InternLumina-U2 对比 North Micro Vision Instruct：一个是今日即可运行的文档阅读器，另一个是尚未成熟的 16B 模型

如果你本周需要一个能读取文档、截图和图表的模型，这份对比有一个简短而实用的答案：North Micro Vision Instruct 是 Cohere 发布的 24 亿参数开放权重模型，采用 Apache-2.0 许可，自 2026 年 8 月 10 日起即可下载，其文档任务能力已经好到足以今天就拿来处理你自己的文件。InternLumina-U2 则是上海人工智能实验室的 160 亿参数扩散模型——一个野心大得多的设计，除了图表和文档理解，它还宣称能完成五六项其他任务——但其权重尚未公开，Hugging Face 仓库只是一个空占位，目前世上无人能运行它。更长的答案则关乎：当两个 Apache-2.0 模型都在阅读能力上宣称重叠，却只有其中一个是你真正能握在手里的东西时，意味着什么。

实际存在的那个2.4B

North Micro Vision Instruct 是 Cohere North 系列中的视觉专家：总参数约 24 亿，是一个以原生分辨率读取文档的紧凑模型。其设计要点在于，大多数视觉模型会将图像缩小到固定网格，从而丢失文档所依赖的精细细节——因此 North Micro Vision Instruct 接受原生分辨率的图像，最高约为 200 dpi 的 A4 页面，同时保留宽高比和小字号文本。Cohere 报告的数据在同尺寸级别中表现强劲：DocVQA 0.921，ChartQA 0.808，OCRBench 0.792，均为 Cohere 自行报告且未复现；已验证的多模态上下文约为 8K token，并在 MMMU（0.329）上存在有记录的短板——这也提醒我们，它是一个阅读专家，而非推理通才。它没有自己的托管 API，也没有标准的托管路线；实际使用方式是在本地自行托管一个 2.4B 模型，该模型足够小，可在单张现代工作站 GPU 上运行。社区采用一直稳步增长——到 8 月下旬，Hugging Face 页面显示每月下载量已达数万次。

作为承诺的那个16B

InternLumina-U2是一件不同寻常的产物。上海人工智能实验室于2026年9月1日发布的是推理代码和架构，而非模型：一个稀疏专家混合扩散大语言模型，总参数160亿、激活参数10亿，围绕全离散八码本视觉表示构建。该仓库的驱动脚本覆盖六类任务——文本、图像理解、文生图、图像编辑、视频理解、3D理解——其中图像理解明确包含密集图表和文档。项目页面的初步表格列出了该实验室报告的数字，与那位专家的声称处于同一区间：ChartQA 86.52、CharXiv-DQ 83.65，另有HallusionBench 62.15和MathVision 33.22。页面称这些结果为“初步的、不完整的”，本应承载完整表格的技术报告标注为“即将推出”，而且——决定性的事实是——没有任何权重可供任何人验证。

记分牌

下方所有数字均由供应商自行报告。North Micro Vision Instruct 的数据来自 Cohere 自己的评估；InternLumina-U2 的数据则来自其实验室初步整理的部分数据表。

• 尺寸与形态 — North Micro Vision Instruct：约24亿参数的稠密模型，原生分辨率阅读器。InternLumina-U2：总计160亿参数 / 激活10亿参数的稀疏MoE，离散多码本扩散模型。

• 功能 — North Micro Vision Instruct：可读取图像、文档、图表和 UI 界面；以文本形式作答，并引用依据。InternLumina-U2：宣称兼具读取与生成能力——可理解图像/视频/3D，并能生成和编辑图像。

• 权重 — North Micro Vision Instruct：自2026年8月10日起公开（CohereLabs/North-Micro-Vision-Instruct，Apache-2.0）。InternLumina-U2：未公开；Hugging Face 存根为空，权重标记为“即将推出”。

• 主要阅读成绩——North Micro Vision Instruct：DocVQA 0.921，ChartQA 0.808，OCRBench 0.792（Cohere 报告）。InternLumina-U2：ChartQA 86.52，CharXiv-DQ 83.65，HallusionBench 62.15（实验室报告，初步数据）。

• 文档上下文——North Micro Vision Instruct：原生分辨率最高支持约A4幅面（200 dpi），已验证约8K多模态上下文。InternLumina-U2：通过AToken多码本编码器处理密集图表和自然图像；上下文尚未指定。

已知弱点 — 北微视觉指令（North Micro Vision Instruct）：MMMU 0.329，无工具调用 — 是一个阅读器，而非推理器或代理。InternLumina-U2：在其自身的部分表格中，在GenEval上落后于至少一个具名对手（0.81对0.89）；一切未经验证。

• 如何运行它——North Micro Vision Instruct：自行托管一个 2.4B 模型；vLLM 支持在撰写本文时仍在落地中。InternLumina-U2：没人能运行它——没有权重，而且发布的驱动需要的 checkpoint 目录和 tokenizer 文件都不在仓库中。

同样的基准，两种截然不同的认知方式

ChartQA 是看清这两种说法之间差异的最直接方式。两个模型都报告了 ChartQA 数值：North Micro Vision Instruct 报告的是 0.808 这个准确率分数，而 InternLumina-U2 报告的是 86.52 这个百分比——同一个基准，本质上是在不同量纲下落在 80 多分区间内的相近结果，即便不同的评估划分和提示设置使得跨论文的 ChartQA 比较即使在两个模型都存在时也充满陷阱。真正重要的是认识层面的差异：North Micro Vision Instruct 的 0.808 与一个可下载的产物绑定在一起，因此任何拥有 GPU 和一组图表的团队本周就能复现或推翻它。InternLumina-U2 的 86.52 则与一份路线图绑定。一个你无法核验的数字，就是你不应据以构建的数字——而这恰恰是该实验室自身也承认的立场，它给自己的表格标注了“初步”字样。

CohereLabs/North-Micro-Vision-Instruct 的 Hugging Face 模型卡，截取于2026年8月27日——2.4B原生分辨率视觉-语言描述、Apache-2.0许可证，以及 Cohere 报告的文件阅读基准测试。

阅读，与阅读和绘画相比

架构哲学的差距比基准测试的差距更有价值。North Micro Vision Instruct 是一个狭窄的专才：它负责阅读，而且它能以足够低的成本完成这一项工作，让你可以在流水线中对每一页、每一张截图、每一张发票运行它，而不必盯着你的 GPU 账单。这种廉价本身就是特性——规模化的文档智能，与其说是准确性问题，不如说是成本问题。InternLumina-U2 则是相反的下注：一个巨大的稀疏模型，试图将阅读与图像生成、图像编辑、视频理解和 3D 理解折叠进同一个共享的离散词元接口，其理论依据是理解与生成能够相互强化。如果它成功了，那将是另一类工具——但“如果它成功了”这个前提承担了太多分量，而一个带有自定义分词器和 Blender 渲染 3D 预处理的 16B-A1B 扩散 MoE，永远不可能成为 2.4B 专才那样的廉价常驻阅读器。这两者其实并非替代品。它们一个是今天就可以部署的工具，一个是你可以为之准备的研究方向。

截图于2026年9月2日的 InternLM/InternLumina-U2 GitHub 仓库——仓库首页展示了"Omni-Visual Understanding, Image Generation and Editing"的描述，以及各任务对应的推理脚本；其中图像理解路径面向的是自然图像和密集图表。

如果你正在构建文档流水线，这意味着什么

这两个模型都没有托管在OrcaRouter上——North Micro Vision Instruct是自托管模型，没有托管API；InternLumina-U2也没有开放权重可供任何人托管——所以这里的路由切入点不是“今天通过同一个密钥同时调用它们两个”。而是有朝一日其中任何一个发生变化时你会采用的那种模式：文档流水线几乎总是将低成本阅读器与更强大的推理器配对使用，而路由层的价值就在于把这种配对表达为一次调用，同时在你实际使用的托管模型上保持0%加价的透明直传。当InternLumina-U2这样的Apache-2.0检查点最终落地时，明智的做法不是拆掉一套运转良好的文档技术栈——而是把新模型放到自动故障转移后方的测试路径上，让它通过经受住生产流量的考验来赢得生产流量；一旦它在处理真实图表时失败，调用就会回退到那个已经证明过自己的模型。一个覆盖200多个模型的API是机制，故障转移是安全网，而今天就能运行的那个专业模型才是付账单的收入来源——与此同时，16B的承诺仍在兑现之中。

裁决

就当下的文档与图表阅读而言，North Micro Vision Instruct 是两者中唯一具有实际可用意义的——体积小、Apache-2.0 许可、可下载，而且厂商报告的高分你确实可以亲自查证。InternLumina-U2 则是更有意思的长期产物，因为它正试图在单个统一模型中将“阅读”打造为六项技能之一；如果这能成功，就会改变“视觉模型”的定义。关注它那个空荡荡的 Hugging Face 仓库，要像注视发射倒计时一样：当 safetensors 文件出现的那一天，承诺就变成了模型，比较也随之成为真正的比较。在那之前，做决策时不要让厂商报告的图表基准 86.52 压过一个可下载的 0.808。