InternLumina-U2 预览版：面向图像、视频和 3D 的统一 16B 扩散模型 — 权重即将发布

2026年9月1日04:03 UTC，上海人工智能实验室创建了GitHub仓库InternLumina-U2。十三分钟后，同一机构在Hugging Face上注册了一个同名仓库。没有发布文章，没有模型卡，也没有任何形式的公告——只有InternLumina-U2的推理代码。这是一个160亿参数的混合专家模型（激活参数10亿），实验室称其为一个通过统一离散令牌接口覆盖图像理解、文生图、图像编辑、视频理解和3D理解的单一模型。代码真实且公开；模型本身尚未发布。权重标记为“即将推出”，Hugging Face仓库是空的占位符，承诺的技术报告也未出现。尽管9月1日的发布悄无声息，但它仍然是目前关于该模型最完整的公开信息。

如果你第一次听说InternLumina-U2，这正是关键所在。这次发布没有任何预告，目前也似乎不存在任何独立报道——这类模型正会最先出现在早期信号类评测文章中，先于发布公告，有时甚至先于权重开放。下文所有内容均来自GitHub仓库、项目主页，以及该实验室于9月1日自行发布的Hugging Face占位页面；超出这些来源的任何信息，都会明确标注为推断。

9月1日实际发布了什么

GitHub 仓库 InternLM/InternLumina-U2于 2026 年 9 月 1 日创建，当天共有三次提交——初始化提交、一次将模型链接标记为“coming soon”并将基准测试结果标记为“preliminary”的提交，以及一次导航修复。仓库采用 Apache-2.0 许可证，包含一份标题为“Intern Lumina U2: A Multi-Codebook Diffusion Large Language Model for Omni-Visual Understanding, Image Generation and Editing”的 README（英文版和中文版各一份）、完整的推理工具链以及路线图。值得一提的是一个细节：仓库自身的新闻条目标注的日期为“[2026-08]”，但初始化提交和仓库的两处时间戳均显示为 2026 年 9 月 1 日——实际发布日期应按 9 月初计算，而非 8 月。下方展示的仓库即为全部公开发布内容：目录树中可见的每个文件都属于此次发布的一部分，除此之外目前不存在任何其他内容。

• GitHub — InternLM/InternLumina-U2，创建于 2026-09-01，遵循 Apache-2.0 许可，包含文本、文生图、图像理解、图像编辑、视频理解及 3D 理解的推理代码。

• Hugging Face——internlm/InternLumina-U2，创建于2026-09-01，目前仅包含一个.gitattributes文件和一个28字节的README，其全部内容为Apache-2.0许可证头。没有权重文件、配置文件或分词器文件。

• 项目主页—— internlm.github.io/InternLumina-U2，包含架构图、初步基准测试表和占位演示；技术报告标注为“即将推出”。

推理代码由单个驱动程序脚本组织而成，每个任务对应一个独立部分：纯文本生成；最高 1024×1024 的文本到图像生成，支持可配置的 CFG 与时间步数；面向自然图像和密集图表的图像理解；基于指令的图像编辑，支持可选的双 CFG 模式；对 64 个采样帧的视频理解；以及对 GLB/GLTF 资产的 3D 理解——这些资产会先经捆绑的 Blender 管线渲染为 64 个彩色与深度视图，再进入分词环节。如此广泛的任务覆盖正是该模型的核心设计理念，在深入架构之前，值得先对此稍作驻足。

一个模型，六项任务，统一的词元词汇表

InternLumina-U2 属于一个推进迅速的研究方向，其押注在于：语言与视觉应当共享同一个离散词元接口，而不是分别栖身于独立的理解栈与生成栈中。该实验室此前在这一方向上的工作——在 WAIC 2025 上展示的统一离散扩散模型 Lumina-DiMOO——与 LLaDA2.0-Uni、Show-o2 和 MMaDA 一道，被视为 InternLumina-U2 所依托并宣称要超越的开创性系统。InternLumina-U2 更具体的押注是：这类统一模型的瓶颈不在架构，而在视觉词表——单一码本为单个视觉词元所能携带的信息量设定了上限；而将理解与生成拆分到不同表示之上的离散—连续混合方案，到头来仍然会迫使模型维护两套栈。

InternLumina-U2 的答案是完全离散的多码本建模。视觉侧采用 Apple 的 AToken 分词器，用八个互补的码本描述每个视觉位置——目的是在不增加序列长度的前提下保留局部纹理、嵌入文本、几何结构和高频细节。在输入侧，八个码本各自保留自己的嵌入，八个逐位置嵌入被拼接并投影为单个 backbone token。在输出侧，预测在空间上是并行的，但在码本深度上是自回归的：扩散主干并行去噪多个被掩蔽的空间位置，随后多码本自回归头按顺序预测每个位置的八个码。

• 规模——16B总参数，1B激活（16B-A1B），一种稀疏MoE。

• 语言主干——LLaDA-2.0 MoE 扩散语言模型，通过联合多任务训练将块扩散目标扩展到视觉任务（供应商描述）。

• 视觉表示 — 来自 Apple 的 AToken 分词器的 8 码本全离散令牌。

• 硬件：同时适配 NVIDIA GPU 与 Huawei Ascend NPU，覆盖训练、评估与推理，并在不同后端之间实现算子级数值对齐。

如果这些说法成立，它在实践中带来的，是多模态领域最古老的梦想：一组权重，既能读取图像、编辑图像，也能根据文字绘制新图像，还能回答关于视频的问题，并描述3D资产——理解与生成通过同一界面相互强化，而非由多个专用模型拼凑而成。这也是最值得用怀疑眼光审视的说法，因为它是实现难度最高的一个。

这些数字，也就这样了。

InternLumina-U2 的每一个基准测试结果都是由供应商报告的，且是初步且不完整的。README 和项目页面本身也如此说明：“初步的部分结果。完整的对比表将在即将发布的技术报告中出现。”由于权重未公开，不存在独立评估。请将下方数据视为实验室自身的声明，而非经过验证的分数。

• 图表/文档理解：ChartQA 86.52、CharXiv-DQ 83.65（厂商报告）。

• 视觉数学推理—MathVision 33.22、DynaMath 56.37；实验室称其在这两项上均优于仅具备理解能力的 InternVL3-8B。

• 幻觉鲁棒性 — HallusionBench 62.15。

• 视频理解VideoMME 51.26、MVBench 59.74、MLVU 57.03（项目页面）。

• 3D 理解 — 3D MM-Vet 41.8。

• 文生图 — DPG-Bench 87.10，TIIF-Bench Short/Long 84.60/85.95，GenEval 0.81（项目主页）。

• 图像编辑 — ImgEdit 3.83.

对比叙事是诚实的读者应当慢下来细看的地方。README 声称 InternLumina-U2 在细粒度理解与生成基准上超越了 InternVL-U、LLaDA2.0-Uni、Show-o2 和 Lumina-DiMOO 等统一模型——但项目页面自带的表格显示，InternLumina-U2 在 GenEval 上为 0.81，而 LLaDA2.0-Uni 为 0.89，可见该模型至少在某一项核心生成指标上落后于至少一个竞争对手。从不完整的表格里挑出几个有利的数字，正是“完整对比表格请见技术报告”这个附注想要缓和的问题。这些数字只是实验室给出的方向性信号，仅此而已。

什么是现实，什么又是承诺

此次发布的范围异常明确，而对于任何正在决定今天能否试用的人来说，这一点都很关键。已发布：推理代码。未发布：权重、训练代码（承诺将放在独立仓库中）、Ascend 训练与推理技术栈，以及技术报告。最终将承载该模型的 Hugging Face 仓库目前仍是一个占位页——下图展示的是读者点击 README 中 “Model (coming soon)” 链接后所到达页面的全部当前内容。

即便是已发布的代码，目前也无法产生输出。推理驱动程序期望在特定路径下找到切分后的 Hugging Face checkpoint 目录以及 AToken tokenizer 权重——而这两者都不在代码仓库中——因此，如今可下载到的只是模型运行方式的规范说明，而非一个可运行的模型。等到权重真正落地，自托管也绝非一次常规的 pip install 就能完成。该模型使用的是 block-diffusion generate API，而非标准的 Transformers generate 接口；AToken tokenizer 需要 FlashAttention；代码在 import 时需要可见的 GPU；根驱动程序是单进程的；3D 管线在资产编码时还需要 Blender 4.5。这是一个真正的部署工程，而不是周末随手可做的实验——而这正是路由层存在的意义：为大多数团队吸收这类摩擦。

当权重落地时，把它当作它本来的样子——一个尚未经过验证的模型。

今天没有人能运行InternLumina-U2，也没有任何服务商能提供它，因为权重并未公开存在。这种情况在某个时间点会改变——Apache-2.0许可，加上该实验室2026年积极开源的模式（ArchSpace“开放一切”的推动、InternVL3.5、Intern-S2科学模型），都使得权重发布更可能是必然而非假设。当这一切发生时，理性的第一步不是把生产管线押注在一个首日发布的、具有特殊服务要求且零独立评估的扩散模型上。而是将它与你已经信任的模型并排运行，放在测试路径上，一旦新模型出现异常，就自动故障转移到经过验证的模型上。这正是路由层所要承担的用例：一个API接入200多个模型，提供商列表价格以0%加价直接透传，而故障转移则把“试试新东西”变成一条路由规则，而非一次迁移。OrcaRouter正是这样配置的——需要说明的是，我们并不路由InternLumina-U2，也无法路由，因为权重尚未发布。这一节讨论的是当权重发布时应采用的工作流，而不是声称该模型如今已在任何地方可用。

接下来看什么

按大致可能性排序，有四个事件会让 InternLumina-U2 从预览变为现实。第一，Hugging Face 仓库开始填充内容：safetensors 文件、配置文件以及 AToken 分词器权重出现在那个占位仓库中，就是模型真正存在的时刻。第二，技术报告，它应当包含完整的对比表格，把上面零散的厂商数据变成可核查的内容。第三，训练代码仓库和 Ascend 技术栈，这对任何想在非 NVIDIA 硬件上微调或运行该模型的人都很重要。第四，第一次独立评估——一场竞技场 Elo、一次复现的 ChartQA 或 GenEval 运行——在不依赖实验室自身选择偏差的情况下检验"一个模型，六项任务"的承诺。代码已于 9 月 1 日公开，这意味着架构已经可知；权重缺失则意味着关于实际质量的一切说法仍然只是声明。关注模型仓库而非公告动态——有趣的部分已经公开，模型本身很可能也很快就会到来。