بطاقة عنوان مُولّدة تقرأ «Ming-3.0-audio-flash يتصدّر استدلال الكلام بنسبة 99.8%»، مع عنوان فرعي يشير إلى المرتبة الأولى في Artificial Analysis Big Bench Audio في 18 نوفمبر 2026، وإلى أن نقطة التحقق أُطلقت في 3 سبتمبر دون قائمة أسعار. وتقرأ أربع شرائح إحصائية «99.8% Big Bench Audio»، و«#1 من 42 نموذجًا»، و«1.12 ثانية حتى أول صوت»، و«لا سعر منشور». ويقرأ التذييل «النتائج وفق Artificial Analysis، 18 نوفمبر 2026.»
Engineering & Research

يتصدر Ming-3.0-audio-flash اختبار الاستدلال الكلامي في Artificial Analysis بنسبة 99.8% — متقدمًا بنقطة واحدة، وما زال بلا سعر

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

تُدرج Artificial Analysis الآنMing-3.0-audio-flash في المرتبة الأولى على لوحة الاستدلال الكلامي الخاصة بها، تقييم Big Bench Audio، بدقة 99.8%، متقدماً على StepAudio 3 Realtime بنسبة 99.7%، وQ​wen Audio 3.0 Realtime Plus بنسبة 99.2%، وEleven Realtime v1 Max بنسبة 98.8%، وG​rok Voice 3.0 بنسبة 98.5%، وG​emini 3.8 Live Extended Thinking (High) بنسبة 97.7%، وGPT-Realtime-2.1 High بنسبة 95.8%. وقد صدر الادعاء من Ant Ling في 18 نوفمبر 2026 الساعة 08:37 UTC، بعد تسع عشرة دقيقة من تعديل مستودع النموذج نفسه لإضافة الرقم نفسه وصورة من لوحة المتصدرين. هذا التوقيت هو القصة كلها: نموذج أُطلق في سبتمبر دون أي نتيجة من طرف ثالث أصبحت لديه الآن نتيجة، والرقم قريب جداً من السقف.

للتوضيح بدقة ما الجديد وما ليس جديدًا — لأن هذا ليس إطلاقًا. inclusionAI رفعت أوزان Ming-3.0-audio-flash إلى Hugging Face في 3 سبتمبر 2026 ولم تقل شيئًا عنها لستة أسابيع؛ فبطاقة النموذج وملفات تعريف الخدمة والشيفرة المثال لم تظهر إلا بين 15 و19 أكتوبر. ما تغيّر اليوم هو التقييم، لا نقطة التحقق. إن شرائح safetensors هي البايتات ذاتها التي كانت عليها في سبتمبر. لذا فالصياغة الصادقة هي أن نموذجًا صوتيًا مفتوح الأوزان عمره سبعة أسابيع قد قِيس للتو من قِبل شخص غير مؤلفه، وقد تصدّر النتيجة.

ما الذي يطلبه Big Bench Audio فعليًا من النموذج للقيام به

يجدر بنا أن نكون محددين بشأن الاختبار، لأن «الاستدلال الكلامي» يبدو كشيء يفعله وكيل صوتي في المحادثة، لكنه في الغالب ليس كذلك. Big Bench Audio عبارة عن مجموعة من أسئلة الاختيار من متعدد تُقدَّم صوتيًا: يسمع النموذج تسجيلًا، ويسمع أو يقرأ سؤالًا عنه، ثم يختار إجابة. وهو يكافئ القدرة على الاحتفاظ بمقطع منطوق في السياق وتطبيق استدلال عادي عليه. ولا يكافئ أخذ الأدوار، أو التعامل مع المقاطعة، أو إشارات الاستماع الخلفية، أو القدرة على أن تبدو كشخص. تلك توجد في لوحة مختلفة من Artificial Analysis، هي Full Duplex Bench، حيث لا يملك Ming-3.0-audio-flash حاليًا أي درجة منشورة على الإطلاق.

هذا التمييز يهم هنا أكثر من المعتاد، لأن المقياس عند 99.8% يكاد يكون قد وصل إلى سقفه. في لوحة تضم 42 نموذجًا، الفرق بين المركز الأول والخامس نقطة مئوية واحدة. وبين الأول والنموذج في المركز الثالث عشر — GPT-Realtime-2.1 High — أربع نقاط. فالاختبار الذي تسجّل فيه تقريبًا كل النماذج الحديثة درجات في التسعينيات هو اختبار توقف عن التمييز بين صدارة المجال، وتقدّم بنقطة واحدة على StepAudio 3 Realtime ليس سوى حفنة من العناصر في اختبار لا يستطيع أحد خارج Artificial Analysis التحقق من عدد عناصره. اقرأ التصنيف على أنه «هذا النموذج ينتمي إلى المجموعة الأولى»، وهو أمر مفيد حقًا، لا على أنه «هذا النموذج أفضل بشكل قابل للقياس في السمع من كل شيء آخر»، وهو ما لا يدعمه الرقم.

لوحة الترتيب كاملةً بالترتيب، لكل من يريد شكل الميدان بدلًا من العنوان الرئيسي:

• 1 — Ming-3.0-audio-flash، 99.8%

• ٢ — StepAudio 3 Realtime، 99.7%

• 3 — Qwen Audio 3.0 Realtime Plus، 99.2%

• 4 — Phonic 1 (عالية)، 98.9%

• 5 — Eleven Realtime v1 Max، 98.8%

• 7 — G​rok Voice 3.0، 98.5%

• 8 — G​emini 3.8 Live Extended Thinking (High)، 97.7%

• 13 — GPT-Realtime-2.1 High، 95.8%

A screenshot of the Artificial Analysis Speech to Speech page, showing the site navigation, the page heading, a blurb describing comparison of speech-to-speech models across reasoning quality, conversational dynamics, generation time and price, and two chart panels labelled Speech to Speech Index and Speed & Cost per Hour of Input Audio, plus a Related Links rail. The per-model rows inside the charts are not legible at this size.

ثمة تفصيل في مستندات المورّد نفسه يجدر التنبيه إليه، لأنه من النوع الذي يُغفَل بهدوء. فصور التقييم على بطاقة نموذج inclusionAI، التي رُفعت في أكتوبر، تُظهر نموذج flash عند 99.40 على «BigBenchAudio». ويُبلغ Artificial Analysis الآن عن 99.8. وهذان تشغيلان مختلفان لمعيار مشابه، والفجوة ليست خطأً في أي منهما — بل هي التشتت الطبيعي الذي تحصل عليه عندما لا تكون أداة الاختبار وصيغة المطالبة ومجموعة العناصر الفرعية متطابقة. وهي أيضًا تذكير بأن جدول المورّد من أكتوبر ولوحة الطرف الثالث اليوم ليست أرقامًا قابلة للتبادل، حتى عندما تحمل التسمية نفسها تقريبًا.

ما لا يقوله مجلس الإدارة

ثلاثة أشياء غائبة عن مدخل Artificial Analysis، وكل منها يهم قرار النشر أكثر مما يهمه رقم الدقة.

العامل الأول هو السعر. لا يوجد لـ Ming-3.0-audio-flash سعر لكل رمز أو لكل دقيقة على Artificial Analysis لأنه لا يوجد شيء يُشترى: فهو checkpoint من نوع mixture-of-experts بمعاملات تبلغ 126 مليارًا بموجب ترخيص MIT، مع 6.5 مليار معامل نشط في كل خطوة. والتكلفة هي ما يكلفه العتاد فحسب. وتضع ملاحظات النشر الخاصة بـ inclusionAI ملف تعريف الخدمة المرجعي 128K على التوازي التنسوري عبر أربع وحدات H800 بسعة 80 GB، مع خيار احتياطي بثماني وحدات GPU للصوت الطويل، وملف تعريف SGLang مُتحقَّق منه على أربع وحدات GPU يُرجع نصًا فقط. وكل نموذج يعلوه في لوحة الصدارة باستثناء نفسه هو API مُحتسب بالاستهلاك. وإن مقارنتها على أساس الدقة وحدها تقارن درجة اختبار قياسي بدرجة اختبار قياسي، وتتجاهل أن أحد جانبي الجدول عملية شراء والآخر اشتراك.

العامل الثاني هو زمن الاستجابة. تقيس Artificial Analysis بالفعل الوقت المستغرق حتى أول صوت، ويسجّل Ming-3.0-audio-flash 1.12 ثانية. أما Eleven Realtime v1 Max فيسجّل 0.57 ثانية — أي نحو النصف. إذا كان تطبيقك وكيلاً صوتياً عليه أن يجيب خلال فجوة في المحادثة، فإن الفوز في اختبار قياسي لا يعوّض عن ثانية من الصمت التام، ولا يخبرك ترتيب لوحة الصدارة شيئاً عن أي هذين الرقمين يمكنك التعايش معه.

الثالث هو السلوك الحواري. تتوفر درجات Full Duplex Bench لـ Eleven Realtime v1 Max (0.941 إجمالًا، مع التعامل مع المقاطعة عند 0.99 وتبادل الأدوار عند 1.0) ولعدة نماذج G​emini وG​PT الفورية. لا يمتلك Ming-3.0-audio-flash درجة FDB، ولا تحليلًا مفصّلًا لديناميكيات الحوار، ولا قياسًا منشورًا لكيفية تعامله مع المقاطعة. يمكن أن يتفوّق نموذج في أسئلة الاختيار من متعدد حول الصوت ومع ذلك يتحدّث فوق صوتك.

وأرقام البائع نفسها لشهر أكتوبر هي أقل الأدلة إطراءً في هذه الصورة بأكملها. فعلى البطاقة ذاتها التي تعلن الفوز في الاستدلال الكلامي، نشرت inclusionAI درجة سلسلة الصوت الطويل 12.31 مقابل 34.54 لـ Qwen3.8-Omni Flash و49.63 لـ Gemini 3.8 Flash، وLongAudioSpan بقيمة 41.12 مقابل 66.40، ومعدلات خطأ تحديد المتحدث على AMI بلغت 25.29 مقابل 11.16 لـ MiMo-V2.6 Pro. هذه أرقام البائع، وعلى المهام التي اختارها البائع، وهي تصف نموذجًا بارعًا في الصوت القصير القائم على السؤال والجواب وضعيفًا في الاستدلال عبر تسجيل طويل. ولا شيء في نتيجة 99.8 على Big Bench Audio يغيّر ذلك، لأن Big Bench Audio ليس اختبارًا للصوت الطويل.

الفارق البالغ سبع عشرة دقيقة بين البطاقة والتغريدة

يحمل إيداع المستودع طابعًا زمنيًا هو 08:26:48 UTC يوم 18 نوفمبر، وعنوانه، جزئيًا، "تحديث نتيجة Flash BBA إلى 99.8% وإضافة نتيجة لوحة الصدارة رقم 1 إجمالًا…". وجاء منشور Ant Ling بعد ذلك في 08:37:02. وقد طال الإيداع نفسه بطاقة الشقيق الصغير بعد ثمانٍ وأربعين ثانية، مضيفًا الجملة نفسها — فقرة معيارية مشتركة، نُسخت إلى المستودعين، وسبب إضافي للتحقق من نقطة التحقق التي ينتمي إليها الرقم فعليًا قبل اقتباسه.

A generated single-column scoreboard titled 'Ming-3.0-audio-flash - the scoreboard'. Rows read 'Big Bench Audio: 99.8%, rank 1 of 42', 'Vendor card, October: 99.40, self-evaluated', 'Time to first audio: 1.12 s', 'Full Duplex Bench: not published', 'Price: no rate card' and 'Reference hardware: 4 x 80GB H800'. The footer reads 'Big Bench Audio score, rank and latency per Artificial Analysis, 18 November 2026; the 99.40 figure is vendor-reported and unaudited.'

ما يخبرك به ذلك التسلسل هو أن بطاقة النموذج أصبحت الآن تابعة للوحة الصدارة بدلاً من العكس. ولمدة ستة أسابيع، كان دليل الأداء الوحيد لـ Ming-3.0-audio-flash هو مجموعة من صور PNG في مجلد assets/، أنتجها الفريق الذي دربه. هذا ليس بالأمر الهيّن — فتقييمات المورّدين عادةً صادقة، لكنها متفائلة بشأن اختيار المهام — غير أنه فئة مختلفة من الأدلة مقارنةً بطرف ثالث يشغّل منظومة اختباره الخاصة وينشر ترتيبًا. الأمر المثير للاهتمام بشأن اليوم ليس أن المورّد يزعم احتلال المركز الأول. بل أن منظمة لا مصلحة لها في النتيجة هي التي وضعت النموذج هناك.

A screenshot of the inclusionAI Ming-3.0-audio-flash model card on Hugging Face, showing the audio-to-audio pipeline tag, the MIT licence badge, a reported model size of 128B params, a downloads-last-month figure of 2,572, the headline 'Hear clearly. Understand deeply. Act intelligently.', and a model summary table listing the developer as inclusionAI, the model type as a native audio-language mixture-of-experts, and 126B total parameters with 6.5B activated per inference step.

أين يتناسب جهاز التوجيه، وأين لا يتناسب

لا يقدّم OrcaRouter النموذج Ming-3.0-audio-flash. فهو ليس في كتالوجنا، ولا يمكننا تزويدك بنقطة نهاية له، ولا ينبغي أن يُفهم أي شيء هنا على أنه عرض. إذا أردت تشغيله، فاستنسخ المستودع، وثبّت مسار شيفرة Transformers 5 أو أحد ملفات تعريف تقديم الخدمة في SGLang-Omni، وخصّص له أربع بطاقات بسعة 80 GB على الأقل. هذه بنية تحتية، والموجّه لا يتولى البنية التحتية.

ما يفعله الراوتر هو النصف الآخر من أي خط لمعالجة الكلام. فالتطبيق الصوتي المبني على نموذج صوتي مستضاف ذاتيًا يظل في معظمه عملًا نصيًا: الموجّه النصي الذي يحدد ما يُسأل عن التسجيل، والمعالجة اللاحقة التي تحوّل وسم لغة مفصولًا بعلامات جدولة إلى مخرجات منظمة، والملخص المكتوب من النص المفرّغ، والمصنّف الذي يوجّه مكالمة مشوّشة إلى موظف بشري. تلك استدعاءات دردشة عادية، وواجهة API واحدة لأكثر من 200 نموذج بهامش ربح 0% — يُمرَّر سعر القائمة لدى المزوّد كما هو، لذا يصبح تخفيض سعر المورّد ساريًا لدينا في اليوم نفسه — وهو أمر أبسط في الربط من عقد المورّد الثاني والثالث. التحويل التلقائي عند الفشل هو ما يتيح لك وضع نموذج مفتوح الأوزان غير مُثبت الكفاءة خلف جزء من حركة المرور لديك دون المراهنة بالمسار كله عليه.

الحدّ الفاصل هو الجوهر. نقطة استئناف بحجم 259 GB تشغّلها على وحدات معالجة الرسومات الخاصة بك هي قرار رأسمالي؛ أمّا الموجّه فيوجّه الاستدعاءات. وهو لا يحوّل نموذجًا عنقوديًا إلى نموذج مستضاف، ولا يجعل نسبة 99.8% في اختبار قياس متعدد الخيارات دليلًا على منتجك.

ما الذي سيجعل لهذا معنى؟

ستُحوِّل ثلاثُ قياسات عنوانَ اليوم الرئيسي إلى قرار، وكلها أشياء يستطيع Artificial Analysis أو أي ساحة تقييم نشرها دون أن يطلب أي شيء من inclusionAI. فدرجة Full Duplex Bench ستُبيّن ما إذا كان السلوك الحواري يطابق الفهم. ونتيجة صوت طويل على مجموعة عامة ستختبر المحور الوحيد الذي يكون فيه جدول البائع نفسه أضعف ما يكون. أمّا تشغيل ثانٍ مستقل لـ Big Bench Audio — بأداة اختبار مختلفة وعيّنة عناصر مختلفة — فسيخبرك ما إذا كانت 99.8 أثر سقف أو فجوة حقيقية.

حتى ذلك الحين، فإن الجملة الدقيقة ضيقة وتستحق أن تُقال بوضوح: نموذج صوتي مفتوح الأوزان من Ant Group، صدر في سبتمبر ووُثّق في أكتوبر، يتصدر الآن معيارًا للاستدلال الكلامي تابعًا لطرف ثالث بفارق نقطة مئوية واحدة عن النموذج التالي، دون سعر منشور، وبزمن وصول إلى أول صوت يساوي ضعف نظيره لدى أسرع منافس على تلك اللوحة، ودون أي درجة محادثة على الإطلاق. هذه نتيجة حقيقية. وهي أيضًا ادعاء أصغر بكثير من "أفضل نموذج صوتي"، والفرق بين هاتين الجملتين هو حيث لا يزال معظم التفكير المفيد حول هذا النموذج بحاجة إلى أن يحدث.

مقارنات في هذه المقالة1

مستخرج من هذه المقالة · المعايير: Artificial Analysis · يُحدَّث يوميًا