InternLumina-U2 對決 Microsoft Mage-VL：兩間低調實驗室押注視覺 Token 應承載更多

Microsoft Mage-VL 與 InternLumina-U2 的發布方式，正是研究實驗室在不確定成果能否成為產品時的典型做法：悄無聲息。微軟於 2026 年 7 月 25 日在 Hugging Face 上發布了 Mage-VL 的權重與程式碼，未作任何公告；上海人工智慧實驗室的 InternLM 組織則於 2026 年 9 月 1 日在 GitHub 上發布了 InternLumina-U2 的推論程式碼，同樣沒有任何公告。相隔五週，全球最大的兩個實驗室先後釋出模型，兩者共享一個低調的信念——我們將視覺轉化為 token 的方式才是瓶頸所在——然後便交由社群自行發現。其中一個你現在就能下載並執行，雖然過程並不順暢。另一個你則完全無法執行，因為它的權重根本還不存在。以下是兩者的如實對照，以及為何「兩者皆為廠商自述、兩者皆未經證實」這句話，對兩者而言並不代表同一回事。

五週，兩個關於表徵效率的賭注

這條主線確有其事，並非修辭上的宣稱。Mage-VL 是一款 codec 原生的影片模型：它不會將串流解碼為均勻取樣的影格，再把密集的圖塊網格送入凍結的、經網路預訓練的視覺 Transformer；而是遵循現代影片 codec 的結構，將串流區分為錨定影格，以及介於這些影格之間的壓縮動態資料，並直接攝取這種緊湊的表示形式。微軟表示，其效益是視覺 token 大幅減少，且串流感知路徑明顯加快——該公司將此定位為修復影片語言模型中的一種莫拉維克悖論（Moravec's paradox）：小型即時感知任務所耗費的運算量，竟與困難的離線推理不相上下。Mage-VL 是一個觀察者：它能高效地觀看影片，並近乎即時地回答關於其所見內容的問題。

InternLumina-U2 是從另一個方向對同一瓶頸下注。如果說 Mage-VL 是沿著編解碼器來壓縮影片，InternLumina-U2 則是用八個互補的離散碼來描述每個位置，而非只用一個碼，藉此壓縮所有視覺輸入；其採用的 tokenizer 被該實驗室稱為 AToken。這個賭注的邏輯是：單一碼本會限制一個視覺 token 能承載的資訊量，因此多碼本詞彙表能讓一個 16B 參數的擴散模型透過同一介面同時進行理解與生成——閱讀圖表、回答影片問題、描述 3D 資產、由文字產生影像、依指令編輯影像——而無需額外的生成堆疊。Mage-VL 想要低成本地感知串流；InternLumina-U2 則想用同一組權重既感知又繪製。

計分板

這兩個模型的數據皆由廠商回報且未經複現驗證，因此記分板每一行均標註其來源。

• 形態 — Mage-VL：一種緊湊的 codec-native（編解碼器原生）視覺語言模型（約 5B 參數，BF16），以 Qwen 文字主幹為核心，經訓練用於影像與影片理解。InternLumina-U2：一個 16B 參數、1B 活躍參數（16B-A1B）的 MoE（混合專家）模型，屬稀疏擴散大型語言模型，涵蓋理解、生成與編輯。

• 視覺表示 — Mage-VL：採用遵循視訊編解碼器結構（錨點＋運動）的codec原生token；據報告在串流視訊上可減少超過75%的視覺token。InternLumina-U2：採用AToken tokenizer產生的完全離散八碼本token。

• 功能說明 — Mage-VL：觀看圖片和影片輸入，以文字回答；專為串流感知而建。InternLumina-U2：宣稱具備文字、影像理解、文字轉圖片、圖片編輯、影片理解與3D理解能力。

• 權重 — Mage-VL：自2026年7月25日起在Hugging Face上公開（microsoft/Mage-VL，Apache-2.0）。InternLumina-U2：未公開 — Hugging Face 倉庫是一個空殼，權重標記為「即將推出」。

• 重點數字 — Mage-VL：Video-MME 64.0、NExT-QA 83.1、OVO-Bench 64.0，皆為微軟所報告。InternLumina-U2：ChartQA 86.52、MathVision 33.22、VideoMME 51.26、GenEval 0.81，皆為實驗室報告，屬初步且部分結果。

• 提供服務的現實 — Mage-VL：可下載，但沒有標準的 vLLM 或 SGLang 路徑；程式碼需要 trust_remote_code，且目前沒有任何推論供應商部署它。InternLumina-U2：任何人都無法提供服務 — 權重不存在於公開環境中，即使已發布的推論驅動程式也預期儲存庫中不存在的檢查點檔案。

「可用但不好用」並不等於「不可用」

如果你真的想做出點什麼東西，這個區別才是最重要的。Mage-VL 在第一順位重要的意義上是真實的：權重在 Hugging Face 上，模型卡自 7 月底以來下載流量居高不下，而且圍繞它已經形成了一個由社群量化版本組成的小型生態系。「真實」不代表「容易」。模型卡上有 custom-code 標籤，視覺編碼器不是現有服務堆疊所預設的標準凍結 ViT，而微軟自己的 repo 也承載了實際後果——執行它意味著必須 `trust_remote_code`，而且沒有現成的供應商部署方案。但一個有 GPU 且意志堅定的團隊可以把它載入，對準影片串流，驗證「codec-native」論點是否適用於他們的資料。這與 InternLumina-U2 之間存在巨大差異，後者的同一句話結局不同：一個意志堅定的團隊可以閱讀推論程式碼，然後就到此為止，因為沒有權重可載入。

microsoft/Mage-VL 的 Hugging Face 卡片，擷取於 2026 年 8 月 27 日——codec-native 串流描述、Apache-2.0 授權、arxiv 標籤，以及一個推論提供者區段，顯示目前沒有提供者部署此模型。

基準測試的不對稱性也沿襲了同一條思路。這兩個模型的分數目前都只是廠商宣稱，尚無任何獨立重跑的結果。但 Mage-VL 的宣稱至少建立在一個可下載的成品之上，也就是說，宣稱與驗證之間的差距，只差有人真正去執行它。InternLumina-U2 的宣稱則建立在路線圖上的一個項目——「完整的比較表格將在即將發布的技術報告中出現」——而目前並不存在任何可驗證這些宣稱的成品。該實驗室自己的部分比較表甚至顯示，該模型至少在一個它所宣稱勝過的對手面前落後（GenEval 0.81，對比 LLaDA2.0-Uni 的 0.89），這正好提醒我們，應照字面意思理解其「初步、部分」的標籤。

在那裡，他們可以創作，而非競爭。

閱讀這兩者的最有用途徑，是將它們視為階梯上相鄰的橫檔，而非競爭同一份工作的對手。像 Mage-VL 這類原生編解碼器的監看模型之所以有趣，正是因為它夠便宜、可以持續運行——它監看串流的每一幀，只有當出現值得更大模型關注的內容時才升級處理。原則上，它所升級到的更大模型，可以是 InternLumina-U2 所宣稱的那種統一模型：一個永遠在線的閘門，決定要看什麼；以及一個深度模型，真正去讀圖表、追蹤 3D 場景，或產生編輯後的影像。兩者都尚未經過驗證——Mage-VL 是未經驗證但可運行，InternLumina-U2 是未經驗證且尚未發布——因此誠實的說法是：這是一個組合，要等到每一方都經獨立驗證之後你才能建立起來，而不是你今天就能進行的正面對決。

InternLM/InternLumina-U2 GitHub 儲存庫，擷取於 2026 年 9 月 2 日——此儲存庫登陸頁面顯示 multi-codebook diffusion（多碼本擴散）的說明、Apache-2.0 授權徽章，以及構成公開版本之推論入口點腳本；模型權重則仍不包含於儲存庫樹中。

路由層如何處理未經驗證的檢查點

這兩個模型目前都沒有託管在 OrcaRouter 上，我們也不會暗示相反的情況——Mage-VL 在任何地方都沒有標準的服務路徑，InternLumina-U2 更是連權重都沒有。路由 DSL 在這種情況下真正的價值，在於把上述的組合表述成一次呼叫，而不是寫一堆客製化的膠水程式：一個便宜、常駐的感知模型把結果餵給更深層的模型，彼此鏈式串接，讓昂貴的模型只會在便宜模型偵測到「情況有變」時才啟動。至於未經驗證的 checkpoint 問題——這正是兩者全部的風險所在——自動容錯移轉就是讓團隊可以在真實路徑上試用像 Mage-VL 這樣的模型、卻不必把整條路徑押在它身上的機制：一旦新的 checkpoint 第一次卡住、回傳垃圾內容或拋出例外，該次呼叫便會自動落到一個經過驗證的模型上，工程師也不必在半夜被叫醒去扳動開關。單一 API 串接超過 200 個模型，供應商列表價格不加價、直接原價轉傳；新模型是在安全網之後試煉，而不是直接送上正式生產的第一線。

底線

如果你想在今天就測試codec-native-video這條技術路線，那麼只有Mage-VL存在——而這個「存在」伴隨著關於自訂程式碼和自行搭建服務的種種前提條件。如果你想測試multi-codebook統一模型這條路線，你辦不到，因為InternLumina-U2仍然只是一份等待權重釋出的規格說明；你現在能做的，是閱讀它的架構，這樣當Hugging Face上的佔位檔案真正補齊時，你就能立刻上手。把微軟的模型視為一個笨拙但真實存在的成品，把上海AI Lab的模型視為一份文件詳實的承諾，同時記得：在這場較量中，「廠商自報且未經複現」兩者皆有份——只是當有一個檔案你可以實際下載時，這句話的意義就有所不同了。