LFM3-Omni-2B vs InternLumina U2：兩個模型，Omni 的兩種意涵

LFM3-Omni-2B 與 InternLumina U2兩者都被歸在「omni」分類下，但並非同一門生意。Liquid AI 的 21.7 億參數模型接收文字、圖像、影片與音訊，輸出文字或 24 千赫茲語音。上海人工智能實驗室的 InternLumina U2 接收文字、圖像、影片與 3D，輸出文字或圖片。前者是嘴巴，後者是手。你找到的幾乎每一篇兩者比較，都把篇幅花在只有其中一方才參加得了的基準測試上，所以更有用的問題範圍更窄、回答成本也更低：你的產品缺的是「omni」的哪一半？

這兩次發布也以相反的形式登場，而這件事比平時更重要。Liquid AI 於 2026 年 10 月 27 日在一篇貼文中宣布 LFM3 系列，涵蓋六款 2B 級模型，而 LFM3-Omni-2B 只是該貼文中的一行，並非獨立發布——其權重自 10 月 21 日起就已放在公開儲存庫中。InternLumina U2 則相反：推論程式碼與專案頁面於 9 月 1 日出現，權重隨後才以硬體特定資料夾的形式跟進，且始終沒有任何公告。兩款模型都沒有第三方重現過的數字。以下每個數字都是廠商自我描述。

拒絕比規格更能說明問題

規格表是為了讓各型號看起來相容而寫的。反之，應先從每一款實際上無法接受什麼開始，因為這兩份清單完全沒有交集。

LFM3-Omni-2B 無法繪圖。技術堆疊中確實有視覺編碼器，但它只能讀取；輸出路徑是文字與語音。若要求它編輯照片，誠實的答案是：模型無法表徵這項請求。

InternLumina U2 無法說話。它沒有音訊編碼器、沒有編解碼器分詞器，也沒有語音頭。交給它一個 WAV 檔，架構中沒有任何東西能接收它。它的「omni」是一場賭注：理解與生成屬於同一個視覺主幹；它的輸出詞彙表是文字與影像 token，而不是波形。

所以第一個問題不是哪個模型得分更高。而是你的工作負載需要的是合成語音還是編輯後的圖像，因為兩邊各自恰好只有其中一種可用，而且兩個模型都不會因為微調而長出另一項能力。那是分詞器的特性，不是訓練資料的特性。

一人負責口述句子，另一人加以潤飾。

這些架構的差異位於比參數量更深的層次，而這種差異解釋了能力上的分化。

LFM3-Omni-2B 是自迴歸式的。一個 17 億參數的 LFM3 主幹會從 LFM3 視覺編碼器與 LFM3 因果音訊編碼器讀取 token，並由左至右輸出文字 token 或 LiquidCodec 語音 token。影片以每秒 2 幀取樣，每個 2×2 影像區塊會壓縮成單一語言 token，這正是 2.17B 模型能在手機上維持 32K 視窗可用的方式。語音以 24 kHz 輸出，音訊以 16 kHz 單聲道輸入。

InternLumina U2 是一款擴散語言模型，而這正是值得放慢腳步細看的部分。它不是一次只輸出一個詞元；它從雜訊出發，以遮罩擴散目標並行精煉整個序列。它的視覺表徵完全離散——每個位置有八個 AToken 視覺詞元碼簿，在輸入端串接，在輸出端則逐碼簿預測。於是，生成圖像與回答問題就是同一種操作：對一串視覺詞元去噪。這是與其他所有開放多模態模型所下的押注真正不同的地方，也正是這款模型之所以能產生圖像的原因。

這個賭注的代價是工具鏈。InternLumina 不是你用三行程式就能呼叫的 transformers pipeline。模型卡要求使用搭配 FlashAttention 的 AToken tokenizer、自訂的 block-diffusion 生成 API，而且如果你想渲染 3D 輸出，還需要 Blender 4.5。相較之下，LFM3-Omni-2B 以一般的 BF16 權重形式提供，有文件記載的微調路徑，且已有流通的 Ollama 版本——其列表標示 125K 上下文，對比模型卡上的 32K，這個差異至今尚無人解釋。

決定是否合適的規格

• 參數 — LFM3-Omni-2B 為 2.17B 稠密模型；InternLumina U2 總計 16B，在稀疏混合專家架構中啟用 1B。

• 輸出 — 文字與 24 kHz 語音，包括交錯的文字與語音，相對於文字與生成或編輯的影像。

• 輸入 — 文字、圖片、含或不含音訊的影片，以及 16 kHz 音訊，對比文字、圖片、影片與 3D。

• 上下文 — 涵蓋輸入與輸出的 32K 個 token，對照 InternLumina 規格卡仍未註明的上下文長度。

• 語言 — LFM3-Omni-2B 支援 16 種文字語言與 19 種語音地區設定；InternLumina 未公布數量。

• 授權條款 — LFM 開放授權條款 v1.0，一種以營收門檻為準的授權，相對於 Apache 2.0，並針對隨附的 AToken 與 VeOmni 程式碼設有除外條款。

• 硬體——一邊是手機、筆記型電腦和邊緣板卡；另一邊是檢查點，分為在華為昇騰 NPU 上訓練的 ascend/ 樹與 nvidia/ 樹，每棵樹約 33.8 GB。

他們實際共用的那兩項基準

兩張卡片中都恰好有兩個影片數字，而它們對於哪個模型更好說法不一，這是這個頁面上最具資訊價值的內容。

在 MVBench 上，InternLumina U2 回報 61.8，LFM3-Omni-2B 回報 58.03——擴散模型領先 3.8 分。在沒有字幕的 Video-MME 上，LFM3-Omni-2B 回報 57.70，InternLumina U2 回報 56.7——反倒是另一方領先 1 分。這兩組都是廠商自行執行，使用不同的測試框架、不同的提示詞，而且兩家實驗室都尚未公布評測程式碼。在這種條件下，1 分的差距是雜訊；3.8 分的差距大概是真的，但對你的影片素材意義不大。

其餘一切都未共享。InternLumina 的模型卡以 CharXiv-DQ 85.9 與 HallusionBench 64.6 打頭陣，這些是 LFM3-Omni-2B 從未參加過的文件與幻覺測試。LFM3-Omni-2B 的模型卡則以 DocVQA 92.47、OCRBench 806 與 MMMU 42.44 打頭陣，另有一欄語音數據——英文 ASR 詞錯誤率 6.36、多語言 6.72、TTS UTMOSv2 3.80——而另一方沒有對應數據。其自家模型卡標明，這些數字是由 Liquid AI 使用各模型自身的聊天模板與貪婪解碼測得，這是標準的注意事項，也是確有其事的一項。

InternLumina 更為坦率：它的模型卡將結果稱為「初步、部分結果」，並暫緩提供比較表。這並非假謙虛。一個 16B-A1B 擴散模型在 DPG-Bench 上以 87.79、在 GenEval 上以 0.89 生成圖像，是一項不容小覷的成果，而這也正是那種別人換個取樣器重跑就會改變的結果。

誰應該選哪個？

如果你的產品需要出聲回應——例如語音助理、免持介面、無障礙工具，或能把口頭答覆交給來電者的通話摘要工具——LFM3-Omni-2B 是這兩者中唯一能完成任務的型號。它也是唯一能在裝置端執行的型號，而這對語音而言有雙重重要性：音訊是多數應用程式所接觸到最隱私敏感的模態，而將它傳送到伺服器是你必須證明其正當性的決定。

如果你的產品需要產生或編輯影像，只有 InternLumina U2 能夠起步。代價是，你現在得在以 Ascend 為優先的硬體上維護一套擴散推論堆疊，其中 NVIDIA 程式碼樹直到最近才變得可用，而 3D 流程還需要安裝 Blender。那是研究型部署，不是應用商店式的部署。

幾乎沒有人願意承認的是，真正的產品兩者都需要，而這兩個模型無法彼此組合。一個同時需要生成圖表和口頭說明的請求，必須跨越兩個執行環境、兩套授權和兩種硬體配置。那個接縫正是大多數團隊最終放置路由器的位置，而不是放一個更大的模型。OrcaRouter 是這種安排中的託管端——一個 API 橫跨 200+ 個模型，按供應商定價零加成，並在供應商中斷服務時自動容錯移轉——而 LFM3-Omni-2B 和 InternLumina U2 目前都不在該目錄中。重點不是其中任何一個應該被放進去。重點是，當你把工作拆成兩半的那一刻，後半部就需要有個地方運行。

什麼會改變答案？

對這兩個模型中的任何一個進行一次獨立評估，都比再添一張廠商自製的表格更有用。對 InternLumina U2 而言，該關注的數字是不同取樣器下的生成品質，因為擴散模型的輸出會隨著取樣器變動而改變，而且尚無外部第三方嘗試過。對 LFM3-Omni-2B 而言，則是語音在 Liquid 自家提示詞之外是否依然站得住腳——具體來說，就是 3.80 的 UTMOSv2 分數在面對並非替自己作品打分的聽眾時，是否還能維持。

在那之前，決定取決於比基準測試更罕見的東西：一份能力清單。LFM3-Omni-2B 能說話，卻不會畫畫。InternLumina U2 會畫畫，卻聽不見。對大多數團隊來說，這在第一次評估執行之前就已定案。