Qwen3.8-Omni-Flash vs InternLumina U2：租來的感官 vs 自有的權重

比較Qwen3.8-Omni-Flash與InternLumina U2的實用方式，不是看基準測試的排名，因為它們並不出現在相同的榜單上。而是問誰被允許執行它們。該供應商的Qwen3.8-Omni-Flash自 2026 年 9 月 18 日起開放給 API 客戶，是在該供應商自家平台上的封閉模型：一百萬個 token 的上下文、每次呼叫最多一小時的連續音訊與視訊、僅文字輸出，且沒有權重。上海人工智慧實驗室的InternLumina U2是一個 16B-A1B 專家混合擴散模型，採用 Apache 2.0 授權，其 Ascend 檢查點現在就可從 Hugging Face 下載，而 NVIDIA 檢查點與技術報告仍列為即將推出。一個是你按 token 租用的服務。另一個是你握在手中的檔案，但附帶一項關於它目前執行於何種硬體的但書。這個差異所決定的實際部署，比任一家廠商表格中的任何分數都多。

InternLumina U2 究竟是什麼

架構才是真正有趣的部分，而且它確實很不尋常。InternLumina U2 是一個稀疏 MoE，總參數量為 160 億、啟用參數為 10 億，而且它是擴散語言模型，而非自迴歸模型——它會平行地精煉整個序列，而不是由左至右逐個輸出 token。它的視覺表徵完全是離散的：以 Apple 的 AToken 為基礎所建構的八個視覺 token 碼本，這讓單一模型既能讀取影像，也能生成影像，而不必在末端外掛一個獨立的解碼器。文字問答、文字生圖、影像理解、影像編輯、影片理解與 3D 理解，全都是同一個模型在同一套詞彙表上做同一類工作。

• 規模與架構 — InternLumina U2 總計 16B、活躍 1B，為稀疏 MoE；Qwen3.8-Omni-Flash 的參數量未公開。

• 生成 — InternLumina U2 能生成與編輯圖像，並具備 3D 理解能力；Qwen3.8-Omni-Flash 完全不生成任何媒體，僅回傳文字。

• 解碼 — InternLumina U2 是擴散式 LLM，以平行方式解碼；Qwen3.8-Omni-Flash 則為自迴歸式。

• 上下文與時長 —— Qwen3.8-Omni-Flash 搭載 100 萬 token 的上下文視窗，單次呼叫即可處理長達一小時的連續影音；InternLumina U2 的公開資料完全未提及這些，而長音訊也不在其列出的能力之中。

• 權重 — InternLumina U2 採用 Apache 2.0，Ascend 檢查點已發布，NVIDIA 檢查點則尚未發布；Qwen3.8-Omni-Flash 並未釋出權重，也未宣布任何相關計畫。

• 如何取得 — InternLumina U2 可從 Hugging Face 下載，推論程式碼在 GitHub 上；Qwen3.8-Omni-Flash 則是呼叫阿里雲 Model Studio 或千問平台的 API。

• 獨立評分——兩者皆無。InternLumina U2 自家的模型卡將其基準測試表標為「初步、部分結果」；Qwen 的則全是與自家前代比較，且未經重現。

權重問題自預覽報導以來已有所變化

如果你讀過我們先前關於InternLumina U2在程式碼首次出現時的那篇報導，情況已在某個方向上出現變化，在另一個方向上則維持不變，而這兩部分都很重要。Hugging Face 儲存庫已不再是空殼：ascend/ 資料夾現在裝有七個 safetensors 分片，以及設定、tokenizer 與模型程式碼，這表示只要擁有合適硬體，任何人都能真正下載並執行該模型。nvidia/ 資料夾仍標示為「即將推出」，技術報告仍待發布，而該儲存庫自己的基準測試區段仍寫著「初步、部分結果」。所以今天準確的說法不是「權重已釋出」或「權重缺失」，而是某一硬體堆疊的檢查點已發布，另一個則尚未發布；對任何使用 NVIDIA 叢集的人來說，這是一項實際限制。

另外兩件事也悄然有了變化。GitHub 儲存庫在最初 9 月 1 日發布之後仍持續收到提交，且遠超當初的發布時點，因此釋出的程式碼是被維護著，而非被擱置。而 Hugging Face 儲存庫上的下載計數器仍顯示為零，這與其說反映了模型本身，不如說反映了受眾：一個搭載 Ascend 優先檢查點的 16B-A1B 擴散模型，瞄準的是實驗室，而不是本季正在尋找代管端點的產品團隊。

兩者真正重疊之處，以及未重疊之處

圖像理解是交集，而且它比看起來更狹窄。兩個模型都能看著一張圖片並回答相關問題，這對Qwen3.8-Omni-Flash來說是全部工作，而對InternLumina U2來說則是六項工作中的其中一項。此後的一切就大相逕庭。InternLumina U2 接著可以編輯那張圖像，或根據提示生成新的圖像，而且是在同一個模型中，使用它讀取圖像時所用的同一套視覺詞彙。Qwen3.8-Omni-Flash 無法產生任何像素，但它能在一次呼叫中接受一小時的音訊和視訊，並告訴你誰在何時發言，以及做出了什麼決定——而 InternLumina U2 的公開資料完全沒有聲稱能做到這件事。

影片這項重疊，並不像人們以為的那麼重要。兩者都被描述為能處理影片，但它們對影片的處理方式不同：一個是把一段長錄影當作文件來理解，另一個則是把影片視為與 3D 並列的視覺模態來處理。需要將一小時素材摘要出來的團隊，無法靠後者滿足需求；而需要生成單一影格的團隊，也無法靠前者滿足需求。

成本、控制，以及你實際上在買什麼

這樣的定價比較根本不是同類相比。Qwen3.8-Omni-Flash按 token 計費——國際價目表為每百萬輸入 token 0.15 美元、快取 0.016 美元、輸出 0.47 美元，另有另一份無法相提並論的中國大陸價目表——而其發布時的主打說法是廠商宣稱每小時音訊輸入成本削減超過 98%，這個數字是把一段兩分鐘的樣本定價後乘以三十算出來的，影片則以 720p、每秒一格取樣。InternLumina U2則完全不收費，因為根本沒有東西可計費：成本在於你的硬體與你的時間，而且該模型自己的規格卡並未公布吞吐量數字，讓你無法把它換算成每 token 的價格。

這就是權衡取捨的一句話總結。API 提供你無法自行託管的能力，以及隨使用量而變動的每小時成本；開放權重則提供固定成本，以及對資料路徑的完全掌控，代價是你必須自行建構的推論堆疊，以及目前意味著 Ascend 硬體的檢查點集。對於媒體不能離開建築的受監管工作負載而言，第二個選項不是偏好——而是這頁面上唯一的選項。對於這個月就需要長音訊分析的團隊而言，第一個選項是這頁面上唯一的選項。

OrcaRouter 目前並未託管這兩個模型中的任何一個，而我們寧可坦白說明，也不願暗示一條並不存在的路由路徑：Qwen3.8-Omni-Flash僅在阿里巴巴自家平台上運行，而InternLumina U2是可下載的檔案，而非端點。我們實際運行的是 Qwen3.8 系列的其他型號——Qwen3.8-Flash與Qwen3.8-Max——透過單一 API，以供應商定價、0% 加成提供，這是在這項比較中，為封閉模型陣營維持可用基準的實際做法，而開放權重陣營仍在整備其 NVIDIA 檢查點。

你實際上應該選哪一個？

選擇InternLumina U2，如果你需要一個能讀取、生成與編輯影像的模型，而且願意自行承擔整套推論堆疊——以及如果你的加速器是 Ascend，或是你可以等待 NVIDIA 的檢查點。它是這兩者中唯一能生成影像的模型，也是唯一一個不必把資料送給廠商就能執行的模型。在技術報告出爐之前，請把它的基準測試數字視為未經證實，因為模型卡上正是這麼寫的。

選擇 Qwen3.8-Omni-Flash如果你的問題是數小時的音訊與影片，而不是輸出像素——會議智慧、長時錄音分析、以音訊為重的中英文代理式工作——而且你能接受單一來源依賴與純文字輸出。它在輸入音訊時數上的成本表現很強，但在總帳單上就弱得多；它的基準測試由廠商自行提報且未經重現，而首批出現的第三方實測把它放在推理能力的第 28 百分位，其樣本小到應該促使你去做一次測試，而不是直接下決定。

如果你兩者都需要，它們是互補的，而非替代方案：一個是你自行託管的開放權重圖像模型，另一個是你呼叫的封閉式長媒體模型。目前這兩者都無法透過我們進行路由。一邊值得留意的是 NVIDIA 的檢查點與技術報告；另一邊則是首次獨立評估，而它目前尚不存在，也是Qwen3.8-Omni-Flash迄今為止