PixelUMM vs InternLumina-U2：兩款無編碼器 Beta 版，以及唯一決定勝負的差異

兩個模型，同樣公開，同樣設計異常，而其中只有一個能讓你據以打造產品。PixelUMM是 NVIDIA 的無編碼器統一模型——以 Qwen3-8B 為主幹的 152 億參數模型，透過 16×16 區塊與 4 幀 tubelet 直接讀寫原始像素，整個堆疊中既沒有 VAE，也沒有任何視覺編碼器。InternLumina-U2則是上海人工智慧實驗室的 16B 混合專家擴散模型，它透過一個名為 AToken 的符元化器，把每一筆視覺輸入壓縮成八個互補的離散碼。兩者都押注視覺介面才是瓶頸。但更關鍵的那個賭注，藏在授權檔案裡：InternLumina-U2 以 Apache-2.0 釋出權重，PixelUMM 釋出的檢查點則採用非商業授權。如果你是要在兩者之間挑一個用於任何商業用途，那句話就是全部的比較，而本頁其餘內容都只是它的背景脈絡。

下方兩組數據都來自實驗室本身。這兩個模型都沒有獨立評估、競技場 Elo，也沒有第三方重現。兩者都沒有由任何託管 API 提供服務。不同之處在於，你下載該產物後獲准用它做什麼，以及每個發布版本實際上進展到什麼程度。

目前各自的情況

那兩個發布時程以不同的速度推進，而且都是悄無聲息地。

• PixelUMM — GitHub 儲存庫建立於 2026 年 9 月 4 日；arXiv 預印本 2609.38597 日期為 2026 年 9 月 29 日；Hugging Face 模型儲存庫建立於 2026 年 10 月 1 日 21:40 UTC。針對它，並未出現任何 NVIDIA 的部落格文章、新聞稿或發布貼文串。

• InternLumina-U2 — GitHub 儲存庫建立於 2026 年 9 月 1 日；Hugging Face 存根於同日註冊；Ascend 訓練的檢查點權重於 2026 年 9 月 10 日新增；NVIDIA/CUDA 檢查點權重於 2026 年 9 月 24 日新增。每個堆疊有七個分片，兩者今日皆可下載。

九月初還存在的那個 InternLumina-U2——只有程式碼、權重「即將推出」、一個空蕩蕩的模型儲存庫——並不是如今存在的 InternLumina-U2。任何在本月初讀到相關資訊便斷定權重缺失的人，都應該重新查看；Huawei Ascend 與 NVIDIA/CUDA 的檢查點都已上線，採用 Apache-2.0 授權，並附有 tokenizer、config、聊天範本與遠端建模程式碼。

同一個問題的兩個答案

這兩個模型都始於同一個抱怨：為了理解而搭載視覺編碼器，以及為了生成而搭載 VAE，這意味著每張影像都要表示兩次，大致使視覺上下文加倍，並迫使訓練流程維護兩套介面。

PixelUMM 的答案是兩者都刪掉。原始像素透過單層線性投影直接輸入——每個影像位置一個 16×16 patch，每個視訊位置一個 4 幀 tubelet——而骨幹是一個僅解碼器的 Transformer，其 Mixture-of-Transformers 設計將共享注意力與任務專屬參數配對。文字以自迴歸方式預測；像素則以流匹配預測。論文用了八個章節探討設計研究——patch 大小、patch 假影、像素空間與 VAE 空間的動態、運算擴展——這告訴你，團隊真正的問題是這個範式到底是否成立。

InternLumina-U2 的答案，是保留離散介面，但讓每個 token 承載遠更多資訊。AToken 分詞器以八組互補的碼本描述每一個視覺位置，涵蓋紋理、內嵌文字與幾何；這八個嵌入會按位置串接，並投影成單一主幹 token。解碼則反向進行，透過空間上平行的去噪，以及一個多碼本自迴歸頭，依序預測這八個碼。主幹是屬於 LLaDA-2.0 血統的稀疏擴散 LLM，總參數 16B，其中 1B 為活躍參數。

• 視覺介面 — PixelUMM：原始像素區塊與 tubelet，完全沒有 tokenizer。InternLumina-U2：來自 AToken 的八碼簿全離散 token，沒有連續潛在表徵。

• 主幹 — PixelUMM：Qwen3-8B（總計 15.2B），單一稠密解碼器，具備理解與生成專家。InternLumina-U2：總計 16B／啟用 1B 的稀疏 MoE 擴散語言模型。

• 生成方法 — PixelUMM：像素空間流匹配加上自迴歸文字。InternLumina-U2：對離散碼進行遮罩式擴散去噪。

• 宣稱的任務 — PixelUMM：文字轉圖像、文字轉影片、圖像轉文字、影片轉文字。InternLumina-U2：前述功能再加上圖像編輯與 3D 理解。

• 權重格式 — PixelUMM：128 個 .distcp 分片（約 30 GB），位於隱藏的 .metadata 索引之後。InternLumina-U2：七個 .safetensors 分片（每個硬體堆疊），標準 Hugging Face 佈局。

計分板，附有其來源出處

請把每一列都視為該實驗室自身的說法。PixelUMM 的數據來自其預印本；InternLumina-U2 的數據則是該實驗室自己將其描述為「初步、部分」，完整的比較表則延後至一份尚未問世的技術報告。

• MMMU（圖像推理） — PixelUMM 41.67（作者自行報告）。InternLumina-U2：未報告。

• ChartQA — PixelUMM 82.96。InternLumina-U2 86.52。

• DocVQA — PixelUMM 90.42。InternLumina-U2：未報告。

• Video-MME（無字幕） — PixelUMM 57.33。InternLumina-U2 51.26。

• MVBench — PixelUMM 70.53。InternLumina-U2 59.74。

• GenEval 整體 — 搭配 LLM 提示改寫器時，PixelUMM 為 0.83；未使用時為 0.77。InternLumina-U2 為 0.81。

• DPG-Bench 整體 — PixelUMM 85.74。InternLumina-U2 87.10。

• 影片生成 — PixelUMM VBench 第 1 部分品質 84.10／語意 79.80，第 2 部分總計 83.24。InternLumina-U2：未回報。

• 3D 理解 — PixelUMM：無此任務。InternLumina-U2 回報 3D MM-Vet 41.8。

這項比較並不對等，因為兩個實驗室發布的是不同的表格，而不是因為其中一方勝出。PixelUMM 有完整的影片生成部分，但沒有編輯或 3D；InternLumina-U2 聲稱涵蓋六個任務家族，並報告了橫跨這些任務的部分表格。同一個基準名稱下的跨實驗室數字並不是同一種測量——分割、提示與取樣方式各不相同——因此把 ChartQA 和 GenEval 這兩列視為大致持平，然後就此打住。

授權就是讓這不再打成平手的地方。

這是任何基準測試表都不會顯示的部分。PixelUMM 儲存庫採用 Apache-2.0，而模型卡也醒目地如此載明。檢查點是另一個獨立產物，依 NVIDIA One-Way Noncommercial License 授權，僅限於非商業研究或評估，且其中一個原始碼檔案還額外保留了承襲自 DiT 的 CC BY-NC 4.0 聲明。研究用途：沒問題。內部產品功能：得跟法務談一談，而且可能很快就結束。

InternLumina-U2 從頭到尾都是 Apache-2.0，程式碼與兩個檢查點皆然，沒有另外的非商業例外條款。對一個需要交付產品的團隊來說，這不是微不足道的優勢——這就是整個決策的關鍵。這兩個模型在成熟度上都屬於研究級。其中只有一個在使用上不受限制。

實際上該試哪一個，以及該怎麼做

如果你的工作是影片理解，或者你想要一個能從同一組權重生成影片與影像的模型，PixelUMM 是更完整的成品，其論文也更值得一讀——但它是採用非商業授權的研究專案，因此適合放在評估測試台上，而不是放進正式流程中。如果你的工作是圖表、文件與影像生成的廣度，或者你需要編輯與 3D，InternLumina-U2 涵蓋的範圍更廣，且沒有授權上限；其代價是 16B-A1B 擴散主幹與 AToken 分詞器意味著得做真正的服務工程，而且它公布的數字明確只是部分結果。

截至本文撰寫之際，這兩者都還未登上任何代管 API，OrcaRouter 亦然——我們兩個模型都不轉送。等到情況改變時，主張透過路由層、而非直接整合來取用它們的理由，就跟適用於任何新開放模型的說法如出一轍：一組金鑰橫跨 200 多個模型、供應商定價以 0% 加成原封不動轉嫁，加上自動容錯移轉，讓某個結果證明不如供應商表列規格所暗示的模型，只要改動一條路由就能降級，而不必重寫整套部署。在那之前，誠實的建議就是那句老掉牙的話——下載任何授權條款符合你使用情境的版本，用自己的資料跑自己的評測，而且在實驗室以外有人重跑過那些數字之前，別以任何一方實驗室的數字來做規劃。

什麼會改變答案？

三件事，按影響程度排序。PixelUMM 檢查點上的商業授權會讓這項比較真正接近，並使它從「讀論文」推進到「評估權重」。一份來自 Shanghai AI Laboratory、附有完整比較表的技術報告，會把 InternLumina-U2 的部分數字變成可查核的內容，也會揭示六項任務的廣度中，有多少是表現持平，多少是 token 深度上的表現。而任一模型的首度獨立複現——由與結果無利害關係的團隊重跑 GenEval 或 MVBench——就是這兩者之中任何一個不再只是廠商表格的時刻。在那之前，一個是你只能研究的特殊架構，另一個則是你可以直接出貨的特殊架構。