Intern Lumina U2

面向全视觉理解、图像生成与编辑的多码本扩散大语言模型。

[📑 技术报告（即将发布）] · 🌐 项目主页 · 💻 代码

概览

Intern Lumina U2 是一个统一多模态模型，将语言、图像、视频和 3D 纳入单一框架，用一个模型覆盖文本问答、文生图、图像理解、图像编辑、视频理解和 3D 理解。它采用 16B 参数 MoE，激活参数为 1B（16B-A1B），将高效稀疏主干与基于 AToken 构建的 8 码本全离散视觉表示相结合。

本仓库中的模型权重

本仓库提供同一架构在不同硬件栈上训练的模型权重：

• ascend/ — 在 Huawei Ascend NPUs 上训练。
• nvidia/ — 在 NVIDIA GPUs 上训练。

使用

推理代码、安装说明和示例位于 GitHub 仓库： https://github.com/InternLM/InternLumina-U2. 运行 infer_1024_sft.sh 时，请将 CHECKPOINT 指向上述子文件夹之一。

基准测试

以下为初步的部分结果。完整对比表将在即将发布的技术报告中呈现。 当前表格请参见 GitHub 仓库。

许可证

Apache 2.0.

引用

@misc{internluminau2,
  title  = {Intern Lumina U2},
  author = {{Intern Lumina U2 Team, Shanghai AI Laboratory}},
  year   = {2026},
  note   = {Tech report coming soon}
}