Intern Lumina U2 发布：扩散大模型统一图文视频与 3D 理解
bdsqlsz · x · 2026-09-05
上海人工智能实验室 Intern 团队推出 Intern Lumina U2，一个多 codebook 扩散大语言模型，统一了文本、图像、视频与 3D 的理解和生成能力。
- 能力覆盖：文本问答、图像理解与编辑、图像生成、视频理解、3D 理解，比一般统一模型额外支持视频与 3D。
- 初步评测：ChartQA 86.52、CharXiv-DQ 83.65、HallusionBench 62.15、MMMU-Pro 36.13，多超过 InternVL-UL、LLaDA2.0-Uni、LLaDA-o 等对比模型；视频理解与 Video-MME 51.26 接近最优；生成侧 GenEval 0.81、DPG 87.10 略逊于部分对手。
- 方法：共享 MoE Diffusion LLM 主干，用离散 VQ 层级表示视觉 token，空间位置并行处理、codebook 顺序解码。
页面、代码与模型均已开源，完整技术报告待发布。
所属事件:上海AI实验室发布Lumina U2统一视觉理解与生成(2 条相关)→
「模型」频道最新
- 本地模型跑分乱象引吐槽：数字飙高却无配置可复现 — TheZachMueller · 2026-10-23
- 用 abliterated 本地模型给智能电视去除“广告与追踪” — TheZachMueller · 2026-10-23
- 实测称 Claude $200 档订阅价值达 API 价格 45.3 倍 — RexDouglass · 2026-10-23
- 用户实测：GPT-6.1 Sol 不适合长任务策略研究 — RexDouglass · 2026-10-23
- Dexmal 开源 VLA 模型 DM0.5 登陆 LeRobot，登顶 RoboColiseum — AdinaYakup · 2026-10-23
- Gemini 隐藏开关:开启 agentic 视频理解,token 消耗降约 90% — patloeber · 2026-10-23