InternLumina-U2 vs Gemini Omni 1.1 Flash：尚無法運行的模型 vs 按秒付費的模型

如果你的期限就在這一週，那這個比較的答案一句話就能講完。Gemini Omni 1.1 Flash 是 Google 已全面開放使用的影片生成模型——你透過 API 呼叫它，它會回傳一段音訊同步的短片，並按輸出秒數計費。InternLumina-U2 則是上海人工智慧實驗室低調發表的 Apache-2.0 研究模型——你可以下載它的推論程式碼，但拿不到權重，實驗室仍將權重標示為「即將推出」。一個是你現在就能花錢買到的產品；另一個是論文形態、你根本無法執行的賭注。真正有意思的是，為什麼有人會把這兩者放在同一個句子裡比較，以及它們各自說明了 2026 年底開放多模態研究將走向何方。

以下所有內容皆依來源標示。InternLumina-U2 的詳細資訊來自該實驗室於 2026 年 9 月 1 日發布的 GitHub 儲存庫與專案頁面——當天同一個空的 Hugging Face 佔位頁面也出現——其所有基準測試數據皆為廠商自行報告、初步且未經重現的結果。Gemini Omni 1.1 Flash 的詳細資訊則來自 Google 自家的發布資料與定價頁面，該模型於 2026 年 8 月 27 日正式全面開放。

同一個「多模態」問題的兩個答案

這兩種模型都籠統地掛在「一個模型、多種模態」的旗幟下，而這個共同的標籤正是它們會被拿來比較的唯一理由。但在這層標籤之下，它們幾乎毫無共通之處。Gemini Omni 1.1 Flash 是封閉式、託管且以影片為優先的生成服務：只要輸入文字、圖片、簡短的參考片段或音訊，它就能產出最多十秒的 720p 影片，連同語音、音樂與音效一起處理好；還能以十秒為單位延展，組成一段四十秒的場景。它會針對你已提供的片段進行推理——延伸過程現在會檢視最多十秒的先前內容（先前則否）——並支援首/末幀控制，所以你可以固定鏡頭的起點與終點，讓模型填滿中間的部分。它以秒計費，本質上是製作動態影像的工具。

InternLumina-U2 是另一個方向的賭注：一個單一的稀疏混合專家模型，總參數 160 億、活躍參數 10 億，號稱能透過單一共享的離散 token 介面理解影像、影片與 3D 資產，並生成和編輯影像。它的視覺端完全是離散的——來自實驗室稱為 AToken 的分詞器，配備八個互補碼本，因此每個視覺位置由八個碼描述，而非一個——而語言端則是實驗室從 LLaDA-2.0 延伸而來的擴散骨幹。其主張是：理解與生成應在單一權重集中互相增強，而不是由專業模型拼接而成。這種做法是否可行，目前無法回答：該模型在任何地方都無法運行，因為其權重並未公開存在。

那個記分板，也就那樣吧。

這個配對的誠實記分板必須在每一行都承載溯源資訊，因為其中一欄是價格已公開的上市產品，另一欄則是完全没有價格的未發布研究宣稱。

• 這是什麼 — Gemini Omni 1.1 Flash：一個託管式影片生成與編輯模型（模型 ID：gemini-omni-1.1-flash），2026 年 8 月 27 日全面上市（GA）。InternLumina-U2：一個開放科學的擴散式 LLM，用於全方位視覺理解、圖片生成與編輯，程式碼於 2026 年 9 月 1 日發布。

• 權重 — Gemini Omni 1.1 Flash：無，封閉且僅限代管。InternLumina-U2：同樣也還沒有，但採用 Apache-2.0 授權，並明確標示為「即將推出」。

• 你獲得的輸出 — Gemini Omni 1.1 Flash：10秒720p附音訊片段，可延長至40秒；1080p和4K升頻；同時提供文字。InternLumina-U2：目前還沒有任何內容 — 推論程式碼和路線圖。

• 它所接受的輸入 — Gemini Omni 1.1 Flash：文字、圖像、影片（每個提示最多約 131K 個輸入 token；三個各 10 秒的片段）、音訊。InternLumina-U2：宣稱支援文字、自然圖像、密集圖表、超過 64 個取樣幀的影片，以及渲染成 64 個色彩與深度視圖的 GLB/GLTF 3D 資產。

• 如何執行 — Gemini Omni 1.1 Flash：透過有狀態的 Interactions API 使用 Google 的 Gemini API；消費者可透過 Google Flow 使用，適用於 AI Plus、Pro 與 Ultra 訂閱者。InternLumina-U2：僅限自行託管，且必須等待權重釋出後才能使用；程式碼預期使用分割的檢查點目錄、AToken tokenizer 權重、FlashAttention，以及用於 3D 路徑的 Blender 4.5。

• 費用 — Gemini Omni 1.1 Flash：360p 草稿模式每秒 $0.03，720p 每秒 $0.10，1080p 每秒 $0.15，4K 每秒 $0.30。Token 費率為每百萬個輸入 Token 收費 $1.50，每百萬個文字輸出 Token 收費 $9.00。InternLumina-U2：一旦問世，費用就是你自己 GPU 的成本。

這兩個欄位所衡量的軸線並不相同。Gemini 那一側是已定價、已提供服務且能立即發揮效用；而 InternLumina 那一側則只是一個尚未成為模型的模型規格。

目前實際最新的部分：Gemini Omni 1.1 Flash 的正式發布版（GA）

{{1}}Gemini Omni 1.1 Flash 本週本身就值得關注，因為此刻正是 Google 的 Omni 影片產品線告別預覽階段的時刻。{{/1}} {{2}}先前的 Gemini Omni Flash 預覽端點排定於 2026 年 9 月 30 日關閉，而這個 GA 模型正是開發人員即將轉移到的替代方案。{{/2}} 這份升級清單非常具體：{{3}}以十秒增量構成、最多四十秒的場景延伸{{/3}}；{{4}}關鍵影格控制，可指定首幀與末幀，讓模型生成中間的銜接畫面{{/4}}；{{5}}最長三秒的參考片段，可維持角色或場景設定的一致性{{/5}}；還有{{6}}360p 草稿方案，定價是 720p 的三分之一，執行速度最高快 60%，便於在昂貴的最終渲染前迭代提示詞{{/6}}。如果你在建置影片管線，這張價格表——{{7}}720p 每秒 0.10 美元、十秒片段每段 1.01 美元、以四次延伸呼叫組成的四十秒 720p 場景約 4 美元{{/7}}——正是會改變你成本模型的關鍵數字。

這些都不足以讓它在任何實際運作意義上成為 InternLumina-U2 的競爭對手。Gemini Omni 1.1 Flash 能生成動態畫面；而 InternLumina-U2，若其宣稱經得起實際權重的考驗，則能理解動態並生成靜態影像。本季需要產品影片的團隊不會在兩者之間做選擇——Gemini 模型是兩者中唯一實際可呼叫的，而且可透過 Google 自家的 API 及多個第三方平台取得。

位於 Google AI 開發者網站上的 Gemini API「Models」文件，於 2026 年 9 月 2 日擷取——該頁面列出了目前的 Gemini 系列，側邊欄導覽中包含 Gemini Omni 產品線。

完全不當前的部分：InternLumina-U2

InternLumina-U2 於 9 月 1 日的發布，是最低調的那種：三個提交到 GitHub 儲存庫的 commit、一個專案頁面、一個 28 位元組的 Hugging Face 佔位檔案，其全部內容僅為 Apache-2.0 授權標頭，以及沒有任何公告。真正公開的，是推論框架與架構本身，而它們之所以值得仔細閱讀，正是因為至今仍無人能實際測試該模型。儲存庫展示了一個驅動程式，每個任務對應一個入口：文字、最高 1024×1024 的文字轉影像、自然影像與密集圖表的影像理解、具備可選雙 CFG 模式的指令式影像編輯、對 64 個取樣幀的影片理解，以及對 Blender 渲染之 GLB/GLTF 視圖的 3D 理解。其設計賭注在於，一個多重碼本的離散視覺詞彙表，能讓單一骨幹網路完成所有任務，而不需膨脹序列長度——這正是驅動 codec 原生影片模型的「視覺 token 應承載更多資訊」直覺，如今被應用於統一的理解與生成介面。

InternLM/InternLumina-U2 GitHub 儲存庫，擷取於 2026 年 9 月 2 日——Apache-2.0 儲存庫的登陸頁面，包含「Multi-Codebook Diffusion Large Language Model」描述、三個提交，以及各任務推論腳本；這些腳本就是迄今為止該公開版本釋出的全部內容。

專案頁面上的基準測試表本身就被實驗室標記為「初步、部分結果」，而表上的數字也是利弊互見：亮眼的圖表與文件成績（ChartQA 86.52、CharXiv-DQ 83.65，皆為廠商自行回報）旁邊，是僅 0.81 的 GenEval，落後於實驗室聲稱超越的至少一個模型所取得的 0.89。由於沒有任何模型可供評估，自然也不存在獨立評測。在 safetensors 檔案出現在那個空洞的 Hugging Face 佔位頁面之前，一切關於實際品質的說法都只是宣稱。

當只有一端存在時，路由層會做什麼？

這是那種路由層面的比較，重點其實在時間，而非選擇。我們不會假裝 OrcaRouter 提供 InternLumina-U2——沒有人能辦到，權重尚未釋出——而 Gemini Omni 1.1 Flash 也不在我們的目錄中；你要透過 Google 自家的 API 才能取用。路由層在這種空窗期真正的作用，是讓你的選項保持開放，而不必把管線重建兩次。直通模式就是機制：當某個託管的廠商模型真正進入目錄時，供應商列表定價以 0% 加成直通，因此廠商公布的每秒費率，就是你透過單一金鑰支付的每秒費率，毋須逐一簽訂各供應商合約。而當像 InternLumina-U2 這種 Apache-2.0 權重釋出終於到來時，理性的做法不是拆掉你正在運作的影片技術棧——而是在自動容錯移轉後方，把新模型架設到一條測試路徑上；這樣一來，當這個未經驗證的擴散模型第一次出錯時，呼叫就會在無須變更程式碼的情況下，回退到你已經信任的模型。在傷不到你的地方嘗試新事物；把會付帳單的流量路由出去。

裁決

If you need video this month, the decision is made for you: Gemini Omni 1.1 Flash is real, priced and generally available, and InternLumina-U2 cannot be called by anyone. If you are watching where open multimodal research goes, InternLumina-U2 is the more interesting artifact — a rare fully-discrete, multi-codebook bet from a major lab, Apache-2.0, with the architecture already public and the weights probably not far behind. Treat the repo as a preview of a research direction, treat the GA video model as a tool you can build on today, and do not let the shared "multimodal" label convince you they are competing for the same job.