LFM3-Omni-2B مقابل Ming-3.0-audio-tiny: بديل حزمة نماذج في مواجهة نموذج متخصص

نموذجان، يُسوَّق كلاهما على أنهما صغيران، وكلاهما قادر على الإجابة بصوت مسموع، ولا يكاد يشتركان في أي شيء آخر. LFM3-Omni-2B هو نقطة تحقق كثيفة بمعاملات 2.17 مليار من Liquid AI تستقبل النصوص والصور والفيديو والصوت وتُعيد نصًا أو كلامًا بتردد 24 كيلوهرتز. Ming-3.0-audio-tiny هو نموذج خليط الخبراء بمعاملات 9.3 مليار من inclusionAI، مع 2.7 مليار معامل نشط في كل خطوة، ويستقبل الصوت والنص ويُعيد نصًا أو كلامًا بتردد 44.1 كيلوهرتز. أحدهما يحاول استبدال حزمة مساعد كاملة. والآخر يحاول أن يكون أفضل أذن ممكنة. يمكن لمتخصص ونموذج عام أن يعملا خلف مفتاح واحد. نقطة نهاية واحدة تُوجَّه الطلبات وفق قاعدة، مع تحويل تلقائي عند الفشل إذا تعطل مسار.

التسمية تجعل هذا الأمر أصعب مما ينبغي. يشير "Tiny" في عائلة Ming إلى موقعه نسبةً إلى Ming-3.0-audio-flash، لا إلى حجمه المطلق: إذ يبلغ إجمالي عدد معاملاته 9.3B، وهو أكثر من أربعة أضعاف عدد معاملات نموذج Liquid. وLFM3-Omni-2B ليس نموذجًا صوتيًا أُضيفت إليه الرؤية — بل هو نموذج متعدد الوسائط عام يمتلك مسارًا صوتيًا. مقارنتهما صفًا بصف ستكون غير منصفة لكليهما. أما مقارنتهما حسب المهمة التي تؤديانها فهي المقارنة الوحيدة التي تهم.

ما هو كل واحد منها في الحقيقة

Ming-3.0-audio-tiny هو نموذج صوتي-لغوي أصلي: مشفّر صوتي ومُسقِط يغذّيان عمودًا فقريًا لغويًا من نوع MoE متناثر، مع مرحلة Talker منفصلة تولّد الكلام عند الطلب. يتعامل مع الصينية والإنجليزية، بما في ذلك اللكنات واللهجات، ويدعم استنساخ الصوت من مقطع مرجعي مع النص المكتوب. الأوزان مرخّصة بموجب MIT ومتاحة على Hugging Face وModelScope؛ وتوجد تكميمات مجتمعية لـ MLX وGGUF، كما يوجد عرض عملي يعمل على ROCm لمساعد صوتي منخفض زمن الكمون مبني عليه. رُفع المستودع في أوائل سبتمبر 2026، وجُدّدت بطاقة النموذج والإعدادات في منتصف أكتوبر، وهو الوقت الذي أصبح فيه قابلاً للاستخدام فعليًا.

LFM3-Omni-2B هو البناء المعاكس. جذع كثيف واحد مع مُرمِّز رؤية، ومُرمِّز صوتي سببي، وLiquidCodec لإخراج الكلام، مُدرَّب بحيث تتعامل مجموعة أوزان واحدة مع أربع طرائق إدخال وطرازَي إخراج. نُشر في 27 أكتوبر 2026 كأحد فروع عائلة LFM3 المكوّنة من ستة نماذج لدى Liquid، من دون إعلان مستقل ولا تقييم مستقل. وتذكر البطاقة 2.17B من المعاملات، وسياقًا من 32,768 رمزًا، وLFM Open License v1.0.

• البنية المعمارية — 2.17B كثيف من أي إلى أي مقابل 9.3B إجمالي مع 2.7B نشط لكل رمز، MoE متناثر بالإضافة إلى Talker صوتي منفصل.

• المدخلات — نص، صورة، فيديو مع مقطع صوتي، صوت 16 كيلوهرتز مقابل الصوت والنص فقط.

• إخراج الكلام — 24 كيلوهرتز عبر LiquidCodec، يُبثّ أسرع من الوقت الفعلي مقابل 44.1 كيلوهرتز أحادي عبر Talker، مع أصوات مسبقة الإعداد مسمّاة واستنساخ.

• اللغات — 16 لغة نصية و19 لغة صوتية مقابل الصينية والإنجليزية، بما في ذلك اللهجات.

• السياق — 32,768 رمزًا، مذكورة على البطاقة مقابل عدم ذكر نافذة سياق على البطاقة؛ بينما تصف الإعدادات المنشورة ميزانية موضع تبلغ 131,072 رمزًا.

• الترخيص — LFM Open License v1.0 مع حدّ للإيرادات مقارنةً بـ MIT.

• البصمة — حوالي 4.3 غيغابايت في BF16 مقابل نحو 21 غيغابايت في BF16، مع تكميم الخبراء بـ int8 مما يخفضها إلى حوالي 12.5 غيغابايت.

الصفّان اللذان يتداخلان فعليًا

جداول المقارنات المعيارية بين المختبرات ليست في الغالب سوى استعراض، لأن كل مختبر يختار إطار الاختبار الخاص به. هنا التداخل صغير بما يكفي لتحديده بدقة: تظهر مجموعتا بيانات في تقريري المورّدين، وكلتاهما مهمتان صوتيتان تكون المنهجية فيهما معيارية إلى حد معقول.

• معدل خطأ الكلمات في التعرف الآلي على الكلام الإنجليزي — 6.36 لـ LFM3-Omni-2B مقابل 4.36 لـ Ming-3.0-audio-tiny. الأقل أفضل، وتتقدم Ming بنقطتين مطلقتين، أي خطأ أقل بنحو الثلث.

• VoiceBench — 64.73 مقابل 74.29. يتقدّم Ming بمقدار 9.6 نقطة في اتباع التعليمات المنطوقة وسلوك المساعد الصوتي.

في المهام التي يقيسها كلا النموذجين، يفوز النموذج المتخصص، وهذه هي النتيجة المتوقعة. يخصص Ming 2.7 مليار معامل نشط للسمع والكلام. ويخصص LFM3-Omni-2B 2.17 مليار معامل للسمع والكلام والرؤية والقراءة في آن واحد. النموذج الذي لا يقسّم قدرته على أربعة مجالات ينبغي أن يكون أفضل في المجال الواحد الذي يعمل به، وهو كذلك.

ما يورده Ming ولا يورده LFM3-Omni-2B هو قائمة أطول: معدل خطأ الأحرف في التعرف الصوتي الصيني 3.79، ومعدل خطأ الأحرف في اللهجات 10.29، وBigBenchAudio 99.20، وMMAU 75.90، وMMAU-Pro 56.42، ودقة الصوت الطويل 56.39، وBFCL-v3 Audio 79.80. هذه أرقام قوية لطراز بهذا الحجم، وهي تصف نظامًا جرى تقييمه تحديدًا على الاستدلال الصوتي لا كعمود واحد في جدول متعدد الوسائط. أقرب المكافئات في بطاقة Liquid هي MMAR لفهم الصوت 51.40 ودرجة استدعاء الأدوات 52.20 — لكن معيار استدعاء الأدوات ليس الاختبار نفسه الذي يقيسه BFCL-v3 Audio، ووضع هذين الرقمين جنبًا إلى جنب سيكون من نوع المقارنة التي وُجدت هذه المدونة لتجنّبها.

المعيار الذي لا تستطيع هذه المواجهة حسمه

السؤال المثير للاهتمام ليس أي نموذج يسمع بشكل أفضل. بل ما إذا كان بإمكان نموذج أومني واحد إجراء استدلال سمعي-بصري لا يستطيعه خط أنابيب. لا يمتلك Ming-3.0-audio-tiny مسار رؤية على الإطلاق: لا يمكنه النظر إلى إطار ووصف ما يحدث، ولا يمكنه الإجابة عن سؤال حول المسار الصوتي لفيديو أثناء مشاهدة الفيديو. يمكن لـ LFM3-Omni-2B القيام بكليهما، وتُبلغ Liquid عن 70.09 في Daily-Omni و47.10 في WorldSense لتلك القدرة تحديدًا.

لا مقابل لهذه الأرقام في بطاقة Ming لأن Ming لا يحاول أداء المهمة. لذا تتحول المقارنة إلى مسألة نطاق لا مسألة جودة: إذا كان تطبيقك واجهة صوتية لتدفق صوتي، فإن Ming هو الأذن الأقدر والحوسبة النشطة الأصغر. أما إذا كان تطبيقك كاميرا وميكروفونًا ومكبر صوت، فإن LFM3-Omni-2B يفعل شيئًا لا يستطيع Ming فعله بأي حجم، وفجوة الصوت هي الضريبة التي تدفعها مقابل الكاميرا.

الكلفة ليست هيّنة. نقطتا مئويتان في معدل خطأ الكلمات الإنجليزية في واجهة صوتية هما الفرق بين نص يمكنك تصفحه سريعًا ونص تضطر إلى تصحيحه. إذا كان المسار الصوتي هو المنتج الأساسي وكانت الرؤية ميزة إضافية، فالتوصية الصادقة هي استخدام Ming للصوت ونموذج رؤية منفصل للإطارات، رغم أن ذلك يعني نقطتي تفتيش.

فاتورة الذاكرة تحدد عدد عمليات النشر أكثر مما يحدده المعيار.

يحتاج Ming-3.0-audio-tiny إلى نحو 21 غيغابايت من الأوزان بصيغة BF16، أو حوالي 12.5 غيغابايت مع تكميم الخبراء بدقة int8، ويمكن لعملية نشر كاملة بإخراج صوتي أن توزّع Thinker وTalker على وحدتي GPU. ويحتاج LFM3-Omni-2B إلى حوالي 4.3 غيغابايت. وهذا ليس فرقًا صغيرًا: إنه الفرق بين وحدة GPU واحدة متوسطة المدى وجهاز تضطر إلى التخطيط حوله، والفرق بين هاتف وخادم.

تنقلب المقارنة حسب ما تقيسه. فالمعاملات النشطة البالغة 2.7B لدى Ming تجعله رخيصًا لكل رمز رغم حجمه الإجمالي، وهذا هو جوهر تصميم MoE المتناثر. أما LFM3-Omni-2B فهو كثيف، لذا يكلّف كل رمز كامل الـ2.17B — لكن النموذج بأكمله يتّسع في جزء صغير من الذاكرة ويعمل على عتاد لا يستطيع Ming الوصول إليه.

هنا تتجسّد اقتصاديات التوجيه على أرض الواقع. يمرّر OrcaRouter أسعار القائمة من المزوّدين دون أي هامش ربح، بحيث يمكن لمتخصّص أرخص وعامّي أغلى أن يقفا خلف مفتاح واحد دون عقد ثانٍ، وأن يصل تغيّر سعر المورّد إلى فاتورتك في اليوم نفسه بدلًا من التجديد التالي. لا يتوفّر LFM3-Omni-2B ولا Ming-3.0-audio-tiny في كتالوجنا اليوم، لذا فهذا تصريح عن كيفية تسعير المنصّة للأشياء، وليس ادعاءً بأنه يمكنك استدعاء أي من النموذجين عبرنا الآن. لكن النمط الذي يصنعه هذان النموذجان — متخصّص رخيص للحالة الشائعة، وعامّي للحالة الصعبة — هو بالضبط النمط الذي وُجد الموجّه من أجله.

مسألة الترخيص، وهي التفرّع الحقيقي

Ming-3.0-audio-tiny مرخّص بموجب MIT. أما LFM3-Omni-2B فمرخّص بموجب LFM Open License v1.0، وهو اتفاق مخصص يتضمن حدًّا للإيرادات يحدد ما إذا كان الاستخدام التجاري يتطلب ترتيبًا منفصلًا. بالنسبة لنموذج أولي بحثي، الفرق نظري. أما بالنسبة لمنتج، فهو أول ما سيسأل عنه الفريق القانوني، ويمكنه أن يتجاوز فجوة في المقاييس بأي حجم.

تشرح MIT أيضًا سبب امتلاك Ming بالفعل لمنافذ مجتمعية: إصدارات MLX، وتكميمات GGUF، وعرض توضيحي لمساعد صوتي يعمل بـ ROCm. وُجدت هذه الأشياء لأن الترخيص جعلها سهلة، وهي السبب في أن Ming قابل للنشر اليوم على عتاد لم تختبره Liquid قط. نُشر LFM3-Omni-2B في 27 أكتوبر مع 83 عملية تنزيل، وله مسار خدمة واحد موثّق لإخراج النصوص فقط. نظامه البيئي لم يوجد بعد.

التباين العملي صارخ. فمن حيث دقة الصوت، وكفاءة الذاكرة لكل معامل نشط، والتغطية اللغوية للصينية واللهجات، واستنساخ الصوت وحرية الترخيص، يُعد Ming-3.0-audio-tiny الخيار الأكثر أمانًا اليوم. أما من حيث تغطية الوسائط والبصمة الخام، فإن LFM3-Omni-2B هو الوحيد من بين الاثنين القادر على النظر إلى غرفة والتحدث عنها.

من يجب أن يلتقط ماذا؟

اختر Ming-3.0-audio-tiny إذا كنت تبني منتجًا صوتيًا — النسخ، أو الحوار المنطوق، أو استنساخ الصوت، أو تحليل المكالمات — ولا تحتاج إلى الرؤية أو ترغب في إقرانه بنموذج بصري منفصل. إن ترخيص MIT، والتكميمات الموجودة، وميزة ASR ذات النقطتين تجعل منه خيار النشر الأقل مخاطرة، كما تحافظ بنيته المتناثرة على خفض التكلفة لكل رمز رغم إجمالي 9.3B.

اختر LFM3-Omni-2B إذا كان الجهاز يحتوي على كاميرا وميكروفون وكان القيد هو الذاكرة. إن نقطة تحقق بحجم 4.3 GB ترى وتسمع وتتحدث هي فئة مختلفة من العناصر عن متخصص صوتي بحجم 21 GB، ولا يعوّض أي قدر من دقة ASR عن نموذج لن يتسع. اقبل أنك تشتري الاتساع لا العمق، وأن كل رقم صوتي مرتبط به مُبلَّغ عنه من المورّد وغير معاد إنتاجه.

ما لا تخبرك به بطاقة أي من الطرازين هو كيف يتصرفان في التطبيق نفسه. ذلك الاختبار — الصوت نفسه، والجهاز نفسه، وميزانية زمن الاستجابة نفسها — لم يُجرِه أي شخص من خارج الشركتين. وإلى أن يُجرى، يستند القرار إلى النطاق والترخيص، وهما أمران يمكن معرفتهما اليوم، بدلاً من الدقة، التي لا يمكن معرفتها.