LFM3-Omni-2B مقابل Ming-3.0-audio-flash: هاتف في مواجهة رف

قائمة المكوّنات تحسم هذه المقارنة قبل أن تنطق المعايير بكلمة. Ming-3.0-audio-flash يضم 126 مليار معامل، ونحو 259 غيغابايت من أوزان bfloat16، وملف تعريف خدمة مرجعي مبني على وحدات H800 بسعة 80 غيغابايت في التوازي التنسوري — أربع في تهيئة 128K، وثمانٍ عندما تنفد الذاكرة في الصوت الطويل. LFM3-Omni-2B يضم 2.17 مليار معامل، ويُشحن كأوزان BF16 عادية، ومصمم ليعمل على هاتف. كلاهما يستقبل الصوت. وكلاهما يستطيع الإجابة بصوت مسموع. أحدهما أصل من أصول مراكز البيانات والآخر ميزة يمكنك وضعها في تطبيق، وكل شيء آخر تقريبًا بشأنهما يتبع من هذه الحقيقة الواحدة.

وصلت هي أيضًا دون الكثير من التكلّف. أعلنت Liquid AI عن عائلة LFM3 في 27 أكتوبر 2026، مع LFM3-Omni-2B كواحد من ستة نماذج من فئة 2B في منشور واحد؛ وكان مستودعها متاحًا للعموم منذ 21 أكتوبر. رفعت inclusionAI نموذج Ming-3.0-audio-flash في 3 سبتمبر 2026 مع توثيق شبه معدوم، ولم تنشر بطاقة نموذج حقيقية حتى 19 أكتوبر، بعد ستة أسابيع. لا يملك أيٌّ من المورّدين اختبارًا مرجعيًا مستقلًا، ولا يملك أيٌّ من النموذجين نقطة وصول مستضافة يمكنك استئجارها حسب الرمز.

طريقتان لوضع فم على نموذج

الفرق المعماري لا يتعلق بالحجم، بل بمكان وجود الصوت.

يحافظ Ming-3.0-audio-flash على الصوت كصوت لأطول فترة ممكنة. يحوّل مُرمِّز بأسلوب Whisper — 32 طبقة، وعرض 1,280، و128 حزمة mel — الصوت إلى تمثيل يغذّي عمودًا فقريًا لمزيج من الخبراء من 42 طبقة مع 512 خبيرًا و8 مختارين لكل رمز. ويعود الكلام عبر وحدة Talker اختيارية تتضمن أصواتًا صينية مدمجة وتوجيهًا صوتيًا بمقطع مرجعي. السياق المعلن هو 128K، وهو رقم لم تعلنه الإعدادات حتى رفع commit بتاريخ 13 أكتوبر تضمينات الموضع من 8,192 إلى 131,072.

يحوّل LFM3-Omni-2B كل شيء إلى تدفق واحد. تُؤخذ عينات الفيديو بمعدل إطارين في الثانية، وتتحول كل رقعة صورة بحجم 2×2 إلى رمز لغوي واحد، ويمرّ الصوت عبر مُرمّز صوتي سببي من LFM3 إلى المفردات نفسها البالغة 128,000 رمز المستخدمة للنص. الصوت الخارج عبر LiquidCodec بتردد 24 كيلوهرتز؛ والصوت الداخل أحادي بتردد 16 كيلوهرتز. يقع النموذج كاملًا ضمن نافذة 32K.

تلك حجة ضغط، وهي تعمل في الاتجاهين. نهج LFM3-Omni-2B هو ما يجعل نموذجًا بحجم 2.17B قابلًا للعمل على جهاز محمول — فكل شيء من النوع نفسه من الرموز، لذا كل شيء رخيص بالطريقة نفسها. ونهج Ming هو ما يتيح لنموذج بحجم 126B الاحتفاظ بتسجيل مدته ساعة في ذاكرته دون التخلي عن التنغيم. ولا أي منهما وجبة مجانية.

الأرقام التي تستحق أن تُعرض جنبًا إلى جنب

• إجمالي المعاملات — LFM3-Omni-2B 2.17B كثيف؛ Ming-3.0-audio-flash 126B ضمن مزيج من 512 خبيرًا.

• المعاملات النشطة — نحو 2.17 مليار مقابل 6.5 مليار لكل خطوة استدلال.

• الأوزان على القرص — بضعة غيغابايت مقابل نحو 259 غيغابايت من أجزاء bfloat16 بالإضافة إلى Talker.

• العتاد المرجعي — هاتف أو حاسوب محمول أو لوحة طرفية مقابل أربع وحدات H800 بسعة 80 GB في التوازي التنسوري لإعداد 128K، وثماني وحدات عندما تنفد الذاكرة أثناء معالجة الصوت الطويل.

• السياق — 32 ألف رمز يشمل المدخل والمخرج، مقابل 128 ألفًا معلنة.

• مخرجات الكلام — LiquidCodec بتردد 24 kHz مع 19 لغة كلام؛ يُرجع Ming نصًا أو نصًا مع كلام عبر Talker، مع أصوات مدمجة واستنساخ عبر مقطع مرجعي.

• الترخيص — LFM Open License v1.0، وهو ترخيص بعتبة إيرادات، مقابل MIT.

• السعر — لا يوجد سعر لكل رمز على كلا الجانبين، لأن أياً من المورّدين لا يبيع الاستدلال لهذه نقاط التحقق.

المعاملات النشطة ليست عدّاد سرعة

من المُغري أن تقرأ «6.5B active» إلى جانب «2.17B dense» وتستنتج أن Ming أغلى بثلاثة أضعاف فقط لكل توكن. هذه القراءة خاطئة في كلا الاتجاهين.

يستهلك مزيج الخبراء عرض النطاق الترددي للذاكرة، وليس العمليات الحسابية فقط. خدمة 6.5B من المعاملات النشطة من أصل 126B تعني نقل أوزان الخبراء إلى الذاكرة المؤقتة في كل طبقة، وعند حجم الدفعة واحد — وهو النمط الذي يعيش فيه المساعد الصوتي — يقترب ذلك من قراءة جزء كبير من 259 GB لكل رمز. إعداد Eight-H800 ليس توصية لأقصى إنتاجية؛ بل هو ما يلزم للإبقاء على الأوزان. أما LFM3-Omni-2B عند 2.17B فلديه المشكلة المعاكسة: لا عائد من التناثر، لكن لا يوجد شيء لتبديله أيضًا، وهو بالضبط الإعداد الذي يجعل الهاتف خيارًا معقولًا.

النتيجة العملية هي أن النموذجين لهما منحنيات تحجيم مختلفة. يصبح Ming {{1}}أرخص لكل رمز{{/1}} مع زيادة حجم الدفعة، وهو ما يناسب خطوط أنابيب النسخ التي تلتهم قائمة من المكالمات المسجلة. يبقى LFM3-Omni-2B {{2}}ثابتًا تقريبًا لكل تعبير منطوق{{/2}}، وهو ما يناسب محادثة حية حيث يكون حجم الدفعة واحدًا وميزانية الكمون بضع مئات من المللي ثانية.

ماذا يشتري 126 مليارًا

تنشر inclusionAI تقييماتها كصور بدلًا من جداول، وهذا بحد ذاته نوع من التصريح، لكن الأرقام مقروءة. على أداة التقييم الخاصة بها، يُبلّغ Ming-3.0-audio-flash عن متوسط معدل خطأ في التعرف الآلي على الكلام الصيني قدره 3.45، والإنجليزية 3.69، ومتوسط للهجات قدره 9.40 عبر الكانتونية والشنغهايية وهونان والهوكينية، ومعدل خطأ في تمييز المتحدثين قدره 8.58 على AISHELL-4. تتضمن صفوف الاستدلال الصوتي BigBenchAudio عند 99.40 وMMAU عند 82.00. هذه أرقام مورّد على أداة تقييم مورّد، مع علامات نجمية تحدد الصفوف المقيَّمة ذاتيًا. لم يُعِد أحد إنتاجها.

نقطة الضعف التي أوردها المورّد رغم ذلك هي الاستدلال على الصوت الطويل: درجة Long-audio Chain البالغة 12.31 وLongAudioSpan البالغة 41.12، وكلتاهما متأخرة كثيرًا عن النماذج المستضافة في مقارنته الخاصة. لذا فإن نموذج 126B ليس أفضل بشكل موحد في «فهم الصوت». إنه أفضل في السماع الدقيق لما قيل، وبأي لهجة، وعلى لسان أي متحدث — وأقل جودة بكثير في الاحتفاظ بتسجيل طويل في الذهن والاستدلال عبره.

ما الذي يشتريه 2.17 مليار

يُبلِغ LFM3-Omni-2B عن معدل خطأ كلمات قدره 6.36 في التعرف الآلي على الكلام الإنجليزي، ومعدل 6.72 متعدد اللغات، وUTMOSv2 قدره 3.80 في تحويل النص إلى كلام، وVoiceBench 64.73، وMMAR 51.40، ودرجة 52.20 في استدعاء الأدوات. إدخاله الصوتي محدود بـ16 kHz أحادي القناة، وهو مناسب للكلام وغير مفيد للموسيقى.

قاوم الرغبة في مقارنة 6.36 بـ 3.69 الخاصة بـ Ming. فهما ليسا الاختبار نفسه. متوسط Ming في الإنجليزية يُحتسب عبر مجموعته الخاصة من معايير الإنجليزية؛ أما 6.36 الخاصة بـ Liquid فهو رقم واحد من تقييم واحد، جرى باستخدام مطالبه الخاصة وفك الترميز الجشع. العبارة الوحيدة القابلة للدفاع هي الاتجاهية: من المرجح أن يكون ASR لدى Ming أفضل، لأن نموذجًا صوتيًا أصليًا بحجم 126B مع برج بنمط Whisper لديه مجال أكبر ليكون أفضل، ولأن التعامل مع اللهجات هو الأمر الذي اختارت inclusionAI أن تتصدر به. أما ما إذا كان أفضل بفارق نقطتين أو بنصف نقطة، فذلك غير قابل للمعرفة من هاتين البطاقتين.

ما يوفره LFM3-Omni-2B ليس الدقة، بل أن النموذج يعمل حيث يوجد الميكروفون. بالنسبة لخط معالجة تسجيل المكالمات، فإن ذلك غير ذي صلة. أما بالنسبة لأي شيء يتضمن مستخدمًا مباشرًا، فهو يغيّر البنية: لا رفع، ولا رحلة ذهاب وإياب، ولا فاتورة لكل دقيقة، ولا يغادر الصوت الجهاز.

الترخيص هو الفارق الصامت

Ming-3.0-audio-flash مرخّص بموجب MIT. وهذا من أكثر التراخيص تسامحًا: استخدام تجاري، وتعديل، وإعادة توزيع، بلا اختبار إيرادات، وبلا قيد على مجال الاستخدام. يُوزّع LFM3-Omni-2B بموجب LFM Open License v1.0، وهو ترخيص العائلة الذي تطبقه Liquid على LFM3، وهو ترخيص بعتبة إيرادات وليس ترخيصًا مفتوح المصدر معتمدًا من OSI. اقرأه قبل أن تبني منتجًا عليه. بالنسبة لشركة ناشئة تحت العتبة، الفرق نظري؛ وبالنسبة لشركة فوقها، فإن MIT يستحق مالًا حقيقيًا.

التكامل هو حيث يظهر العمل الورقي.

قصة تشغيل Ming لا تزال قيد التنفيذ. أوحى خطاب الإطلاق الخاص بـ inclusionAI بأنه يمكنك تشغيل عائلة Ming باستخدام vLLM-Omni اليوم؛ لكن ما يُظهره المستودع فعليًا هو طلبات سحب مفتوحة — أحدها يغطي نقطة حفظ tts-tiny، وآخر يضيف دعم audio-flash. وإلى أن تُدمج تلك الطلبات، فإن تشغيل Ming-3.0-audio-flash يعني استخدام Transformers على جهاز بذاكرة كافية، أو اتباع مسار SGLang-Omni الذي توثقه الشركة. هذا ممكن التنفيذ، لكنه ليس مجرد `pip install`.

قصة LFM3-Omni-2B هي العكس: بطاقة على Hugging Face توثّق وصفة الضبط الدقيق، ونسخة Ollama منتشرة بالفعل. تذكر تلك النسخة سياقًا بسعة 125K مقابل 32K في البطاقة، ما يخبرك بأن التغليف تحرّك أسرع من التوثيق — تفصيل صغير يهم إن كنت تخطط لتغذيتها بصوت طويل.

إذا لم يكن أيٌّ من هذين هو الشكل المناسب لك، فالبديل هو استئجار القدرة بدلًا من امتلاكها، وذلك بند ميزانية مختلف. OrcaRouter هو الجانب المستضاف من ذلك الخيار — واجهة API واحدة عبر أكثر من 200 نموذج بهامش ربح 0% على سعر قائمة المزوّد، مع تحويل تلقائي عند تعطّل أحد المزوّدين — ولا يوجد أيٌّ من LFM3-Omni-2B أو Ming-3.0-audio-flash في ذلك الكتالوج اليوم. هذا هو التأطير الصادق: هذا المقال يتناول نموذجين تقوم بتنزيلهما، لا نموذجين يمكنك استدعاؤهما.

من الذي يجب أن يختار ماذا

اختر Ming-3.0-audio-flash إذا كانت لديك وحدات GPU لا تستخدمها في شيء آخر، وكانت مادتك الصوتية بالصينية أو الإنجليزية بلهجات ومتحدثين متعددين، وكانت مهمتك إنتاج نص مفرغ دقيق أو إجابة معللة حول تسجيل طويل. ترخيص MIT يجعله الخيار الأكثر أمانًا من بين الاثنين لبناء منتج تجاري عليه، وسياق 128K يجعله الوحيد بينهما القادر على استيعاب اجتماع كامل في تمريرة واحدة.

اختر LFM3-Omni-2B إذا كان الصوت يُولَّد على الحافة، وكان المستخدم ينتظر، وكانت الإجابة تحتاج إلى أن تُنطَق في نفس النَّفَس. تقبَّل أنك تحصل على دقة نموذج أصغر، وقائمة لغات أضيق، وترخيص يتضمن بندًا للإيرادات، مقابل نشر يتناسب مع تطبيق.

السؤال الذي يجب طرحه قبل أيٍّ منهما: إلى أين يذهب الصوت؟ إذا كان الجواب «لا مكان»، فالمقارنة انتهت.