LFM3-Omni-2B 对比 InternLumina U2：两个模型，Omni 的两种含义

LFM3-Omni-2B和InternLumina U2都被归在“omni”这个标签之下，但它们做的并不是同一门生意。Liquid AI 的这款 21.7 亿参数模型接收文本、图像、视频和音频，输出文本或 24 千赫兹语音。上海人工智能实验室的 InternLumina U2 接收文本、图像、视频和 3D，输出文本或图片。一个是嘴，另一个是手。你几乎能找到的每一篇把这两者放在一起的对比，都会把篇幅花在只有其中一方才够得着的基准测试上，正因如此，那个真正有用的问题才更窄、回答起来也更省事：“omni”的哪一半，正是你的产品所缺的？

两个版本的发布形态也截然相反，而这一点比通常更重要。Liquid AI 于2026年10月27日在一篇帖子中发布了 LFM3 系列，涵盖六款2B级模型，而 LFM3-Omni-2B 只是那篇帖子中的一行，并非独立发布——其权重自10月21日起就已存放在一个公开仓库中。InternLumina U2 则相反：推理代码和一个项目页面于9月1日出现，权重随后出现在按硬件划分的文件夹中，且始终没有任何公告。两个模型都没有第三方复现过的数字。下文中的每一个数字都是厂商在描述自己。

拒绝比规格更能说明问题

规格清单的写法是为了让各型号看起来兼容。不妨反过来，从每个型号在物理上根本无法接受什么开始，因为这两份清单完全没有交集。

LFM3-Omni-2B 无法绘图。其技术栈中有一个视觉编码器，但它只能读取；输出通路是文本和语音。让它编辑照片，诚实的回答是，该请求在模型中没有对应的表示。

InternLumina U2 不会说话。它没有音频编码器，没有编解码器分词器，也没有语音头。给它一个 WAV 文件，架构中没有任何部分能接收它。它的“omni”是一场押注：理解与生成应归于同一个视觉主干；其输出词表是文本和图像 token，而不是波形。

所以第一个问题不是哪个模型得分更高。而是你的工作负载需要的是合成语音还是编辑后的图像，因为双方各自恰好只有其中一项可用，而且两个模型都不会因为微调而获得另一项能力。这是分词器的属性，而不是训练数据的属性。

一个口述句子，另一个对其进行润色完善。

这些架构的差异所在，比参数数量更深一层，而这种差异解释了能力上的分化。

LFM3-Omni-2B 是自回归的。一个 17 亿参数的 LFM3 主干从 LFM3 视觉编码器和 LFM3 因果音频编码器读取 token，并从左到右输出文本 token 或 LiquidCodec 语音 token。视频以每秒 2 帧采样，每个 2×2 图像块会压缩为单个语言 token，这正是 2.17B 模型能在手机上保持 32K 窗口可用的原因。语音以 24 kHz 输出，音频以 16 kHz 单声道输入。

InternLumina U2 是一个扩散语言模型，而这正是值得慢下来仔细琢磨的部分。它不会一次只输出一个 token，而是从噪声出发，利用掩码扩散目标并行地精炼整个序列。它的视觉表示完全离散——每个位置有八个由 AToken 视觉 token 组成的码本，在输入侧拼接，在输出侧逐码本预测。于是，生成图像与回答问题就成了同一种操作：对一串视觉 token 进行去噪。这与所有其他开放多模态模型所下的注截然不同，也正是该模型能够生成图像的原因。

这一押注的代价在于工具链。InternLumina 并不是你三行代码就能调用的 transformers 流水线。该模型卡要求使用带 FlashAttention 的 AToken 分词器、自定义的 block-diffusion 生成 API，而且如果你想要渲染出 3D 输出，还需要 Blender 4.5。相比之下，LFM3-Omni-2B 以普通的 BF16 权重形式发布，配有文档化的微调路径，并且已有 Ollama 构建在流传——其条目中标称 125K 上下文，而模型卡中写的是 32K，这一差异至今无人解释。

决定是否适配的规格

• 参数 — LFM3-Omni-2B 为 2.17B 稠密模型；InternLumina U2 总参数量 16B，在稀疏混合专家中激活 1B。

• 输出 — 文本与 24 kHz 语音，包括交错的文本与语音，对比文本以及生成或编辑的图像。

• 输入 — 文本、图像、带音频或不带音频的视频，以及 16 kHz 音频；对比项为文本、图像、视频和 3D。

• 上下文 — 32K tokens 覆盖输入和输出，而 InternLumina 模型卡仍未说明上下文长度。

• 语言 — LFM3-Omni-2B 支持 16 种文本语言和 19 种语音区域设置；InternLumina 未公布数量。

• 许可证 — LFM Open License v1.0，这是一种收入门槛许可证；相较于 Apache 2.0，后者对捆绑的 AToken 和 VeOmni 代码设有例外条款。

• 硬件——一边是手机、笔记本电脑和边缘板卡；另一边，检查点分为在华为昇腾 NPU 上训练的 ascend/ 树和 nvidia/ 树，每棵树约 33.8 GB。

他们实际共用的两个基准

两张卡片中恰好有两个视频数字，而它们对哪个模型更好存在分歧，这是本页最具信息量的内容。

在 MVBench 上，InternLumina U2 报告 61.8，LFM3-Omni-2B 报告 58.03，扩散模型领先 3.8 个百分点。在无字幕的 Video-MME 上，LFM3-Omni-2B 报告 57.70，InternLumina U2 报告 56.7，反过来领先 1 个百分点。两组结果均由厂商自行运行，使用不同的评测框架和不同的提示词，并且两家实验室都未公开评测代码。在这种情况下，1 个百分点的差距属于噪声；3.8 个百分点的差距可能是真实的，但对你自己的视频素材说明不了什么。

其余项目则都不共享。InternLumina 的模型卡以 CharXiv-DQ 85.9 和 HallusionBench 64.6 领衔，这两项文档与幻觉测试 LFM3-Omni-2B 从未参加过。LFM3-Omni-2B 的模型卡则以 DocVQA 92.47、OCRBench 806 和 MMMU 42.44 领衔，另外还有一列语音指标——英语 ASR 词错误率 6.36、多语言 6.72、TTS UTMOSv2 3.80——而这一列在另一边没有对应项。它自己的模型卡注明，这些数字由 Liquid AI 使用各模型自身的聊天模板和贪心解码测得，这是标准免责声明，也是一条实打实的说明。

InternLumina 更为坦率：其模型卡将结果称为“初步的、部分的结果”，并暂不提供对比表。这并非故作谦虚。一个 16B-A1B 扩散模型能在 DPG-Bench 上达到 87.79、在 GenEval 上达到 0.89 来生成图像，这是一项重要的成果，而且也是那种当有人用不同采样器重跑时就会发生变化的结果。

谁应该选哪个

如果你的产品需要“开口回话”——语音助手、免提界面、无障碍工具，或是能把口头答复直接交给来电者的通话摘要器——那么在这两者之中，LFM3-Omni-2B 是唯一能胜任的。它也是唯一在设备端运行的模型，而这对语音而言有着双重意义：音频是大多数应用所触及的最隐私敏感的模态，而把它发送到服务器，是一个你必须给出正当理由的决定。

如果你的产品需要生成或编辑图像，InternLumina U2 是唯一能起步的那个。代价是，你现在得在 Ascend 优先的硬件上维护一套扩散推理栈，其中 NVIDIA 代码树直到最近才变得可用，而 3D 路径还需要安装 Blender。那是研究型部署，不是应用商店式的部署。

几乎没有人愿意承认的是，真实产品两者都需要，而这两个模型无法彼此组合。一个既需要生成图表又需要语音讲解的请求，必须跨越两套运行时、两种许可证和两套硬件配置。大多数团队最终会在这个接缝处放一个路由器，而不是一个更大的模型。OrcaRouter 是这种安排的托管侧——一个 API 覆盖 200 多个模型，按供应商标价 0% 加价，并在供应商宕机时自动故障转移——而 LFM3-Omni-2B 和 InternLumina U2 目前都不在该目录中。重点不在于其中任何一个是否应该被列在那里。重点在于，一旦你把工作拆成两半，后半部分就需要有地方运行。

什么会改变答案

对任一模型进行一次独立评测，都会比再做一张厂商对比表更有价值。对 InternLumina U2 来说，值得关注的数字是不同采样器下的生成质量，因为扩散模型的输出会随采样器变化而改变，而尚无外部方尝试过。对 LFM3-Omni-2B 来说，关键在于语音在 Liquid 自家提示词之外是否依然站得住脚——具体而言，3.80 的 UTMOSv2 能否经受住一位并非在给自己的作品打分的听者检验。

在此之前，决定取决于比基准测试更罕见的东西：一份能力清单。LFM3-Omni-2B 能说话，却不能画图。InternLumina U2 能画图，却不能听。对大多数团队来说，这在第一次评估运行之前就已经定论了。