạng của mình.

Nơi chúng thực sự giao thoa, và điều đó cho thấy gì

Hiểu video là lãnh thổ duy nhất mà cả hai đều tuyên bố sở hữu, và ngay cả ở đó, mức trùng lặp cũng mỏng hơn vẻ ngoài của nó. InternLumina U2 báo cáo VideoMME 51,26 và MLVU 57,03 và MVBench 59,74 — điểm hiểu video tổng quát, do nhà cung cấp báo cáo. Sports Tennis không báo cáo gì, nhưng thẻ của nó mô tả một tác vụ hẹp hơn nhiều và sâu hơn nhiều: suy luận ở cấp độ điểm trong một pha bóng đầy đủ có âm thanh, trải qua 38 hạng mục chú thích chi tiết bao gồm cơ học cú đánh, vị trí trên sân, di chuyển và trạng thái tỷ số.

Suy luận hợp lý là InternLumina U2 sẽ là mô hình tổng quát tốt hơn còn Sports Tennis là mô hình đọc tennis tốt hơn, nhưng đó là suy luận từ hình dạng nhiệm vụ, không phải từ dữ liệu. Nó hoàn toàn có thể sai theo cả hai hướng. Điều không phải là suy luận là việc một benchmark video tổng quát và một benchmark tennis độc quyền ở cấp điểm không thể được đặt trên cùng một trục, và rằng một generator hợp nhất 16B và một mô hình chuyên biệt encoder đóng băng 31B không được xây dựng để trả lời cùng một câu hỏi.

Vận hành một trong hai thứ đó là một kiểu dự án hoàn toàn khác.

Triển khai là nơi khoảng cách không còn mang tính triết lý nữa.

Sports Tennis nêu rõ mức tối thiểu cứng là một GPU với khoảng 80 GB bộ nhớ ở BF16, với trọng số khoảng 62 GB, đã được thử nghiệm trên A100, H100, H200, B200, GB200 NVL72, RTX PRO 6000 SE, L40S, DGX Spark, Jetson Thor và RTX 5090. Không có checkpoint lượng tử hóa, vì vậy yêu cầu 80 GB hiện tại không thể thương lượng giảm xuống. Nó cũng chỉ hỗ trợ tiếng Anh.

Vấn đề thú vị hơn của InternLumina U2 không phải là bộ nhớ, mà là silicon. Kho lưu trữ chứa các checkpoint được chia theo phần cứng huấn luyện: một ascend/ hoàn chỉnh với bảy phân đoạn safetensors được huấn luyện trên các NPU Huawei Ascend, và một nvidia/ được đánh dấu "sắp ra mắt." Nếu bạn đang chạy phần cứng NVIDIA — mà với một mô hình có phiên bản anh em là bản tinh chỉnh quần vợt của Nemotron, thì đó là phần lớn độc giả ở đây — checkpoint bạn muốn lại chính là cái chưa xuất hiện. Mã suy luận và hướng dẫn thiết lập nằm trong kho GitHub InternLM chứ không phải trên Hub, và báo cáo kỹ thuật vẫn đang chờ.

Điều đó đảo ngược kỳ vọng thông thường. Mô hình độc quyền, chưa được đo kiểm hiệu năng, có dạng thiết bị đóng gói sẵn lại là thứ bạn có thể tải về và chạy ngay bây giờ ngay từ ngày đầu tiên. Còn mô hình nghiên cứu mở Apache-2.0 lại là thứ đang chờ một bản dựng dành riêng cho phần cứng.

Router phù hợp ở đâu — và không phù hợp ở đâu

Cả hai mô hình này đều không được lưu trữ trên OrcaRouter, và không có cách nào trung thực để viết né tránh điều đó. Sports Tennis không có endpoint nào ở bất kỳ đâu; NVIDIA chỉ công bố trọng số và không có gì khác. Kho lưu trữ của chính InternLumina U2 ghi chú rằng các checkpoint của NVIDIA vẫn đang chờ xử lý, nên phía chúng tôi cũng không có gì để phục vụ. Đây là quyết định tự vận hành ở cả hai trường hợp, không phải quyết định định tuyến.

Câu hỏi định tuyến xuất hiện ở một tầng cao hơn. Một nhóm muốn đánh giá một mô hình chuyên biệt như Sports Tennis so với một mô hình tổng quát như InternLumina U2 không làm việc đó một cách tách biệt — họ làm việc đó với tư cách một ứng viên trong một pipeline cũng cần phiên âm giọng nói, xử lý tài liệu, tóm tắt và logic ứng dụng xung quanh chúng. Những thành phần đó được host, và chúng là những phần mà một khóa API duy nhất bao phủ hơn 200 mô hình với tính năng chuyển đổi dự phòng tự động giữa các nhà cung cấp giúp tiết kiệm một tuần công việc tích hợp. Một khóa cho những mô hình bạn có thể gọi, nên những mô hình bạn phải tự chạy là thứ duy nhất bạn thực sự phải duy trì.

Câu hỏi mở

Đặt cạnh nhau, NVIDIA NemotronLabs AI for Media - Sports Tennis và InternLumina U2 là một minh họa khá ổn về hai cách phát hành công khai một mô hình đa phương thức một cách tệ hại. Một bên đã ghi lại quy trình đánh giá của mình và giữ kín kết quả; bên kia công bố kết quả và dán nhãn đánh giá của mình là chưa hoàn chỉnh. Tính đến tháng 9 năm 2026, cả hai đều là những tuyên bố không thể kiểm chứng sai.

Điều thú vị đáng để theo dõi không phải là mô hình nào hóa ra mạnh hơn — chúng sẽ không bao giờ được kiểm tra trên cùng một thứ. Mà là phòng lab nào thu hẹp khoảng cách của mình trước. Nếu NVIDIA công bố các con số tennis, thì họ đã giải quyết được bài toán khó hơn, bởi vì một bộ benchmark giữ kín độc quyền gồm 12 trận đấu chưa từng thấy là cách trung thực duy nhất để chấm điểm một lần tinh chỉnh theo lĩnh vực, và NVIDIA đã tạo sẵn tập tách đó. Nếu InternLM phát hành các checkpoint NVIDIA và báo cáo kỹ thuật, thì họ đã khiến mô hình Apache-2.0 của mình thực sự dùng được trên phần cứng mà người dùng của họ sở hữu. Dù điều nào xảy ra, so sánh này cũng sẽ đáng để đọc lại — bởi vì hiện tại, điều biện hộ được vững chắc nhất mà model card của một trong hai mô hình có thể đưa ra chỉ là một cái nhún vai.