أُطلقت Ming-3.0-audio-flash قبل ستة أسابيع من صدور بطاقة الطراز الخاصة بها.

صار نموذج صوتي-لغوي بـ126 مليار معامل قابلًا للتنزيل من Hugging Face منذ 3 سبتمبر 2026، وحصيلته حتى الآن 22 تنزيلًا وثمانية إعجابات. وحتى هذا الأسبوع، لم يكن الوصف الوحيد المرفق بالمستودع سوى بطاقة قديمة تسمّي نفسها "Ming Audio V3" وتقول إن المستودع "يوثّق حاليًا مسار ASR". Ming-3.0-audio-flash هو الاسم الذي يحمله الآن. الأوزان ليست جديدة. ما وصل خلال 13–19 أكتوبر 2026 هو كل ما يجعل نقطة تحقق قابلة للاستخدام لدى شخص لم يدرّبها: إعداد يعلن أخيرًا عن سياق بسعة 128K، وإعادة رفع تحوّل نموذج فيديو-لغة-صوت إلى نموذج صوتي فقط على مسار برمجي في Transformers 5، وحزمة أصوات تضم مقطعين مرجعيين، وأول بطاقة نموذج حقيقية يحصل عليها المستودع على الإطلاق. لم تعلن inclusionAI أيًا من ذلك. ولم ينشر أي طرف ثالث أي رقم عن النموذج، لذا فكل ما يلي إما مقروء مباشرة من سجل الالتزامات أو مقتبس من صور التقييم الخاصة بالبائع نفسه — ولهذا يجدر القول في البداية إن النموذج من سبتمبر وأن التوثيق وحده من هذا الأسبوع. تُجمع إخفاقات الذكاء الاصطناعي وحوادث الوكلاء الموثقة الكامنة وراء إصدارات كهذا الإصدار في the OrcaRouter AI Incident Archive حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته وتصنيف ثقته وعلامة كونه محل نزاع.

ما الذي تغيّر، ومتى؟

سجل الالتزامات واضح على نحو غير معتاد، ويحكي قصة لا تحكيها بطاقة النموذج. أُنشئ المستودع في 3 سبتمبر 2026 عند 11:49 بالتوقيت العالمي المنسق (UTC) وفيه ملف واحد، هو .gitattributes. بعد تسع دقائق، وصلت 25 شظية safetensors بإجمالي 257 غيغابايت ضمن التزام بعنوان "Add files using upload-large-folder tool" — وهي البصمة المعتادة لفريق تدريب يدفع نقطة تحقق، وليس فريق منتج يهيّئ إطلاقًا. أعلن ملف README المرافق ترخيص Apache 2.0، ووسم المستودع بوسم automatic-speech-recognition، وأخبرك بإنشاء النموذج باستخدام trust_remote_code=False.

ثم صمت المستودع ستة أسابيع. وعندما تحرك مجددًا، تحرك أربع مرات خلال سبعة أيام.

• 13 أكتوبر، 12:17 UTC — «رفع config.json». ملف واحد، وهو الملف المثير للاهتمام: max_position_embeddings ينتقل من 8,192 إلى 131,072. لا يتغير أي شيء آخر في المستودع، لذا أعلن المستودع لمدة يومين عن سياق 128K دون وجود شيفرة نمذجة قادرة على استخدامه.

• 15 أكتوبر، 09:35 و09:40 UTC — «إزالة الملفات المهملة» تلاها «رفع النموذج المحدّث». لم يتغيّر تخطيط الأوزان، لكن أُعيدت كتابة 46 ملفًا، وانخفضت الشريحة الأولى من 10.64 غيغابايت إلى 9.77 غيغابايت. حقل الصوت model_type في الإعداد تغيّر من bailing_moe_v3_vl_audio إلى bailing_moe_v3_audio، وحُذف video_patch_token المتبقي، وارتفع المعلن transformers_version من 4.56.2 إلى 5.14.1، وauto_map اكتسب AutoModel وAutoProcessor إدخالات لم تكن موجودة من قبل. وفي الدفعة نفسها، README ومجلد examples/ اختفيا — ولم يكن للمستودع بطاقة نموذج على الإطلاق خلال الأيام الأربعة التالية.

• 17 أكتوبر، 11:44 UTC — «إضافة إعدادات صوتية مسبقة.» تظهر voice_presets/ بوصفها مجلدًا يضم US_James.wav، 灵楷.wav وvoice_prompts.json تحمل نصوصها المكتوبة.

• من 19 أكتوبر، 11:35 UTC فصاعدًا — «إضافة بطاقة النموذج»، ثم الأصول، ثم اثنا عشر التزامًا صغيرًا لتحسين التنقل ومحاذاة الروابط، وتنتهي عند 13:20 UTC بـ«إضافة رابط نموذج Tiny». هذا هو الالتزام الذي أعاد تسمية النموذج، وغيّر بيانات الترخيص إلى MIT، وأضاف البطاقة ذات 8,259 بايت التي تصف نموذجًا كاملًا للصوت واللغة بدلًا من مسار ASR. كان ملف README الذي استُبدل قد حُذف قبل أربعة أيام؛ أما النسخة التي سبقته، من سبتمبر، فكانت بعنوان "Ming Audio V3" وأعلنت Apache 2.0.

هناك مستودع ثانٍ يجدر معرفته. Ming-3.0-audio-tiny أُنشئ في اللحظة نفسها التي أُنشئ فيها نموذج flash، في 3 سبتمبر عند 11:45 UTC، وتلقّى المعاملة نفسها في 19 أكتوبر. إنه الشقيق الأصغر: 9.3B إجمالي المعاملات مع 2.7B نشطة، وMIT، ونحو 21 GB موزعة على أربع شظايا، وثلاثة تنزيلات.

ما يمكنك تنزيله فعليًا

تم نشر الإعدادات، لذا فالمعمارية ليست لغزًا. ما تغيّر هذا الأسبوع هو أن الإعدادات والشيفرة أصبحتا متطابقتين أخيرًا. لقد كانت ملفات النمذجة المخصصة موجودة في المستودع منذ أول عملية رفع — modeling_bailing_moe_v3_audio.py وprocessing_bailing_moe_v3_audio.py كانا كلاهما موجودين في 3 سبتمبر — لكن الإعدادات التي كان من المفترض أن يحمّلاها وصفت نموذجًا للفيديو واللغة والصوت بنافذة 8K، وكانت البطاقة تطلب منك تهيئته باستخدام trust_remote_code=False، وهو عكس ما تحتاجه الشيفرة المخصصة. إعادة الرفع في 15 أكتوبر هي النسخة التي audio_config.model_type يقرأ bailing_moe_v3_audio، وقد اختفى رمز رقعة الفيديو، ووقت التشغيل المعلن هو transformers_version 5.14.1، وauto_map يسجّل AutoModel وAutoProcessor إلى جانب المدخلين اللذين كانا موجودين دائمًا.

• الحجم — 25 جزءًا من safetensors بصيغة bfloat16 بإجمالي 256 GB للنموذج اللغوي، بالإضافة إلى زوج Talker وVAE بحجم 3 GB ضمن talker/. النموذج الصغير بحجم نحو 21 GB موزّعًا على أربعة أجزاء.

• Backbone — 42 طبقة، وحجم مخفي 2,560، و512 خبيرًا مع 8 نشطة لكل رمز، ومفردات 157,184. أي ما مجموعه 126B و6.5B نشطة لكل خطوة استدلال، وفقًا لبطاقة النموذج.

• برج الصوت — مشفّر بأسلوب Whisper من 32 طبقة وبعرض 1,280 مع 20 رأسًا، و128 حزمة ميل، وسياق صوتي من 3,000 إطار. معرّف رمز الصوت هو 157,168.

• السياق — 131,072 موضعًا. كان 8,192 في إعداد 3 سبتمبر، وإعداد 13 أكتوبر الذي رفعه أول مرة كان لا يزال يسمي نفسه bailing_moe_v3_vl_audioوما زال يحمل توكن رقعة الفيديو؛ أما النسخة النظيفة الصوتية فقط فهي نسخة 15 أكتوبر.

• الإخراج — نص، أو نص مع كلام مُصنَّع عبر Talker اختياري. تُسمّي البطاقة صوت IP افتراضي، 灵小柔، وصوتين مرجعيين معدَّين مسبقًا، 灵楷 وUS_James، حيث تتوفر تسجيلاتهما الصوتية ونصوصهما في المستودع.

• الترخيص — MIT. كان Apache 2.0 حتى 19 أكتوبر. لاحظ أن المستودع نفسه لا يحتوي على LICENSE كملف: ادعاء MIT موجود في البيانات الوصفية للبطاقة وفي رابط إلى مسار GitHub، ونص الترخيص الوحيد الموجود فعليًا في المستودع يخص نموذجًا مضمّنًا لتحديد اللغة ضمن talker/data/.

لا يحل البدء السريع بعد

هذا هو الجزء الذي يحتاجه القارئ الذي يخطط لتقييم النموذج قبل أي شيء آخر، وهو غير موجود في البطاقة. كتلة التثبيت في البطاقة تستنسخ github.com/inclusionAI/Ming-3.0-audio-flash. يعيد عنوان URL هذا خطأ HTTP 404 اليوم، سواء من الويب أو من واجهة API. وينطبق الأمر نفسه على كل مسار تبنيه البطاقة فوقه: examples/transformers_audio.py، examples/transformers_thinker_talker.py، docs/voices.md، scripts/serve_vllm_omni.sh، scripts/serve_sglang.sh، وrequirements-transformers.txt.

لا يوجد أي من هذه في مستودع Hugging Face أيضًا. ولا يحتوي على examples/ — حُذف واحد سابق في 17 سبتمبر — ولا scripts/، ولا docs/، ولا ملف متطلبات خارج talker/. ما يحتوي عليه هو كل ما يلزم لتحميل النموذج باستخدام Transformers مباشرة، وهو ما توثّقه البطاقة أيضًا كمقتطف Python: AutoProcessor مع use_fast=False، وAutoModelForCausalLM بصيغة bfloat16 مع device_map="auto"، وtrust_remote_code=True، والصوت يُمرَّر عبر processor(messages) مع تحويل audio_feats إلى نوع بيانات النموذج.

إذن، الوضع الصادق هو: النموذج يُحمّل، وسكربتات الخدمة غير موجودة حاليًا ليقرأها القارئ، وبطاقة النموذج تصف مستودعًا لم يُنشر بعد. هذا ليس فضيحة — فوصول الوثائق قبل بضع ساعات من دفع الشيفرة أمر معتاد — لكنه يعني أن وصفتي النشر أدناه لا يمكن تدقيقهما، بل اقتباسهما فقط. على من يقيّم نقطة التحقق هذه أن يخطط لمسار Transformers، وأن يقرأ modeling_bailing_moe_v3_audio.pyقبل تفعيل الشيفرة البعيدة، وهو ما تنصح به البطاقة نفسها.

ما يمكن التحقق منه هو عقد التقطيع (tokenisation contract)، والبطاقة محددة بشكل غير معتاد بشأنه: فمُحفّز ASR المُتحقَّق منه يطلب من النموذج تسمية اللغة المنطوقة ووضع علامة جدولة (tab) بين تسمية اللغة والنسخ. إذا كنت تكتب أداة تقييم، فإن علامة الجدولة تلك هي المُحلِّل. إن مُحفّز «انسخ هذا» العام ليس هو التهيئة التي قاسها المورّد.

الجدول الذي نشرته inclusionAI، بما في ذلك الأعمدة التي يفقدها

ثلاث صور PNG في assets/ تحمل التقييم. كل رقم عليها ناتج عن تشغيل inclusionAI نفسه؛ وتشير العلامات النجمية إلى إدخالات يسمها المورّد بأنها مُقيّمة ذاتيًا، ولم يُعِد طرف ثالث إنتاج أي منها. تنشر Artificial Analysis لوحات صدارة صوتية، وليس لديها إدخال لهذا النموذج. لا توجد درجة Arena، ولا Elo مستقل، ولا رأي ثانٍ — لذا اقرأ ما يلي بوصفه مورّدًا يصف نموذجه الخاص، وهذا بالضبط ما هو عليه.

صورة التعرف على الكلام هي أقوى جزء من الحجة، وهي قوية على المحور الذي بُني النموذج بوضوح من أجله. وعند حساب المتوسط على مجموعة اختباره الصينية، يسجل نموذج flash نسبة 3.45 مقابل 3.54 لـ Qwen3.8-Omni Flash و9.83 لـ Gemini 3.8 Flash؛ وعلى الإنجليزية، 3.69 مقابل 4.02 و5.05. وفي اللهجات يتسع الفارق بحدة:

• متوسط اللهجة — Ming-3.0-audio-flash 9.40، Seed2.0 Lite 13.01، Qwen3.8-Omni Flash 11.58، Gemini 3.8 Flash 48.41.

• الهوكين — 12.84 مقابل 49.95 و28.08 و81.62 لنفس الثلاثة.

• الشنغهايية — 11.15 مقابل 26.32 و21.10 و88.64.

• الكانتونية — 4.09 مقابل 6.64 و4.76 و42.62. هذه النتيجة قريبة من التعادل مع Qwen3.8-Omni Flash، وفوز كاسح على Gemini 3.8 Flash.

• هوبي — 9.46 مقابل 11.35 و7.75 و48.24. يفوز Qwen3.8-Omni Flash في هذا الصف، ورغم ذلك نشرته الجهة المورّدة.

• هونان — 8.76 مقابل 20.30 و17.11 و71.39.

الصورة نفسها أقل إطراءً حين تتوقف المهمة عن كونها نسخًا صوتيًا. ففي فصل المتحدثين، تسجل AISHELL-4 معدل خطأ في فصل المتحدثين قدره 8.58 لنموذج flash مقابل 2.80 لـ Qwen3.8-Omni Flash؛ وتُسجل AliMeeting 8.66 مقابل 3.40؛ وAMI 25.29 مقابل 11.16 لـ MiMo-V2.6 Pro. إذا كانت مشكلتك هي "من تحدث ومتى" وليس "ما قيل"، فهذا ليس النموذج الذي يوصي به جدول البائع نفسه. ويحكي معدل خطأ الأحرف بأقل تبديل للنصوص الطويلة المدمجة على AMI القصة نفسها: 39.62 لنموذج flash مقابل 30.91 لـ MiMo-V2.6 Pro و23.19 لـ Qwen3.8-Omni Flash.

صورة الذكاء الصوتي هي حيث تضعف الحجة. يكسب النموذج صفوفه الرئيسية — BigBenchAudio ‏99.40، وMMAU ‏82.00 — ثم يتراجع في كل مكان تقريبًا حيث تتطلب المهمة استدلالًا عبر تسجيل طويل بدلًا من وصف تسجيل قصير.

• LongAudioSpan — 41.12، مقابل 50.26 لـ Seed2.0 Lite و66.40 لـ Qwen3.8-Omni Flash.

• درجة سلسلة الصوت الطويل — 12.31، مقابل 34.54 لـ Qwen3.8-Omni Flash، و48.70 لوضع التفكير الخاص به، و49.63 لـ Gemini 3.8 Flash. هذه فجوة بأربعة أضعاف في المقياس الذي اختار البائع نشره.

• MMAR — 74.40 مقابل 77.70 لـ Seed2.0 Lite. MMSU — 78.82 مقابل 82.10. AudioMarathon — 68.41 مقابل 70.06.

• استدعاء الأدوات — BFCL-v3 Audio ‏81.40 مقابل 75.08 لـ Seed2.0 Lite و86.68 لـ Gemini 3.8 Flash.

تُعدّ معايير النصوص الأقل إثارةً للدهشة والأكثر فائدة، لأنها تقول ما ليس عليه النموذج. في الاستدلال العام، يأتي نموذج flash دون نماذج omni التي تتم المقارنة معها في كل صف تقريبًا: GPQA Diamond ‏82.45 مقابل 91.00 لـ Qwen3.8-Omni Flash، وMMLU-Pro ‏80.00 مقابل 87.70، وIFBench ‏59.00 مقابل 81.50، وLiveCodeBench v6 ‏79.90 مقابل 92.60، وAA-LCR ‏73.90 مقابل 80.00. العمود الفقري هو متخصص صوتي نشط بـ 6.5B يحمل عدد معلمات 126B، وجدول النصوص هو ما يبدو عليه ذلك من الخارج. إذا أردت نموذجًا واحدًا يسمع الاجتماع ويكتب كود المتابعة، فإن أرقام inclusionAI نفسها تقول إنه لا ينبغي أن تتوقع من هذا النموذج أن يحمل النصف الثاني.

ما هي تكلفة التشغيل

هناك ملفّا تعريف للخدمة مذكوران، وليس أي منهما قابلًا للتدقيق بعد. يستخدم ملف التعريف المرجعي vLLM-Omni لسياق 128K توازي الموترات عبر ثماني وحدات GPU من طراز H800 بسعة 80 غيغابايت. ويستخدم ملف التعريف المُتحقَّق منه SGLang أربع وحدات GPU ويعيد نصًا فقط. هذه إعدادات المورّد، وليست قياسات، ومع وجود 256 غيغابايت من الأوزان قبل أي ذاكرة تخزين مؤقت KV، لا يوجد إصدار أصغر من هذا — فإعداد 8K الذي شحنه المستودع في سبتمبر لم يكن ليغيّر الحد الأدنى للذاكرة، لأن الحد الأدنى هو نقطة الحفظ.

القراءة العملية هي أن هذا نموذج عنقودي، لا نموذج محطة عمل. أربع وحدات GPU تعادل تقريبًا تكلفة عقدة GPU قوية؛ أما ثماني وحدات بسعة 80 GB فهي بند ميزانية مختلف تمامًا. Ming-3.0-audio-tiny هو الإجابة لكل من يريد اختبار هذه العائلة دون ذلك الالتزام — فسعة 21 GB و2.7B من المعلمات النشطة ستلائم بطاقة كبيرة واحدة — لكن النموذج المصغر هو نقطة تحقق مختلفة بأرقامها الخاصة الأسوأ باستمرار على الجداول نفسها (درجة Chain للصوت الطويل 10.56 مقابل 12.31، وLongAudioSpan 35.45 مقابل 41.12، وURO-Bench-Pro 54.15 مقابل 81.92، وVoiceBench 74.29 مقابل 86.74)، ولا تنشر الشركة المصنعة أي شيء يثبت أن سلوكه ينتقل.

من الجدير بالملاحظة لأي شخص يخطط لعملية تكامل: أن Talker اختياري وقابل للفصل. تصف البطاقة أنه يولّد الكلام من مخرجات النموذج، وتقع الإعدادات المسبقة في مجلدها الخاص مع ملف متطلبات خاص بها، لذا فإن النشر النصي فقط لا يضطر إلى حمله. كلا وضعي الخدمة الموثقين يعيدان النص افتراضيًا.

أين يستحق الموجّه مكانه، وأين لا يستحقه

لا يقدّم OrcaRouter النموذج Ming-3.0-audio-flash. وهو ليس في كتالوجنا، ولا يمكننا منحك نقطة نهاية له، ولا ينبغي قراءة أي شيء في هذا المقال على أنه عرض لتقديمه. إن ما يبرع فيه الموجّه في خط معالجة مبني حول نموذج كهذا هو النصف الذي ليس النموذج. أنظمة الكلام هي في معظمها عمل نصي: الموجّه الذي يقرر ما الذي يُسأل الصوت عنه، والمعالجة اللاحقة التي تحوّل وسم لغة مفصولًا بعلامات جدولة إلى مخرجات منظمة، والملخص المكتوب من النص المفرّغ، والاحتياطي الذي يعمل عندما تكون عقدة GPU مشبعة. تلك نداءات نصية عادية، وواجهة برمجة تطبيقات واحدة لـأكثر من 200 نموذج بهامش ربح 0% — سعر قائمة المزوّد يُمرّر كما هو، لذا يصبح تخفيض سعر البائع ساريًا لدينا في اليوم نفسه — أبسط في الربط من أربع عقود مع بائعين. التبديل التلقائي عند الفشل هو ما يتيح لك وضع نموذج جديد غير مُثبت خلف جزء من حركة المرور لديك دون المقامرة بالمسار كله عليه.

يستحق هذا الحدّ أن يُقال بصراحة، لأنه السبب الكامل وراء عدم انتهاء هذه المقالة بصندوق تسجيل: فنقطة تفتيش بحجم 259 غيغابايت تُشغّلها بنفسك على وحدات معالجة الرسومات الثماني لديك هي بنية تحتية، وليست استدعاءً لواجهة برمجة تطبيقات. فالموجّه يوجّه الاستدعاءات فحسب. وهو لا يحوّل نموذج عنقود إلى نموذج مستضاف، ولا يحوّل 22 عملية تنزيل إلى دليل إنتاجي.

ماذا تشاهد

ثلاثة أمور ستغيّر الصورة، وكلٌّ منها قابل للتحقق بطريقة لا تتوفر في المعايير المرجعية. أولاً، مستودع GitHub: عندما inclusionAI/Ming-3.0-audio-flash يتوقف عن إرجاع 404، تصبح سكربتات الخدمة ودليل الصوت واقعاً ملموساً، وتصبح وصفتا النشر المذكورتان أعلاه قابلتين للتدقيق. ثانياً، نتيجة مستقلة: فبمجرد أن يُدرج Artificial Analysis أو أي ساحة تقييم نقطة التحقق هذه ضمن قوائمه، يتوقف فارق الصوت الطويل البالغ أربعة أضعاف عن كونه تقريراً ذاتياً من المورّد ويبدأ في أن يصبح نقطة بيانات. ثالثاً، ملف الترخيص: تُعلَن MIT في البيانات الوصفية، ووجود ملف LICENSE في المستودع سيجعله حقيقة لا مجرد ادعاء — والفرق مهم لكل من تقرأ عملية الشراء لديه المستودع لا البطاقة.

حتى ذلك الحين، الوصف الدقيق هو الوصف غير اللامع. نقطة تحقق جادة للغة الصوتية، الأقوى في الكلام الصيني ذي اللكنات واللهجات، والأضعف في الاستدلال على الصوت الطويل وتمييز المتحدثين وفق أرقامها المنشورة، مرخّصة بموجب MIT على الورق، بنحو 259 غيغابايت على القرص، وموثّقة فقط اعتبارًا من هذا الأسبوع. ستة أسابيع من الصمت ليست دليلًا على أي شيء سوى أن inclusionAI أطلقت الأوزان قبل أن تنشر التوثيق — لكن التوثيق هو الجزء الذي يخبرك بما تنزّله، وهو الآن، أخيرًا، متاح للقراءة.