InternLumina-U2 對決 Qwen2.5 Omni：阿里巴巴已交付的全模態模型，對上上海人工智能實驗室仍備受期待的那一款

InternLumina-U2 與 Qwen2.5 Omni 都是同一個野心的答案——用單一模型處理所有模態，而非眾多專家模型的組合——但兩者相差了兩個世代。Qwen2.5 Omni 是真正落地的那個答案：一個 70 億參數的開放權重模型，於 2025 年 3 月發布，撰寫本文時已十七個月大；它能接收文字、圖像、音訊與影片輸入，並以文字或自然串流語音回覆。InternLumina-U2 是上海人工智能實驗室的答案，於 2026 年 9 月 1 日以推論程式碼形式發表：一個 160 億參數的稀疏擴散模型，聲稱能感知圖像、影片與 3D，並透過統一的離散 token 介面生成及編輯圖像。這個 omni 構想的其中一代已投入生產一年半；另一個則才剛誕生一天，而且因為其權重尚未存在，目前沒有任何人能執行它。兩者之間的差距，正是「承諾已兌現」與「承諾已許下」之間的距離。

已發布的全能模型：Qwen2.5 Omni

Qwen2.5 Omni 之所以值得認真看待並作為一個基準，是因為它是少數真正實現了「感知一切，以任何形式作答」承諾的開放模型。其 Thinker-Talker 架構將文字思考器與負責生成語音的說話器配對，並使用時間對齊的多模態位置編碼，使音訊和影片保持同步；輸入涵蓋文字、圖片、音訊與影片，輸出則可在同一回合中同時包含文字和語音，並內建四種語音。其限制與能力同樣有清楚記載：上下文為 32K token、不支援函式呼叫與結構化輸出，而且它是全方位的對話者而非代理程式。就本次比較而言，有一點特別值得強調：它能感知圖片、音訊與影片，但不會生成這些內容。Qwen2.5 Omni 中的「Omni」指的是全方位感知，並在輸出端搭配語音合成；像素輸入，文字輸出。

這些實際記錄是真實的。該模型已被下載數十萬次，可透過開發者自己的平台及多個第三方平台使用託管 API，並花了十七個月累積量化版本、社群工具，以及一個廣為人知的價格——彙整平台列出文字部分約為每百萬輸入 tokens 0.09 美元、每百萬輸出 tokens 0.34 美元，音訊則另行計費。十七個月的時間已足夠讓它的優勢與局限都被充分摸清。這就是成熟所帶來的：不是完美，而是可預測性。

應許的 Omni：InternLumina-U2

InternLumina-U2 試圖比 Qwen2.5 Omni 更進一步，而這一步恰好落在難處所在。其設計主張是：感知與生成應該共享同一套離散 token 介面——不是由一個語言模型感知影片、再由另一個擴散模型負責繪製，而是由單一的稀疏 MoE 擴散主幹——總計 16B、活躍 1B——同時讀取影像、圖表、影片或 3D 資產，並產出新的影像或編輯結果，使用一套完全離散、由八個 codebook 組成的視覺詞彙，讓每個視覺位置都承載足夠的資訊，足以支援雙向的運作。這比起 Qwen2.5 Omni 的主張是實質上更大的宣稱。將每一種輸入模態都導入文字與語音是一回事；讓同一組權重在生成像素時，能像在推理像素時一樣流暢，又是另一回事。

就目前而言，這也是一個無法查證的說法。該實驗室發布了推論程式碼、一個帶有「初步、部分」基準測試表的專案頁面，以及一個空的 Hugging Face 佔位頁面；權重、訓練程式碼、技術報告與 Ascend-NPU 技術棧全都標示為「即將推出」。因為沒有可評估的內容，所以也不存在任何獨立評估。Qwen2.5 Omni 的架構在發布當週即可查驗，因為權重隨之一起發布；InternLumina-U2 的架構如今已可查閱，但其品質仍然是廠商的承諾。

計分板

由於其中一個模型擁有十七個月的歷史，而另一個僅有一天的程式碼，因此各列承載了來源脈絡，而非假設各欄位是對稱的。

• 年齡 — Qwen2.5 Omni：2025年3月發布，上線十七個月，數十萬次下載。InternLumina-U2：推論程式碼於2026年9月1日發布，零次下載，零次獨立運行。

• 形狀 — Qwen2.5 Omni：約7B端對端，採用時間對齊多模態位置編碼的Thinker-Talker。InternLumina-U2：總計16B / 1B活躍的稀疏MoE擴散LLM，配備八碼本離散視覺標記器。

• 輸入——兩者皆接受文字與圖片；Qwen2.5 Omni 額外接受音訊與影片以支援全方位對話；InternLumina-U2 另宣稱支援對 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。

• 輸出 — Qwen2.5 Omni：文字與串流語音，四種聲音。InternLumina-U2：宣稱支援文字、最高 1024×1024 的文字轉圖片，以及指令式圖片編輯。

• 生成前沿 — Qwen2.5 Omni：生成文字和語音，而非像素。InternLumina-U2：嘗試在與閱讀相同的離散標記模型中進行像素生成和編輯。

• 權重與授權 — 兩者原則上均為 Apache-2.0 開放權重；Qwen2.5 Omni 現已可下載，InternLumina-U2 的則尚未公開。

「• 服務提供 —— Qwen2.5 Omni：可使用託管 API 或自行架設方式部署（資源需求較高的全精度部署）；已知支援 32K 上下文，不支援函式呼叫。InternLumina-U2：無法提供服務 —— 其發布的驅動程式所預期的檢查點並不存在。」

• 重點數字 — {{1}}Qwen2.5 Omni：長期位居 OmniBench 排行榜（在目前榜單上分數約為 0.561）{{/1}}；{{2}}InternLumina-U2：ChartQA 86.52、MathVision 33.22、GenEval 0.81{{/2}} — {{3}}皆為廠商回報，屬初步且不完整的資料{{/3}}。

為何代溝才是真正的重點

撇開年齡差距，實質差異在於每個模型各自止步的能力邊界。Qwen2.5 Omni 選擇了一條務實可行的全能路徑：廣泛感知、用語言或語音回應，而把影像與影片合成交給堆疊中其他專門的生成模型。這種分工正是 2026 年幾乎所有量產多模態系統的建構方式，也是 Qwen2.5 Omni 能在 2025 年出貨、到 2026 年依然實用的原因——它把自己的職責做好，並能與其他部分組合協作。InternLumina-U2 押注的則是「分工本身才是問題」：一個被迫用共享的離散詞彙去表徵一切——感知與生成皆然——的模型，會比一個只需要描述視覺的模型，學到更深刻的視覺理解。這注若押對了，會是更重要的結果；若押錯了，InternLumina-U2 最終不過是變成一個更慢、更耗資源的 Qwen2.5 Omni，外加一個被彆扭地硬塞進同一組權重裡的影像生成器。整場競賽——而且這是「一項已出貨的設計」對上「一個假說」的競賽，不是兩個可執行模型之間的對決——要看那條更困難的架構路線能否證明自己。

Qwen/Qwen2.5-Omni-7B 的 Hugging Face 模型卡，擷取於 2026 年 8 月 27 日——Thinker-Talker 概覽、Apache-2.0 授權，以及該模型的文字、影像、音訊與影片模態標籤。

一年半的下載，究竟買到了什麼？

成熟不是一種氛圍，而是一份你已知事物的清單。有了 Qwen2.5 Omni，你知道 32K 的上下文是一道硬性限制，而且能繞著它做工程設計。你知道沒有函式呼叫路徑，也不會假裝有。你大致知道一次部署要花多少成本——無論是透過託管 API，還是跑在自己的 GPU 上——因為已經有夠多人替這個模型定價並運行過它，數字早已塵埃落定。你知道 OmniBench 上的名次是真的，因為獨立排行榜追蹤它已經超過一年。而 InternLumina-U2 完全不適用這些動詞——你不知道，也不可能知道，因為根本沒有任何成品。當一個模型才出世一天、且沒有任何分量時，所有關於它的宣稱都只是意圖的聲明。這種不對稱並不是在貶低背後的科學；而是任何在選擇要建構於什麼之上的人，所應抱持的正確認識論立場。

The InternLM/InternLumina-U2 GitHub 儲存庫，於 2026 年 9 月 2 日擷取——該儲存庫的登陸頁面公開了架構——包含說明、授權條款與推理腳本，然而權重本身並未出現在樹狀目錄中。

路由決策，誠實呈現

我們直接說明可用性：OrcaRouter 不託管 InternLumina-U2，因為目前根本沒有權重可供任何人託管；我們現在也不提供 Qwen2.5 Omni——它運行在開發者自己的 API 與第三方平台上。所以這裡的路由課題關乎姿態，而不是今天就能用同一把金鑰呼叫這兩個模型。真正長久的模式，是每一場「成熟模型 vs. 新手模型」的決策最終都會遇到的：把已驗證的模型放在主路徑上，而一條 API 涵蓋 200+ 種模型、0% 加價轉發，代表你只支付供應商列表價、沒有其他費用；把未經驗證的新手導向具備自動故障轉移的測試路徑，這樣一旦它停滯、偏離或回傳無意義內容，呼叫就會自動落到擁有十七個月實績的模型上。這就是你如何在 InternLumina-U2 權重發布當天就能評估這種野心勃勃的新架構——同時不必拿你已經依賴的生產路徑來下注。

裁決

Qwen2.5 Omni 是您今日即可建置的全能模型：已交付、可下載、有文件，限制已知且價格已定。InternLumina-U2 則是值得關注的全能模型：在架構上真正從感知邁向創造，採用 Apache-2.0，程式碼公開，權重尚未釋出。若該實驗室的多碼本（multi-codebook）賭注能經得起獨立測試，InternLumina-U2 與其說是 Qwen2.5 Omni 的對手，不如說是同一理念的下一代。若未能如此，那個已實際出貨、問世十七個月的通用模型仍會在那裡，繼續扮演它一直以來所扮演的角色。請關注 Hugging Face 的佔位頁面；最終評斷取決於 safetensors 檔案，而非本文。