InternLumina-U2 对比 Qwen2.5 Omni：阿里巴巴已交付的 Omni 模型 vs 上海人工智能实验室仍被寄予厚望的那一款

InternLumina-U2 和 Qwen2.5 Omni 是对同一个愿景的两种回答——用单一模型处理所有模态，而非一群各司其职的专用模型——但两者相隔了两代。Qwen2.5 Omni 是真正落地发布的那一个：一个 2025 年 3 月发布的 70 亿参数开放权重模型，截至本文撰写时已问世十七个月，可接收文本、图像、音频和视频输入，并以文本或自然的流式语音作答。InternLumina-U2 是上海人工智能实验室给出的答案，于 2026 年 9 月 1 日以推理代码形式发布：一个 160 亿参数的稀疏扩散模型，声称能够感知图像、视频和 3D 内容，并通过一个共享的离散词元接口生成与编辑图像。全模态理念的这一代产品已投入生产应用一年半；另一代则刚满一天，而且因为其权重尚不存在，任何人都无法运行它。两者之间的差距，就是兑现的承诺与许下的承诺之间的区别。

已发布的 Omni：Qwen2.5 Omni

Qwen2.5 Omni作为基线模型值得认真对待，因为它是少有的真正兑现了"感知一切，以任意形式作答"承诺的开源模型。其Thinker-Talker架构将文本思考器与负责渲染语音的说话器配对，采用时间对齐的多模态位置编码，使音频和视频保持同步；输入涵盖文本、图像、音频和视频，输出可在同一轮次中生成文本加语音，并内置四种语音。其限制与能力一样有明确记录：上下文为32K token，不支持函数调用，也没有结构化输出，它是一个全能型对话者，而非智能体。它不能做什么，对本次对比而言值得强调——它能感知图像、音频和视频，但无法生成它们。Qwen2.5 Omni中的"Omni"指的是全模态感知，外加输出端的语音合成；像素输入，文字输出。

这份履历是实打实的。该模型已被下载数十万次，通过开发者自己的平台和多个第三方平台提供托管 API，并在十七个月里积累了量化版本、社区工具和明确的价格——聚合平台列表显示，文本输入约每百万 token 0.09 美元，输出约每百万 token 0.34 美元，音频另行计费。十七个月久到足以让它的优势和局限都被摸清。这就是成熟所带来的：不是完美，而是可预测性。

应许的全能者：InternLumina-U2

InternLumina-U2正试图比Qwen2.5 Omni再进一步，而这恰恰是难点所在。其设计理念是：感知与生成应共享同一个离散词元接口——不再是"一个语言模型负责感知视频、另一个独立的扩散模型负责绘制"的组合，而是一个稀疏MoE扩散骨干（总参数16B，激活参数1B），既能读取图像、图表、视频或3D资产，也能生成新图像或执行编辑。它采用完全离散的八码本视觉词表，使每个视觉位置都携带足够的信息来支撑两个方向的任务。这比Qwen2.5 Omni的主张实质性强得多。将所有输入模态路由到文本和语音是一回事；让同一组权重生成像素时能像推理像素一样流畅，则完全是另一回事。

目前，这也是一个无法验证的说法。该实验室发布了推理代码、一个带有“初步、不完整”基准测试表的项目页面，以及一个空的 Hugging Face 占位仓库；权重、训练代码、技术报告和 Ascend-NPU 技术栈均被标记为“即将推出”。目前不存在任何独立评估，因为没有任何可评估的内容。Qwen2.5 Omni 的架构在发布当周即可核查，因为权重随之一同发布；InternLumina-U2 的架构如今已可查看，但其质量仍只是厂商的承诺。

记分牌

由于其中一个模型有十七个月的历史，而另一个只有一天的代码，因此这些行承载着各自的来源，而不是假装各列是对称的。

• 年龄 — Qwen2.5 Omni：2025年3月发布，已在真实环境中运行17个月，下载量达数十万次。InternLumina-U2：推理代码于2026年9月1日发布，下载量为零，独立运行为零。

• 形态 — Qwen2.5 Omni：约7B参数的端到端模型，采用Thinker-Talker架构，具备时间对齐的多模态位置编码。InternLumina-U2：总参数16B/激活参数1B的稀疏MoE扩散大语言模型，配有八码本离散视觉分词器。

• 输入——两者都支持文本和图像；Qwen2.5 Omni 还额外支持音频和视频，用于全模态对话；InternLumina-U2 还宣称支持对 64 个采样帧的视频理解，以及对 Blender 渲染的 GLB/GLTF 视图的 3D 理解。

• 输出 — Qwen2.5 Omni：文本与流式语音（四种音色）。InternLumina-U2：宣称支持文本、最高 1024×1024 的文生图，以及基于指令的图像编辑。

• 生成前沿 — Qwen2.5 Omni：生成文字和语音，而非像素。InternLumina-U2：尝试在读取文本所用的同一离散标记模型中进行像素生成与编辑。

• 权重与许可证 — 两者原则上均为 Apache-2.0 开放权重；Qwen2.5 Omni 的权重今天即可下载，InternLumina-U2 的权重尚未公开。

• 部署服务 — Qwen2.5 Omni：提供托管 API，并支持自托管（全精度部署，体量较大）；已知上下文长度为 32K，不支持函数调用。InternLumina-U2：无法提供服务——已发布的驱动所依赖的检查点不存在。

• 重点数字 — Qwen2.5 Omni：长期在 OmniBench 排行榜占有一席之地（当前榜单得分约为 0.561）；InternLumina-U2：ChartQA 86.52、MathVision 33.22、GenEval 0.81——均为厂商报告，属初步且部分的数据。

为什么代沟才是真正的问题

先把发布时间放到一边，实质的差别在于每个模型各自止步的能力边界。Qwen2.5 Omni 选择了一个容易落地的全模态版本：感知覆盖面广，用语言或语音来回答，而把图像与视频生成交给技术栈里其他专门的生成模型。这种分工方式正是 2026 年几乎所有生产级多模态系统的构建方式，也正是 Qwen2.5 Omni 能在 2025 年发布并到 2026 年仍不失其价值的原因——它把自己的分内事做好，并能与其余部分顺畅组合。InternLumina-U2 押注的是：分工本身就是问题所在——一个被迫在同一个共享离散词表中表征一切的模型，即既表征感知也表征生成，会比一个只需要描述视觉的模型学到更深层的视觉理解。这笔押注若是对了，那将是更重要的成果；若是不对，InternLumina-U2 到头来不过是更慢、更耗资源、还硬把图像生成器塞进同一套权重的 Qwen2.5 Omni。整场较量——而且这是已落地的设计与一个尚未证实的假说之间的较量，不是两个可运行模型之间的较量——说到底就在于：更艰难的架构本身，是否站得住脚。

Qwen/Qwen2.5-Omni-7B 的 Hugging Face 模型卡，截取于 2026 年 8 月 27 日——展示了 Thinker-Talker 概览、Apache-2.0 许可证，以及模型的文本、图像、音频和视频模态标签。

一年半的下载量实际上能买到什么

成熟不是一种氛围，而是一份你所知道的事情清单。用 Qwen2.5 Omni，你知道 32K 上下文是硬性约束，也能在工程上绕着它做设计。你知道没有函数调用这条路径，也不会假装有。你大致知道一次部署要花多少钱——无论是通过托管 API，还是用你自己的 GPU 跑——因为这个模型已经被足够多的人定价、运行过，数字已经沉淀下来。你知道 OmniBench 上的表现是实实在在的，因为独立排行榜已经追踪它一年多。而对 InternLumina-U2 来说，上面这些“知道”一个都不成立——你不知道，也不可能知道，因为还不存在实际产物。当一个模型才一天大、还没有分量的时候，关于它的每句话都只是意向声明。这种不对称并不是在贬低科学；对任何正在选择以什么为基础来构建的人来说，这才是正确的认识论立场。

于2026年9月2日抓取的 InternLM/InternLumina-U2 GitHub 仓库——公开其架构的仓库落地页——包含描述、许可证和推理脚本，而权重本身不在文件树中。

如实呈现的路由决策

我们将直截了当地说明可用性：OrcaRouter 并不托管 InternLumina-U2，因为根本没有权重可供任何人托管；我们目前也没有接入 Qwen2.5 Omni——它通过开发者自己的 API 和第三方平台运行。所以这里的路由教训在于姿态，而不是今天就能用一个密钥调用这两个模型。真正持久的模式，是每一场“成熟模型对阵后来者”的抉择最终都会遇到的：把久经检验的模型留在主路径上——在那里，一个 API 覆盖 200+ 模型、0% 加价直通，意味着你只需按服务商标价付费，仅此而已；把未经验证的新模型指向带自动故障转移的测试路径，这样当它第一次卡顿、偏离或返回胡言乱语时，调用就会自动回退到那个拥有十七个月稳定记录的模型上。这样一来，当 InternLumina-U2 这样雄心勃勃的新架构权重发布的那一天，你就能去评估它——而不必拿你已经依赖的生产路径去冒险。

裁决

Qwen2.5 Omni 是你现在就可以基于其构建的全能模型：已交付、可下载、有文档、局限已知、价格已定。InternLumina-U2 则是值得关注的全能模型：它在架构上真正迈出了从感知迈向创造的一步，采用 Apache-2.0 许可，代码已公开，权重待发布。如果该实验室的多码本押注能经得起独立测试的检验，InternLumina-U2 与其说是 Qwen2.5 Omni 的对手，不如说是同一理念的下一代。如果不能，那么那个真正发布、已有十七个月之久的通用模型仍会在那里，一如既往地履行职责。敬请关注 Hugging Face 上的占位页面；最终结论要看 safetensors 文件，而不是这篇文章。