Ming-3.0-asr-tiny مقابل Moonshine 250M: أحد النموذجين لا يتوقف عن الاستماع، بينما الآخر لا يبدأ حتى تنتهي.

ثمة مشكلة تسمية ينبغي توضيحها قبل أي شيء آخر، لأنها تغيّر ماهية هذه المقارنة. تنشر Moonshine ثلاث نقاط حفظ — Tiny بحجم 34M، وSmall بحجم 123M، وMedium بحجم 245M — وMoonshine 250M هي التسمية المختصرة التي يستخدمها المجتمع للإشارة إلى أعلى تلك السلسلة، أي نقطة الحفظ التي اسم مستودعها moonshine-streaming-medium والتي يبلغ مجموع معاملاتها في فهرس safetensors فعليًا 265,898,112 معاملًا. لا يوجد أي ملف في أي مكان داخل مؤسسة Moonshine يحمل اسم 250M. ذلك النموذج هو مُعرِّف كلام إنجليزي للبث المباشر، مزوّد بمُرمِّز بنافذة منزلقة ومُفكِّك ترميز انحدار ذاتي، صُمّم لجهاز حاسوب محمول أو هاتف، وأُصدر في يناير 2026 بموجب رخصة MIT. Ming-3.0-asr-tiny هو مُعرِّف كلام للصينية والإنجليزية يضم 8.87 مليار معامل ظهرت أوزانه على Hugging Face في 14 أكتوبر 2026 دون إعلان، بُني حول مُرمِّز على شكل Whisper ومُفكِّك ترميز بخليط خبراء من 128 خبيرًا، وصُمّم لقراءة مقطع كامل دفعة واحدة. وهما ليسا منافسين في السوق نفسها. بل هما إجابتان مختلفتان عن سؤال: متى يُسمح لنظام التعرف على الكلام بأن يتحدث؟ نقطة الحفظ التي يسميها هذا المقال Moonshine 250M موثّقة في بطاقة نموذج Moonshine Streaming Medium، حيث يُبلغ فهرس safetensors عن 265,898,112 معاملًا مقابل تسمية البطاقة البالغة 245M. تُجمع حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثّقة الكامنة وراء إصدارات مثل هذا الإصدار في أرشيف OrcaRouter لحوادث الذكاء الاصطناعي حيث يتضمن كل إدخال مصادره الخاصة ودرجة خطورته ودرجة ثقته وإشارة كونه محل نزاع.

هذا السؤال هو الإطار المفيد، وهو يُنتج قرارًا أكثر وضوحًا مما ينتجه جدول دقة. يصدر Moonshine 250M الكلمات بينما لا يزال الصوت يصل، على نحو 0.1 إلى 1 TOPS. لا يصدر Ming-3.0-asr-tiny شيئًا حتى تُسلّمه ملفًا كاملًا، وبعد ذلك يصدر نصًا مفرّغًا بلا طوابع زمنية على الإطلاق.

ما الذي صُمِّم كل واحد منها فعليًا للقيام به

معمارية Moonshine انقلاب متعمد على التنازل المعتاد في البث. المشفّر محوّل بنافذة منزلقة ذي انتباه محلي محدود ودون أي تضمينات موضعية على الإطلاق — تسمّيه البطاقة إرغودي — بنوافذ (16، 4) في الطبقتين الأوليين والطبقتين الأخيرتين و(16، 0) في الطبقات الوسيطة، ما ينتج عنه نحو 80 مللي ثانية من الاستباق. تُحقن المعلومات الموضعية بواسطة مهايئ بعد المشفّر، يغذّي فاكّ تشفير سببي قياسي مزوّد بـ RoPE. تعمل الواجهة الأمامية الصوتية عند 50 هرتز باستخدام عمليات بسيطة في المجال الزمني بدلاً من طيف ميل.

المُفكِّك تلقائي الانحدار، ويوضح Moonshine تكلفة ذلك: زمن وصول المخرجات الكاملة يزداد مع طول النص المنسوخ حتى عندما يكون زمن الوصول إلى أول رمز منخفضًا. هذا هو القيد الصادق في التصميم، وهو الجملة الوحيدة التي يجب أخذها في الاعتبار عند مقارنة ادعاءات البث. البث يعني ظهور الكلمات الأولى بسرعة؛ لكنه لا يعني ظهور الكلمة الأخيرة بسرعة متناسبة.

لا يدعم Ming البث المتدفق، وبطاقته تنص على ذلك: المثال المرفق لا يقبل إدخالاً متدفقاً. يمكن تقطيع الصوت الطويل إلى أجزاء عبر معامل مقابل سياق من 8,192 موضعًا، لكن تقطيع ملف ليس كاستهلاك بث حي، وحقل صيغة الإخراج في الإعدادات مضبوط على عادي. ما يفعله Ming بدلاً من ذلك هو حمل السياق. فهو يقبل كلمات مفتاحية أو دور الحوار السابق كجزء من موجه النسخ، ويُقيَّم عبر خمس عشرة مجموعة اختبار للهجات الصينية — هونان، ومينان، والكانتونية، وتشوانيو، وشنغهاي، وآنهوي، والشمال الشرقي، وخنان، وهوبي، وجيانغسو، والهاكا، وشنشي، وشاندونغ، وتيانجين، ويونان. أما Moonshine فهو إنجليزي فقط وليس لديه أي من هذا.

عددَا المعاملات، ولماذا يختلفان

تفصيل يستحق التوقف عنده، لأنه من النوع الذي يكسر جدول مقارنة بهدوء: تسرد بطاقة Moonshine الخاصة بـ Medium أنها تضم 245M معامل، و14 طبقة مُرمِّز و14 طبقة مُفكِّك، ومُرمِّزًا بأبعاد 768 ومُفكِّكًا بأبعاد 640. أما فهرس safetensors في المستودع نفسه فيُبلِغ عن 265,898,112. الفجوة نحو 21 مليونًا، أي ما يقارب ثمانية ونصف بالمئة، وهي ليست خطأ تقريب — بل الفرق بين احتساب العمود الفقري واحتساب كل ما يُشحَن معه.

يواجه Ming المشكلة نفسها بحجم أكبر. يُبلِغ فهرسه عن 8,865,800,992 معلمة؛ بينما تُسمّي مخططاته النموذج 8.6B-A2B، وهو اختصار لإجمالي 8.6 مليار مع نحو 2 مليار نشط لكل رمز. والتسمية أقل بنحو 270 مليونًا من الفهرس.

• إجمالي المعلمات — Ming-3.0-asr-tiny 8.87B (فهرس) مقابل Moonshine 250M 266M (فهرس)؛ تقول تسميات المورّد 8.6B و245M.

• نشط لكل رمز — حوالي 2B لـ Ming، لأن 8 من أصل 128 خبيرًا يتم توجيههم في كل خطوة. والكامل 266M لـ Moonshine، وهو كثيف.

• المشفّر — 32 طبقة، 1,280 بُعدًا، 20 رأسًا، 128 صندوق ميل، على شكل Whisper، مقابل محوّل إرغودي بنافذة منزلقة مكوّن من 14 طبقة بأبعاد 768 على واجهة أمامية بتردد 50 هرتز.

• المُفكِّك — 24 طبقة، 128 خبيرًا، ذاتي الانحدار؛ مقابل 14 طبقة، كثيف، ذاتي الانحدار.

• نموذج الكمون — المقطع كاملًا يدخل، والنص المنسوخ يخرج، دون بث؛ مقابل استباق بنحو 80 مللي ثانية وأول رمز بينما الصوت ما زال يصل.

• الإخراج — نص نسخ عادي، بلا طوابع زمنية، بلا تمييز للمتحدثين؛ مقابل نص نسخ من مفكك ترميز تلقائي الانحدار لا يحتوي أيضًا على مسار للطوابع الزمنية في البطاقة.

• اللغات — الصينية والإنجليزية بالإضافة إلى 15 مجموعة اختبار للهجات الصينية؛ مقابل الإنجليزية فقط.

• الترخيص — MIT لكليهما، مع الاحتفاظ بترويسات Apache-2.0 المضمّنة في مستودع Ming.

الدقة، مع التحفظ بأنها لم تُختبر على الصوت نفسه مطلقًا

يُظهر تقرير بطاقة Moonshine متوسط WER قدره 6.65 عبر ثماني مجموعات إنجليزية لإصدار Medium: 10.68 على AMI، و11.90 على Earnings-22، و9.46 على GigaSpeech، و2.08 على LibriSpeech test-clean، و5.00 على test-other، و2.58 على SPGISpeech، و2.99 على TED-LIUM، و8.54 على VoxPopuli. وقد دُرِّب على نحو 300,000 ساعة من الكلام.

تُفيد Ming بمتوسط WER قدره 3.99 على مجموعاتها الإنجليزية العامة — LibriSpeech clean and other، وMultilingual LibriSpeech، وFLEURS English، وCommon Voice 15 English، وVoxPopuli — وبمتوسط CER قدره 3.55 على مجموعاتها الصينية. دُرّب على كمية غير معلنة من البيانات.

الإغراء هو وضع 3.99 بجانب 6.65 وإعلان أن Ming أكثر دقة في الإنجليزية. لا تفعل. مجموعتان من المجموعات الإنجليزية الخمس تختلفان، وطريقة التجميع تختلف، وبطاقة Moonshine لا تنشر تفصيلًا لكل مجموعة ينطبق بسلاسة على مجموعات Ming الخمس، ولم يقم أي من المورّدين بتشغيل الآخر. وفي المجموعة الوحيدة التي يبلغ عنها كلاهما — VoxPopuli — لا ينشر Ming رقمًا إنجليزيًا لكل مجموعة في نصه على الإطلاق، بل المتوسط فقط، لذا حتى هذا التداخل الوحيد لا يمكن مقارنته من البطاقات. كل رقم هنا مُبلَّغ عنه من المورّد وغير مُعاد إنتاجه.

ما يمكن قوله دون مجموعة اختبار مشتركة هو أمر بنيوي. Moonshine نموذج كثيف بـ266 مليون معامل، دُرّب على 300,000 ساعة من الإنجليزية. Ming نموذج خليط خبراء بـ8.87 مليار معامل، مع نحو 2 مليار معامل نشط، دُرّب على بيانات لا يصفها، ويُقيَّم على الصينية والإنجليزية مع مكوّن لهجي كبير. نموذج يمتلك معاملات نشطة أكثر بسبعة عشر ضعفًا وله أولوية نموذج لغوي ينبغي أن يكون أكثر دقة على الصوت الإنجليزي الصعب، وسيكون مفاجئًا ألا يكون كذلك. هذا توقع من البنية، وليس قياسًا.

حيث تتباين حقائق النشر

يحتاج Ming إلى جهاز Linux مزوَّد بوحدة معالجة رسومات CUDA، وPython 3.12، وPyTorch 2.11.0، وtorchaudio 2.11.0، وTransformers 5.12.1، وfla-core 0.5.2، وtrust_remote_code=True لتحميل شيفرة النمذجة الخاصة به. يبلغ حجم الأوزان نحو 17.7 غيغابايت بصيغة BF16 موزَّعة على شريحتين. وهناك مسار خدمة عبر SGLang، مثبَّت على التزام محوِّل محدَّد، وهو ما يُعدّ مؤشرًا على أن المورّد يتوقّع تشغيل هذا خلف واجهة برمجية (API) لا على مكتب.

يستهدف Moonshine 250M ذاكرةً أقل من 1 غيغابايت ونحو 0.1 إلى 1 TOPS. ويعمل عبر إطار Moonshine Voice للأجهزة الطرفية وعبر Transformers، وتقول بطاقة المواصفات صراحةً إن مسار Transformers لا يطبّق بعد بثًا فعّالًا بالكامل — فهو يعتمد على دعم النافذة المنزلقة في flash-attention. إذا أردت سلوك البث الذي تعد به البنية، فمسار الإطار هو الذي يوفره.

المستودع هو المكان الذي يظهر فيه خط نقاط التحقق فعليًا: أربعة وعشرون وسمًا عبر عائلة Tiny وSmall وMedium، إضافةً إلى إطار العمل الذي تخبرك البطاقة باستخدامه إذا أردت بثًا حقيقيًا. هذه قصة صيانة لا يمتلكها Ming بعد، وهي الجانب العملي من الاختيار.

تلك هي المقارنة كاملةً في جملتين: أحد النموذجين مصمَّم ليُنسى داخل جهاز، والآخر مصمَّم ليُقدَّم من وحدة معالجة رسومات (GPU) مع قائمة كلمات تنبيه مرفقة بها.

ما الذي ينبغي فعليًا أن يفعله فريق يضع الصينية في المقام الأول

إذا كان منتجك عبارة عن ترجمة توضيحية مباشرة أو أمر صوتي باللغة الإنجليزية، فإن Moonshine 250M يؤدي المهمة التي لا يستطيع Ming أداءها على الإطلاق، ومن غير المرجح أن تكون فجوة الدقة — أياً كانت — أهم من حقيقة أن Ming لا يستطيع معالجة بث مباشر. فالبث ليس ميزة تضيفها لاحقاً إلى بنية تقرأ مقاطع كاملة؛ بل هو خاصية من خصائص المُرمِّز.

إذا كان منتجك يتعلق بالكلام الصيني، أو بلهجة إقليمية، أو بخط معالجة دفعي تُنتَج فيه النصوص بعد وقوع الحدث وتكون الأسماء مهمة، فإن Ming هو الوحيد من بين الاثنين الذي يعالج المشكلة، وهو عمره خمسة أيام وعدد تنزيلاته في العشرات. والتوصية الصادقة هي إجراء مقارنة تنافسية مباشرة على الصوت الخاص بك، مع التقييم على استدعاء الكيانات المسماة بدلاً من معدل خطأ الأحرف، لأن ذلك هو المحور الذي بُني Ming من أجله.

بالنسبة للفرق التي تُجري تلك المقارنة التجريبية، فالمشكلة التشغيلية ليست في النموذج، بل في البنية التحتية: مجموعتان من التقنيات، ومجموعتان من التبعيات، ومجموعتان من بيانات الاعتماد، ولا توجد طريقة لمقارنتهما على حركة المرور نفسها دون بناء أداة اختبار. لا تستضيف OrcaRouter أيًا من النموذجين — فـ Ming-3.0-asr-tiny وMoonshine 250M أوزان مفتوحة مستضافة ذاتيًا — لكنها تضع أكثر من 200 نموذج مستضاف خلف مفتاح API واحد مع تجاوز فشل تلقائي، بحيث يمكن لخط الأساس المستضاف الذي تقيس عليه أن يجاور مرشحك المستضاف ذاتيًا دون عقد ثانٍ. تمر أسعار قوائم المزوّدين بهامش ربح 0%، وهو الرقم المهم عندما تقارن التكلفة لكل ساعة من الصوت بدلًا من التكلفة لكل رمز.

السؤال المفتوح الجدير بالمتابعة

تقول بطاقة Ming إن الكلمات الساخنة تلميحات وليست ضمانات، وإن الناتج نصٌّ بلا طوابع زمنية على مستوى الكلمة أو تمييز للمتحدثين. وتقول بطاقة Moonshine إن مفكك الترميز لديها يمكن أن يهلوس كلمات ويكرر عبارات في المقاطع القصيرة أو المشوّشة. كلتاهما صادقة بشأن أنماط الفشل، وهذا أكثر مما تنجح فيه معظم البطاقات، وكلتاهما تصفان التنازل الكامن نفسه من طرفين متقابلين: مفكك ترميز انحداري ذاتي ينتج نصًا طليقًا سينتج أحيانًا نصًا طليقًا لم يُقَل.

ما الذي سيحسم هذه المقارنة ليس معيارًا قياسيًا بل حالة استخدام. شغّل كلا النموذجين على العشرين دقيقة نفسها من صوتك الخاص — نصفها مباشر ونصفها على شكل دفعات، ونصفها بالإنجليزية ونصفها بغيرها — وعندها يتوقف القرار عن أن يكون متعلقًا بأعداد المعاملات تمامًا. وحتى ذلك الحين، فالوصف الصحيح لهذه المواجهة هو أن أحد النموذجين مبني ليستمع باستمرار والآخر مبني ليقرأ بعناية، وأن الاسم الموجود على النموذج الأصغر هو اختصار تسويقي لنقطة تحقق هي في الواقع 266 مليون معامل.