Ming-3.0-asr-tiny مقابل Granite Speech 5.0 470M TurboCTC: 19 ضعفًا في عدد المعلمات، دون أي ميزة في الإنتاجية

ضع Ming-3.0-asr-tiny وGranite Speech 5.0 470M TurboCTC على الصفحة نفسها، وأول رقم يلفت النظر هو نسبة المعلمات: 8.87 مليار مقابل 470 مليونًا، أي نحو تسعة عشر إلى واحد. والثاني أن النموذج الصغير هو المصمم للسرعة بفارق هائل، والثالث أن هذا ليس تناقضًا. لا يملك Granite Speech 5.0 470M TurboCTC أي مفكك ترميز يعمل — فهو مشفّر يُخرج أحرفًا ثم يتوقف. أما Ming-3.0-asr-tiny فلديه مفكك ترميز من 24 طبقة بمزيج من الخبراء يكتب رمزًا واحدًا في كل مرة، ويمكن إخباره مسبقًا بالأسماء التي ستُقال. أحدهما آلة إنتاجية للصوت الإنجليزي، والآخر آلة سياق للصوت الصيني. أطلقت IBM Granite Speech 5.0 470M TurboCTC في 25 أغسطس 2026 مع منشور مدونة وتقرير تقني وإدخال في لوحة صدارة Open ASR؛ وقد قامت inclusionAI بوضع أوزان Ming-3.0-asr-tiny على Hugging Face في 14 أكتوبر 2026 دون أي إعلان على الإطلاق. كل رقم Granite مستخدم هنا يأتي من بطاقة نموذج Granite Speech 5.0 470M TurboCTC، التي تضم جدول Open ASR ومسح الضوضاء وبيان اللغة الواحدة. إن إخفاقات الذكاء الاصطناعي وحوادث الوكلاء الموثقة التي تقف خلف إصدارات كهذا الإصدار مجمّعة في أرشيف حوادث OrcaRouter AI حيث تحمل كل مدخلة مصادرها الخاصة ودرجة خطورتها ودرجة ثقتها وعلامة نزاعها.

لا يوجد أي من الطرازين في كتالوج OrcaRouter، ولا يظهر أي منهما في تقييم الآخر، لذا لا توجد مواجهة مباشرة بين البائعين يمكن الاقتباس منها. كل ما ورد أدناه مستمد من الإعدادات والرسوم البيانية المنشورة الخاصة بكل طراز، وموسوم على هذا الأساس.

التفرّع المعماري، بصياغة صريحة

نموذج Granite Speech 5.0 470M TurboCTC نموذج يعتمد على المُشفّر فقط، وتقول IBM إن ذلك قطيعة متعمدة مع ماضيها. كانت نماذج Granite Speech السابقة تتألف من مُشفّر صوتي، ومُسقِط، ونموذج لغة Granite مزوّد بمهايئات LoRA — أي إنها كانت نماذج لغة ترتدي ميكروفونًا. أما جيل 5.0 فيستغني عن نموذج اللغة كليًا ويحسّن هدف CTC على رأس BPE من 16,384 وحدة. ستة عشر بلوكًا من نوع conformer، وأبعاد مخفية 1,024، وثمانية رؤوس انتباه، وانتباه كتلي على 128 إطارًا، وتكييف ذاتي عند البلوك الثامن، ونواة التفاف بعرض 7.

الاختزال الفرعي هو الجزء الذي يُنتج السرعة. يصل الصوت على هيئة log-mel إضافةً إلى دلتا بمعدل 100 إطار في الثانية ضمن 320 بُعدًا. ثلاث مراحل من الاختزال بمعامل 2× — أولًا إعادة تشكيل تُكدِّس الإطارات المتتالية، ثم التفافات ذات خطوة داخل أول كتلتين من conformer — تصل بذلك إلى 12.5 رمز إخراج في الثانية. وتنص مدونة IBM صراحةً على أن هذا هو التغيير مقارنةً بمُرمِّزاتها السابقة، التي كانت تُصدر 50 حرفًا في الثانية: خطوات إخراج أقل بأربع مرات لكل ثانية من الصوت، ودون حلقة انحدار ذاتي تقرر كل خطوة منها.

سلك Ming-3.0-asr-tiny الاتجاه المعاكس في كل محور يهم هنا. فك الترميز الخاص به يتكوّن من 24 طبقة من مزيج الخبراء تضم 128 خبيرًا، يُوجَّه ثمانية منها لكل رمز، وخبيرًا مشتركًا وطبقة أولى كثيفة، وتتناوب ثلاث طبقات Kimi Delta Attention مع طبقة Gated MLA واحدة. ويكتب الرموز بطريقة انحدارية ذاتية. كما يحمل مُرمِّزًا بهيئة Whisper من 32 طبقة وبأبعاد 1,280 — أي بهيئة Whisper large-v3، مع شحن المستودع modeling_whisper_encoder.py وإشعار MIT الخاص بـ OpenAI في ملف منفصل. أبقى Ming على نموذج اللغة وجعله الجزء المكلف.

من أين تأتي الأرقام فعليًا

هذا هو القسم الذي يحدد مقدار الوزن الذي تستحقه ادعاءات أيٍّ من النموذجين، ولا يمكن مقارنة الإصدارين من حيث النوع.

• Granite Speech 5.0 470M TurboCTC — 5.00% معدل خطأ في الكلمات (WER) إجمالي عبر مجموعات الاختبار الإنجليزية العامة القصيرة في لوحة صدارة Open ASR، اعتبارًا من 25 أغسطس 2026، مع 1.93% على LibriSpeech test-clean و3.59% على test-other. ويسجّل نظيره غير التجاري 4.85%. وتبلغ الإنتاجية أكثر من 12,600 RTFx على وحدة H200 واحدة مع الاستدلال المُجمَّع. وهناك تقرير فني على arXiv ومنشور مدونة على Hugging Face، وقد قُدِّمت النتائج إلى لوحة صدارة عامة تُدرِجها.

• Ming-3.0-asr-tiny — متوسط CER 3.55 على المجموعات الصينية العامة، ومتوسط WER 3.99 على المجموعات الإنجليزية العامة، و8.42 على خمس عشرة مجموعة لهجات، و1.67 عبر خمسة نطاقات داخلية، و4.36 على تجميع ASR سياقي. كل ذلك موجود كصور PNG على بطاقة النموذج. لا يوجد تقرير تقني، ولا مشاركة في لوحة الصدارة، ولا نص برمجي للتقييم في المستودع.

يستحق منشور المدونة ذلك أن يُفتح للسبب نفسه الذي تستحق به بطاقة النموذج ذلك: فهو الأثر الذي لا يملكه Ming. نشرت IBM مقالًا مؤرخًا وتقريرًا تقنيًا ومدخلًا في لوحة المتصدرين، ويمكن التحقق من ادعاء الإنتاجية في المقال مقابل إعدادات الدفعات التي يصفها.

هذا التفاوت ليس انتقاصًا من أرقام Ming؛ بل هو بيان عن ما يمكنك التحقق منه. يمكن لأي شخص إعادة تشغيل أرقام Open ASR الخاصة بـ Granite من بيانات عامة في غضون ظهيرة واحدة. أما إعادة تشغيل أرقام Ming فتتطلب إعادة بناء مجموعات اختباره، بما في ذلك خمسة مجالات داخلية لم يُنشر تكوينها.

ثمة عدم تماثل آخر، وهو يسير في الاتجاه المعاكس: لا يشترك النموذجان في مجموعة تقييم واحدة. مخططات Granite مقتصرة على الإنجليزية، وتشمل LibriSpeech وAMI وEarnings-22 وGigaSpeech وSPGISpeech وTED-LIUM وVoxPopuli. أما متوسط Ming للإنجليزية فيستخدم LibriSpeech وMultilingual LibriSpeech وFLEURS English وCommon Voice 15 English وVoxPopuli — مع تداخل في اثنتين من أصل خمس، وطريقة تجميع مختلفة. القارئ الذي يريد معرفة «أي النموذجين أدق في الإنجليزية» لن يحصل على إجابة من أي من المورّدين، لأن أياً منهما لم يطرح هذا السؤال.

تعني السرعة أمرين مختلفين هنا

رقم RTFx البالغ 12,600 من IBM هو رقم إنتاجية للمعالجة الدفعية: صوت يُمرَّر عبر وحدة GPU بكميات كبيرة، أكثر من ثلاث ساعات ونصف من الكلام لكل ثانية من الحوسبة. إنه الرقم المناسب لنسخ أرشيف، ويكاد يكون بلا معنى بالنسبة لميكروفون مباشر. تُطلق IBM فعلاً البث — عرض WebGPU في المتصفح، وانتباه على شكل قطع، ومسار MLX لـ Apple Silicon — لكن الرقم الرئيسي يصف حالة الدفعات.

لا تنشر Ming أي RTFx على الإطلاق. ما تنشره هو حجم: 17.7 GB من أوزان BF16 ومُفكِّك ترميز انحداري ذاتي يضم 128 خبيرًا. حلقة رمز برمز هي نموذج التكلفة. كل ثانية إضافية من الصوت تعني خطوات مُفكِّك ترميز أكثر، وكل خطوة مُفكِّك ترميز تمس قرار توجيه عبر 128 خبيرًا. هذا هو السبب البنيوي وراء كون نموذج أصغر بـ19× يعتمد على المُرمِّز فقط هو النموذج صاحب ادعاء الإنتاجية، ولا يحتاج إلى اختبار أداء ليكون صحيحًا.

النتيجة العملية هي أن هذه لا تتنافس على النشر نفسه. صُمم Granite Speech 5.0 470M TurboCTC ليعمل على حاسوب محمول أو هاتف أو وحدة H200 واحدة تعالج أرشيف بودكاست كاملًا. أما Ming-3.0-asr-tiny فيحتاج إلى CUDA GPU، وPyTorch 2.11.0، وtorchaudio 2.11.0، وTransformers 5.12.1، وfla-core 0.5.2 وtrust_remote_code=True، وإلى محوّل SGLang منفصل مثبّت على commit محدد إذا أردت تقديمه كخدمة. إحداهما قائمة اعتماديات يمكنك وضعها في منتج.

القدرة التي تنازلت عنها Granite للوصول إلى هناك

التصميم المعتمد على المُشفّر فقط يوفّر السرعة والحجم، وIBM صريحة بشأن الثمن. تذكر مدونتها أن نماذج 5.0 تتخلى عن قدرات كانت لدى الإصدارات المزوّدة بـ LM، وتسمّي ترجمة الكلام وترجيح الكلمات المفتاحية. هذه الثانية هي المثيرة للاهتمام، لأن ترجيح الكلمات المفتاحية هو تحديدًا ما تسميه Ming بـ Context ASR وتعتبره ميزتها الرئيسية.

يقبل Ming قائمة من الكلمات الساخنة أو الدور السابق من الحوار كجزء من موجّه التفريغ النصي، ومثال المورّد نفسه مفيد: مقطع صوتي يظهر فيه عنوان الفيلم {{1}}同囚{{/1}} على أنه {{2}}同球{{/2}} في المسار العادي، ويظهر بشكل صحيح بمجرد توفير الموضوع وقائمة الكلمات الساخنة. وتحرص البطاقة على القول إن الكلمات الساخنة تلميحات وليست ضمانات، وهو تأطير صادق — فالانحياز يغيّر الاحتمالات ولا يفرض الناتج.

Granite Speech 5.0 470M TurboCTC ليس له مثيل. لا يوجد مُوجّه نصي، ولا حقل سياق، ولا قائمة أسماء يمكن تزويده بها، لأنه لا يوجد نموذج لغوي يمكن تكييفه. إذا كانت تسجيلاتك الصوتية مليئة بأسماء المنتجات أو أسماء الأدوية أو أسماء العائلات من قاعدة بيانات العملاء، فإن النموذج يملك أداة واحدة فقط: ما تعلّمه أثناء التدريب. وإجابة IBM عن هذه الفئة من المشكلات هي دفتر Notebook للضبط الدقيق على بياناتك، وهو سير عمل مختلف بتكلفة مختلفة.

تسير تغطية اللغات على النحو نفسه. أما Granite فإنجليزي، وتُذكر الإنجليزية بوصفها اللغة الوحيدة المدعومة، وقد دُرِّب على نحو 60,000 ساعة من الصوت الإنجليزي في عشرة أيام على ثماني وحدات H100. أما Ming فهو صيني وإنجليزي، مع خمس عشرة مجموعة اختبار للهجات صينية إقليمية تشمل الكانتونية ومينان والشنغهايية، ومتوسط لهجات يبلغ 8.42 تضعه مخططاته الخاصة متقدمًا على كل خط أساس مفتوح تدرجه.

الاختيار بينهما

إذا كان صوتك بالإنجليزية ومشكلتك هي الحجم — تسجيلات المكالمات، والأرشيفات، ونصوص الاجتماعات، وأي شيء تكون فيه التكلفة لكل ساعة أهم من آخر درجة من الدقة — فإن Granite Speech 5.0 470M TurboCTC هو نقطة البداية الأكثر منطقية، وكونه يعمل بتكميم عبر بيئة تشغيل C++ أصلية دون Python ميزة نشر لا تعوّضها أي درجة من تغطية اللهجات الصينية.

إذا كانت تسجيلاتك الصوتية بالماندرين أو بلهجة إقليمية، أو إذا كانت مشكلة الدقة هي أسماء علم يمكنك سردها مسبقًا، فإن Ming-3.0-asr-tiny هو الوحيد من بين الاثنين الذي يعالج ذلك، ويعالجه ببنية صُممت له بدلًا من ضبط دقيق مُلحق به. كما أن عمره خمسة أيام وله 35 عملية تنزيل، ما يعني أنك ستكون من أوائل من يكتشفون كيف يفشل.

هناك حالة ثالثة تستحق الذكر: أن تريد كليهما، وتريد أن تعرف أيّهما يتفوّق على حركة المرور الخاصة بك. تلك هي مشكلة التوجيه التي بُني OrcaRouter من أجلها. لا يُستضاف أيٌّ من هذين النموذجين هناك — فكلٌّ من Ming-3.0-asr-tiny وGranite Speech 5.0 470M TurboCTC أوزان مفتوحة مستضافة ذاتيًا — لكن نقطة النهاية نفسها التي تتقدّم نماذجك المستضافة يمكنها أن تتقدّم مسارًا مرشّحًا للتعرّف على الكلام، مع تحويل تلقائي عند الفشل بحيث يعود الطلب الفاشل إلى النموذج القائم بدلًا من الظهور للمستخدم، ومفتاح واحد عبر أكثر من 200 نموذج بحيث لا تتطلّب المقارنة عقدًا ثانيًا.

ما لم يُظهره لك أيٌّ من المورّدين

لم يُقيّم أيًّا من النموذجين أيُّ طرف مستقل. غير أن أرقام Granite ترد على الأقل في لوحة صدارة عامة تشارك فيها فرق أخرى أيضًا، ما يعني أنها قابلة للنقاش والمساءلة؛ بينما ترد أرقام Ming في أربع صور PNG كانت لا تزال قيد التعديل في عصر اليوم الذي نُشرت فيه. ولا توثّق أيٌّ من البطاقتين الطوابع الزمنية على مستوى الكلمة أو تمييز المتحدثين، لذا فإن أي خط معالجة يحتاج إلى التوقيت يخرج عن نطاق كليهما — فبطاقة Granite تصف مخرجات نسخ نصي عادية، فيما تنص ملاحظات الاستخدام الخاصة بـ Ming صراحةً على أن المخرجات نص نسخ دون طوابع زمنية على مستوى الكلمة أو تمييز للمتحدثين.

المقارنة التي من شأنها أن تحسم هذا الأمر لا يمكن أن يجريها أيٌّ من المورّدين. فهي تحتاج إلى مجموعة بيانات واحدة، وزوج لغوي واحد، ونص برمجي واحد للتقييم، وكلا النموذجين على وحدة معالجة رسوميات واحدة. وإلى أن ينشر أحدهم ذلك، فإن البيان الوحيد القابل للدفاع عنه هو البيان الذي تصرّح به البنيتان المعماريتان أصلاً: نموذج خليط خبراء انحدار ذاتي أكبر بتسعة عشر ضعفاً لا ينافس نموذج CTC ذا المُرمِّز فقط في معدل المعالجة، ولا يمكن إخبار نموذج CTC ذي المُرمِّز فقط بالكلمات التي ينبغي أن يتوقعها.