LFM3-Audio-2B مقابل Ming-3.0-audio-flash: نقطة تحقق على حاسوب محمول في مواجهة أذن بثماني وحدات GPU

الرقم الأول الذي يفصل LFM3-Audio-2B عن Ming-3.0-audio-flash ليس معيارًا. إنه ثمانية. يحتاج Ming-3.0-audio-flash، وهو مزيج خبراء صوتي-لغوي تابع لـ InclusionAI بـ126 مليار معامل مع 6.5 مليار معامل نشط، إلى توازٍ موتر عبر ثماني وحدات H800 بسعة 80 غيغابايت لخدمة ملفه الكامل بسياق 128K مع إخراج صوتي — أربع وحدات GPU تمنحك مسار SGLang معتمدًا نصيًا فقط، لأن وحدة Talker لا تتسع. LFM3-Audio-2B، الذي أطلقته Liquid AI في 27 أكتوبر 2026 ضمن عائلة LFM3 المكونة من ستة نماذج، هو نقطة تحقق بـ2B تصل كتنزيل Ollama بحجم 2.1 غيغابايت. كلاهما أوزان مفتوحة. واحد فقط منهما قرار يمكن لمطور واحد اتخاذه بعد ظهر هذا اليوم.

هذه الفجوة هي جوهر المقارنة كلها، ويجدر بنا مقاومة الخطأ البديهي المتمثل في اعتبارها ترتيبًا للجودة. يسمع Ming-3.0-audio-flash أكثر بكثير مما يسمعه LFM3-Audio-2B: تسجيلات طويلة، ومتحدثون متعددون، وموسيقى، ومشاهد صوتية، وأصوات غير كلامية. صُمّم LFM3-Audio-2B من أجل حلقة صوتية على حاسوب محمول — التعرف والتوليد والترجمة واستدعاءات الأدوات المنطوقة بـ18 لغة. Ming أذن متصلة بفم؛ أما نموذج Liquid فهو فم متصل بأذن. السؤال هو: أي مهمة لديك فعليًا؟

سفينتان هادئتان، نوعان مختلفان من الصمت

لم يكن لأي من النموذجين إطلاق تقليدي، والاختلاف في طريقة ظهورهما يخبرك بما يمكن توقعه من كل مستودع.

نُشر Ming-3.0-audio-flash على Hugging Face في 3 سبتمبر 2026 دون أي إعلان، ثم ظل غير قابل للاستخدام لمدة ستة أسابيع إلى أن جرى رفع كود التشغيل والأمثلة وبطاقة النموذج المعاد كتابتها بين 15 و19 أكتوبر. أُنشئ مستودع GitHub في اليوم الخامس عشر؛ وكانت البطاقة لا تزال قيد التحرير في اليوم التاسع عشر. تُظهر صفحة HF 22 تنزيلًا الشهر الماضي. وهو مرخّص بموجب MIT، وملفات YAML المرجعية للنشر موجودة في المستودع.

ظهر LFM3-Audio-2B في 27 أكتوبر كأحد ستة طرازات ضمن إطلاق عائلة Liquid، ويتشارك العمود الفقري LFM3-1.7B-Base. حصل الفرع الصوتي على فقرة واحدة من منشور العائلة بالإضافة إلى بطاقة طراز؛ ولا يوجد إعلان صوتي مستقل ولا إدخال تسعير له على موقع Liquid. وخلال يوم واحد أصبح لديه طلب سحب مدمج في llama.cpp ‏(#31257) وبناء Ollama. الفرق يكمن في سرعة الأدوات، لا في عمق التوثيق: لدى Ming لوحات قياس أداء على شكل صور، ولدى Liquid جدول من ستة صفوف دون أداة اختبار مسماة.

ما يمكن لكل واحد أن يسمعه

• المدخل — LFM3-Audio-2B: نص أو صوت بتردد 16 kHz. Ming-3.0-audio-flash: صوت مع تعليمة نصية.

• الإخراج — LFM3-Audio-2B: نص، أو كلام بتردد 24 كيلوهرتز، أو نص وكلام متداخلان. Ming-3.0-audio-flash: نص، أو نص مع كلام مُصنَّع عبر Talker الاختياري.

• السياق — LFM3-Audio-2B: 32K رمزًا، الإدخال بالإضافة إلى الإخراج. Ming-3.0-audio-flash: 128K رمزًا، رُفعت من 8,192 في إيداع أكتوبر.

• اللغات — LFM3-Audio-2B: 18 لغة مُدرجة على أنها 19 إعدادًا محليًا لأن الإنجليزية تظهر بصيغتي الولايات المتحدة والمملكة المتحدة؛ التعرف التلقائي على الكلام المباشر مقتصر على الإنجليزية. Ming-3.0-audio-flash: الصينية والإنجليزية، بما في ذلك اللكنات واللهجات — يُذكر الكانتونية والشانغهايية وهونان والهوكية ضمن تغطية هذه العائلة.

• الترخيص — LFM3-Audio-2B: LFM Open License v1.0، مجاني للاستخدام التجاري لأقل من 10 ملايين دولار من الإيرادات السنوية. Ming-3.0-audio-flash: MIT.

• الحد الأدنى من العتاد — LFM3-Audio-2B: قابل للعمل على CPU عبر GGUF، 2.1 GB. Ming-3.0-audio-flash: ثماني وحدات H800 بسعة 80 GB للملف الصوتي الكامل، وأربع للنص فقط.

سطر اللغات هو حيث يُساء فهم الاثنين في أغلب الأحيان. تبدو ثماني عشرة لغة أوسع نطاقًا من لغتين، وهذا صحيح بالنسبة للتوليف. لكن الثماني عشرة هي في معظمها لغات أوروبية إضافة إلى اليابانية والكورية والصينية، ويقصر Liquid صراحةً التعرّف الآلي المباشر على الكلام على الإنجليزية. تأتي لغتا Ming مع تغطية للهجات تهم أكثر في مركز اتصالات صيني مما تهمه قائمة طويلة من الإعدادات المحلية. إذا كانت مادتك الصوتية بالماندرين مع تناوب لغوي، فإن ادعاء Ming اللغوي الذي يبدو ضيّقًا هو الأقوى؛ وإذا كنت بحاجة إلى صوت هولندي أو سويدي على حاسوب محمول، فإن LFM3-Audio-2B هو الوحيد بين الاثنين الذي يدّعي ذلك.

الرقم الوحيد الذي يتوافق، ولماذا لا يزال لا يُعدّ حكمًا نهائيًا

ينشر كلا المورّدين رقمًا خاصًا بـ VoiceBench، مما يجعله أقرب شيء إلى محور مشترك هنا. يُبلغ Ming-3.0-audio-flash عن 86.74. ويُبلغ LFM3-Audio-2B عن 73.13. وعلى السطح، يمثل ذلك فجوة قدرها 13.6 نقطة لصالح Ming.

اعتبرها فرضية لا نتيجة. فالرقمان يأتيان من إصدارات مختلفة من أداة الاختبار، ومن مطالبات مختلفة، وإعدادات فك ترميز مختلفة، ولا يحدد أي من المستودعين التكوين الدقيق. وتحذر مواد Ming الخاصة بأن نماذج المقارنة أُعيد إنتاجها وفق إعداد التقييم الخاص بـ inclusionAI وقد تختلف عن التقارير الرسمية بسبب المطالبات وفك الترميز والإصدارات وخطوط المعالجة. أما جدول Liquid فلا يسمي مجموعة الاختبار الخاصة به على الإطلاق. ومقارنة رقم مورّد برقم مورّد آخر هي ترتيب لادعاءين، لا قياس لنموذجين.

ينطبق التحوّط نفسه على بقية لوحة Ming: متوسط CER للتعرف الصوتي الصيني 3.45، وWER الإنجليزي 3.69، وCER اللهجات 9.40، وBigBenchAudio 99.40، وMMAU 82.00 — جميعها مُبلَّغ عنها من المزوّد، وجميعها للعرض فقط. وبالمقارنة مع WER الإنجليزي 6.23 وMMAR 50.60 لدى LFM3-Audio-2B، فإن الاتجاه متسق: Ming هو المستمع الأقوى. أما المقدار فلم يثبته أي شيء نشره أي من المختبرين.

ما الذي تمنحه الرخصة، وما تكلفته

MIT هي الترخيص الأنظف، والفرق ليس طفيفًا. رخصة LFM Open License v1.0 مجانية دون عتبة إيرادات وتتطلب ترخيصًا تجاريًا مدفوعًا فوقها؛ أما MIT فلا عتبة لها. وبالنسبة لشركة تتوقع أن تنمو متجاوزة 10 ملايين دولار، فإن هذا الفرق بند في المشتريات، وليس حاشية.

الترخيص هو أيضًا النصف الأصغر من التكلفة. حد Ming الأدنى بثماني وحدات GPU قرار رأسمالي له جدول إهلاك، ورفّ، وجهاز نداء. تنزيل Liquid بحجم 2.1 GB يعمل على معالج حاسوب محمول عبر GGUF، مع MLX 4-بت لشرائح Apple silicon وONNX Runtime لقابلية النقل. التكلفة الحدية للألف ساعة من الصوت تكاد تكون صفرًا في كليهما؛ أما التكلفة الثابتة فتفصل بينهما ثلاثة مراتب مقدارية.

هذا لا يجعل Ming مكلفًا. بل يجعل Ming عملية شراء مختلفة. إذا كان عبء عملك ثابتًا ولا يمكن لصوتك مغادرة المبنى، فإن امتلاك أذن 126B قد يكون أرخص من الدفع لكل دقيقة لسنوات — فنقطة التحوّل هي حساب استخدام، وليست معيارًا مرجعيًا. وإذا كان عبء عملك نموذجًا أوليًا أو عرضًا تجريبيًا أو منتجًا لا يزال حجم صوته غير معروف، فإن إعداد ثماني وحدات GPU هو رهان يُوضع قبل وصول الأدلة.

التجربة قبل الشراء

المشكلة العملية مع كلا النموذجين واحدة: لا يمكنك أن تعرف من بطاقة النموذج ما إذا كان أي منهما يعمل على تسجيلاتك. مسار الخدمة لدى Ming يفترض توافر عتاد لا تملكه معظم الفرق؛ أما Liquid فيعمل في أي مكان لكن ليس لديه تقييم مستقل. الخطوة منخفضة التكلفة في كلتا الحالتين هي القياس على عينة صغيرة قبل الالتزام.

لا تستضيف OrcaRouter أيًا من نقطتي الحفظ هاتين، لذا لا ينطبق عرض التوجيه على طبقة الصوت نفسها. بل ينطبق على مستوى أعلى. خط الأنابيب الصوتي هو نموذج صوتي بالإضافة إلى نموذج نصي يصنّف أو يلخّص أو يوجّه ما جرى سماعه، وذلك الاستدعاء الثاني هو حيث يثبت الموجّه جدارته: أكثر من 200 نموذج خلف مفتاح واحد بالسعر المدرج لدى المزوّد دون هامش ربح، وتحويل تلقائي عند الفشل عبر المزوّدين، ولغة DSL للتوجيه إذا أردت تركيب عدة نماذج في استدعاء واحد. شغّل أسوأ عشرين تسجيلًا لديك عبر النموذج الصوتي، ثم شغّل النصوص المفرّغة عبر النموذج اللاحق نفسه على نقطة النهاية نفسها — فهذا يحافظ على نظافة المقارنة ولا يكلف شيئًا تقريبًا.

أيّ واحد تختار

اختر LFM3-Audio-2B إذا كان النموذج يجب أن يعمل على جهاز تملكه بالفعل، أو إذا كنت تحتاج إلى إخراج صوتي بلغة لا يغطيها Ming، أو إذا كنت تبني نموذجًا أوليًا لحلقة استدعاء أدوات منطوقة وتريد النموذج على الجهاز نفسه الذي توجد عليه الأدوات. تقبّل أن نصف التعرف في منتصف الجدول، وأن التعرف التلقائي على الكلام الحي إنجليزي فقط ولا يزال طلب سحب لاحقًا في llama.cpp.

اختر Ming-3.0-audio-flash إذا كان الغرض من المهمة هو الفهم بدلاً من المحادثة: الاجتماعات الطويلة، أو التسجيلات الصاخبة متعددة المتحدثين، أو الاستدلال الصوتي، أو عبء عمل باللغة الصينية تكون فيه تغطية اللهجات مهمة. خصّص ثماني وحدات معالجة رسومية، أو اقبل إعداد النص فقط بأربع وحدات معالجة رسومية وتخلَّ عن Talker. ثم أجرِ تقييمك الخاص قبل أن تصدّق لوحة النتائج الخاصة بأيٍّ من البائعين.

لا تختر أيًّا منهما بعد، إن كنت لا تستطيع تسمية أيّ من تلك المهمتين هي مهمتك. عمر الطرازين أربعة أيام وستة أسابيع على التوالي، والوثائق الخاصة بكليهما أرقّ مما تدّعيه قدراتهما، وأول مواجهة مباشرة مستقلة على مجموعة بيانات مشتركة ستكون أثمن من كل رقم في هذا المقال. وإلى أن توجد، فإن الحد الأدنى من العتاد هو أصدق معيار فاصل متاح: أحدهما يتّسع على حاسوبك المحمول، والآخر يتّسع في رفّ خوادم.