بطاقة عنوان مُولَّدة تنص على «ثلاثة عشر ضعفًا للمعاملات، ومرتين ونصفًا للعمل»، مع عنوان فرعي يضع Ming-3.0-audio-flash في مقابل Ming-3.0-audio-tiny بوصفهما تصميمًا واحدًا بمقياسين، رُفعا بفارق أربع دقائق في 3 سبتمبر 2026. ثلاثة صفوف مرقمة تنص على «Flash: إجمالي 126B، و6.5B نشطة، و259 GB من الأوزان، ومن 4 إلى 8 وحدات GPU»، و«Tiny: إجمالي 9.3B، و2.7B نشطة، و20.7 GB من الأوزان، ومن 1 إلى 2 وحدات GPU» و«المشترك: رخصة MIT، ونافذة 131,072 رمزًا، ومُرمِّز متطابق». ويقول التذييل «أرقام المعاملات والحجم والخدمة وفقًا لمستودعات inclusionAI، 18 نوفمبر 2026».
Guides & Insights

Ming-3.0-audio-flash مقابل Ming-3.0-audio-tiny: ثلاثة عشر ضعفًا في المعاملات، ومثلان ونصف من العمل

الكاتب

Gideon Frost

تاريخ النشر

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

Ming-3.0-audio-flash وMing-3.0-audio-tinyوصلا إلى Hugging Face بفارق أربع دقائق في 3 سبتمبر 2026 — نسخة tiny عند 11:45 UTC، وflash عند 11:49 — ومنذ ذلك الحين ظل الاثنان يُخلط بينهما. تحوّل هذا الالتباس هذا الصباح إلى واقع حرفي. عُدِّل مستودع flash عند 08:26 UTC برسالة commit بعنوان "تحديث درجة Flash BBA إلى 99.8% وإضافة نتيجة لوحة الصدارة الإجمالية #1"؛ وعُدِّل مستودع tiny بعد دقيقتين وثماني ثوانٍ برسالة commit بعنوان "تحديث درجة Flash BBA المشتركة إلى 99.8%…"، تحمل الجملة نفسها وصورة PNG نفسها للوحة الصدارة. لا يملك نموذج tiny أي إدخال خاص به في Artificial Analysis، لذا إذا رأيت نسبة 99.8% منسوبة إلى Ming-3.0-audio-tiny، فإن ذلك الرقم كان يخص نظيره الأكبر وقد انتقل عبر النسخ واللصق.

يستحق ذلك أن يُقال أولًا لأنه يؤطّر كل ما تبقى. فهذان ليسا متنافسين اثنين. بل هما تصميم واحد بمقياسين، يتشاركان مُرمِّزًا ونافذة سياق ورخصة ومسار شيفرة خدمة، ويختلفان في حفنة من الأعداد الصحيحة داخل config.json. السؤال المثير للاهتمام ليس أيّهما يفوز — فـ flash يفوز في كل رقم جودة منشور — بل أيّ من تلك الأعداد الصحيحة تدفع ثمنه فعليًا، وما الذي تتفوق فيه النسخة الأصغر حقًا.

ما الذي تتشاركه المستودعتان فعليًا

ابدأ بالأجزاء المتطابقة، لأنها أكثر مما قد تتوقعه من فارقٍ في عدد المعلمات يبلغ 13.5×.

• اسم البنية — يعلن كلاهما عن model_type: bailing_moe_v3_audio، وهو نفس مسار الشيفرة المخصص في Transformers.

• المُرمِّز — يستخدم كلاهما مفردات من 157,184 رمزًا، مع عنصر نائب صوتي عند الفهرس 157,168. ويُحمَّل الموجّه المكتوب لأحدهما على الآخر.

• نافذة السياق — يعلن كلاهما عن max_position_embeddings: 131072، مع نفس قيمة RoPE theta البالغة 6,000,000 ودون تطبيق أي تحجيم.

• عرض التوجيه — يفعّل كلاهما 8 خبراء لكل رمز. هذا هو الرقم الذي يجعل المقارنة بين الاثنين ممكنة أصلاً.

• المدخلات والمخرجات — الصوت بالإضافة إلى تعليمات نصية كمدخل؛ والنص، أو النص المصحوب بكلام مُصنّع عبر Talker اختياري، كمخرج.

• الترخيص — MIT على كليهما، مع الملف نفسه لإخلاء المسؤولية القانونية.

• الكود — يخبرك ملف README الخاص بالنموذج الصغير بأن تنفّذ git clone لمستودع النموذج flash على GitHub. هناك تطبيق واحد، ومجموعة واحدة من السكربتات النموذجية، ودليل صوتي واحد.

لأن الشيفرة مشتركة، فإن نقطتي الحفظ قابلتان للاستبدال المباشر إحداهما بالأخرى على مستوى واجهة البرمجة (API). والتبديل من إحداهما إلى الأخرى ليس سوى تغيير اسم النموذج، وهذه بالضبط هي الخاصية التي تجعل بناء خط أنابيب من طبقتين غير مكلف، وهي أيضًا الخاصية التي تجعل نشر درجة النموذج الخاطئ أمرًا سهلاً.

A screenshot of the inclusionAI Ming-3.0-audio-flash model card on Hugging Face, showing the audio-to-audio tag, MIT licence, a reported model size of 128B params and 2,572 downloads in the last month, plus a model summary table that gives 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.

الأعداد الصحيحة الأربعة غير المشتركة

كل ما يختلف موجود في text_config، ولا توجد سوى أربعة أرقام مهمة.

• الطبقات — flash 42، tiny 24.

• الخبراء — flash 512، tiny 128.

• عرض الخبير — flash moe_intermediate_size 768، وtiny 512.

• الحجم المخفي — flash 2,560، tiny 1,536.

بضرب تلك الأرقام تحصل على الأرقام الرئيسية التي تذكرها البطاقات: 126 مليار معامل إجمالي مع 6.5 مليار نشط لـ flash، و9.3 مليار إجمالي مع 2.7 مليار نشط لـ tiny. على القرص، الفرق هو 259.33 غيغابايت من أوزان bfloat16 في 25 جزءًا مقابل 20.7 غيغابايت في جزأين.

انظر الآن إلى النسبة بدلًا من الأرقام المطلقة، فهذا هو الجزء الذي تدفنه أوراق المواصفات. إجمالي المعلمات يختلف بمعامل 13.5×. والأوزان على القرص تختلف بمعامل 12.5×. لكن المعلمات النشطة تختلف بمعامل 2.4× فقط. يحتفظ نموذج flash بمكتبة أكبر بكثير من الخبراء ويستشير عددًا مشابهًا منها؛ أما نموذج tiny فلديه مكتبة أصغر ويستشير عددًا مشابهًا. لذا فإن flash ليس أغلى ثلاث عشرة مرة لكل رمز من tiny — بل أقرب إلى مرتين ونصف، مع بصمة ذاكرة أكبر ثلاث عشرة مرة تظل معظمها خاملة. هذه هي المقايضة الكلاسيكية في MoE المتناثر، وتعني أن التكلفة الحقيقية لاختيار flash هي السعة، لا الإنتاجية: فأنت تشتري مكتبة أكبر، وعليك إبقاء المكتبة بأكملها مقيمة في الذاكرة سواء استعار منها مقطع معين أم لا.

A generated two-column scoreboard titled 'Ming-3.0-audio-flash vs Ming-3.0-audio-tiny - the scoreboard'. The flash column reads 126B total parameters, 6.5B active per step, 259 GB of weights, long-audio chain 12.31, URO-Bench-Pro 81.92, serving profile 4 x 80GB H800. The tiny column reads 9.3B total parameters, 2.7B active per step, 20.7 GB of weights, long-audio chain 10.56, URO-Bench-Pro 54.15, serving profile 1 GPU for text. The footer reads 'Sizes and serving profiles per the inclusionAI repositories; benchmark figures vendor-reported and unaudited.'

ثمة نتيجة واحدة تفاجئ الناس. يعلن كلا الطرازين عن نافذة السياق نفسها البالغة 131,072 رمزًا، ومن المغري الاستنتاج أنهما يتعاملان مع الصوت نفسه. لكنهما لا يفعلان ذلك. فالسياق حدّ، وليس قدرة، والأرقام التي يوردها المورّد نفسه في القسم التالي تُظهر بالضبط أين تخذل قدرة الطراز الأصغر على الفهم قبل امتلاء النافذة بوقت طويل.

ما تقوله جداول المورّد الخاصة به

أُنتجت صور التقييم على كلتا البطاقتين بواسطة inclusionAI، وهي تعرض النموذجين جنبًا إلى جنب. هذه أرقام المورّد، غير مدققة، واختيار المهام يعود للمورّد؛ ومع ذلك تظل المقارنة الوحيدة الموجودة لكل مهمة، لأن Artificial Analysis لا يقيّم سوى flash.

• درجة سلسلة الصوت الطويل — flash 12.31، tiny 10.56.

• LongAudioSpan — flash 41.12، tiny 35.45.

• URO-Bench-Pro — flash 81.92، tiny 54.15.

• VoiceBench — فلاش 86.74، تايني 74.29.

ثمة أمران يستحقان الإبراز. أولًا، الترتيب: تخسر النسخة الصغيرة في كل منها، فلا ينبغي لأحد أن يختارها متوقعًا التكافؤ. ثانيًا، وهو أقل وضوحًا: الفجوة أكبر بكثير في معايير الاستدلال الصوتي (URO-Bench-Pro، بانخفاض 27.8 نقطة، وVoiceBench، بانخفاض 12.5) منها في معايير الصوت الطويل (بانخفاض 1.75 و5.67). ومهما حققه الخبراء والطبقات الإضافية، فقد حقق في الأساس استدلالًا على ما سُمع، لا تحمّلًا خامًا على تسجيل طويل.

وأرقام الصوت الطويل الخاصة بـ Flash نفسه ضعيفة بالقيمة المطلقة — درجة سلسلة قدرها 12.31 من أيّ مقياس يستخدمه ذلك المعيار، مقابل 34.54 لـ Qwen3.8-Omni Flash و49.63 لـ Gemini 3.8 Flash على البطاقة نفسها. لذا فإن القراءة الصادقة للثنائي ليست «Flash جيد وTiny سيئ». بل إن أياً من نقطتي التحقق ليس نموذج تسجيلات طويلة، وإن Tiny ببساطة أضعف أكثر في كل ما تقيسه معايير الصوت القصير.

يُرسم خطّ العتاد بالبايتات، لا بالمعاملات

هنا عادةً ما يفرض الاختيار نفسه، وملفّا README محددان على نحو غير معتاد بشأن الملفات الشخصية التي تحققا من صحتها.

• Ming-3.0-audio-flash — ملف تعريف تقديم مرجعي بسعة 128K عند توازي الموتر 4 عبر وحدات H800 بسعة 80 GB؛ قد يتسبب الصوت الطويل في نفاد الذاكرة (OOM) لذلك، مع توثيق خيار احتياطي بـ8 وحدات معالجة رسومات؛ تم التحقق من SGLang على أربع وحدات معالجة رسومات لإخراج النص؛ SGLang-Omni عند --thinker.tp_size 2 على بطاقتين.

• Ming-3.0-audio-tiny — vLLM-Omni مع Thinker على وحدة GPU واحدة للنص والتعرف التلقائي على الكلام (ASR)، أو Thinker على GPU 0 وTalker على GPU 1 للكلام؛ SGLang تم التحقق منه على وحدة GPU واحدة للنص؛ SGLang-Omni على بطاقة واحدة مع --talker.gpu 0.

اقرأ تلك السطور كقرار بنية تحتية لا كمواصفات. يحتاج Flash إلى عقدة متعددة وحدات معالجة الرسومات وإلى سبب لشغلها. ويحتاج Tiny إلى بطاقة واحدة، وإذا كنت تريد النسخ أو الإجابة عن الأسئلة الصوتية فقط، فهو يحتاج بطاقة واحدة دون Talker على الإطلاق — بلا مرحلة تركيب كلام، وبلا عملية ثانية، وبلا اختيار صوت. والفرق العملي بينهما ليس أربعة أضعاف وحدات معالجة الرسومات؛ بل ما إذا كان الشيء الذي تنشره يتسع على جهاز تملكه بالفعل.

هناك تأثير من الدرجة الثانية يظهر في العمليات. يجب سحب نقطة حفظ من 25 شريحة وبحجم 259 غيغابايت إلى كل عقدة تخدمها، وإدارتها بإصدارات، وإبقائها جاهزة؛ ويعني ملف التعريف الاحتياطي ذو وحدات GPU الثماني أن خطة السعة لديك يجب أن تتحمل نموذجًا يحتاج أحيانًا إلى ضعف عدد البطاقات لنفس حركة المرور. نقطة حفظ من شريحتين وبحجم 20.7 غيغابايت تتسع في طبقة صورة حاوية، وتبدأ خلال ثوانٍ، ويمكن توسيعها بإضافة نسخ متماثلة. وبالنسبة للأدوات الداخلية ذات الأحمال الاندفاعية، يتفوق هذا الفارق على كل رقم جودة في هذه المقالة.

A screenshot of the inclusionAI Ming-3.0-audio-tiny model card on Hugging Face, showing the audio-to-audio tag, MIT licence, a reported model size of 9B params and 5,442 downloads in the last month, the headline 'Hear clearly. Understand deeply. Act intelligently.', and a model summary table listing the developer as inclusionAI, the model type as a compact native audio-language mixture-of-experts, and 9.3B total parameters with 2.7B activated per inference step.

خط الأنابيب ثنائي المستوى الذي بُنيت هاتان النقطتان من أجله

إليك حالة الاستخدام التي يخدمها هذا الزوج فعليًا، وهي حالة لا تصفها أي من بطاقتي النموذج: شغّل النموذج الصغير على كل شيء، ونموذج flash فقط على ما ينجو.

يمكن لتمريرة أولى رخيصة باستخدام Ming-3.0-audio-tiny أن تجيب عن أسئلة مثل «هل يوجد كلام في هذا الملف؟»، و«ما اللغة؟»، و«كم عدد المتحدثين؟»، و«هل الصوت نظيف بما يكفي ليستحق النسخ؟» — ويمكنها فعل ذلك على بطاقة واحدة وبالمعدل الذي تحافظ عليه تلك البطاقة. ثم لا يُرسَل إلى Ming-3.0-audio-flash إلا المقاطع التي تحتاج إلى استدلال أو معالجة لهجة أو نسخ دقيق. ولأن المُرمِّز (tokenizer) وتنسيق الموجّه (prompt) وشيفرة الخدمة مشتركة، فإن النداء الثاني هو الطلب نفسه مع اسم نموذج مختلف؛ فلا إعادة ترميز، ولا إعادة كتابة للموجّه، ولا تكامل ثانٍ يجب صيانته.

الاقتصاديات هي المغزى. إذا كان خُمس صوتك صعبًا، فإن نموذج flash يرى خُمس الحجم، ويمكنك تحجيم عُقدته لذلك الجزء بدلًا من الذروة. وإذا كان صوتك كله تقريبًا صعبًا، فإن التسلسل لا يشتري شيئًا وعليك تشغيل flash وحده — وهو أمر مفيد أن تتعلمه من أسبوع من الفرز بنموذج صغير قبل أن تلتزم بأربع وحدات H800.

يظهر الشكل نفسه طبقةً أعلى، في نداءات النص المحيطة بنماذج الصوت: المصنّف الذي يحدد أي فئة ينتمي إليها المقطع، والاستخراج المنظم من النص المفرّغ، والملخص المكتوب بعد ذلك. هذه عمليات إكمال دردشة عادية، وOrcaRouter يوجّهها عبر أكثر من 200 نموذج خلف مفتاح واحد بهامش ربح 0%، مع تجاوز فشل تلقائي — حتى لا يصبح المصنّف الذي يتحكم في طبقة الصوت المكلفة لديك هو المكوّن الذي يُسقط خط المعالجة. إن لغة DSL للتوجيه هي الجزء الذي يجعل قرار الفئة قابلاً للتعبير عنه كإعدادات بدلاً من الشيفرة: أرسل المقاطع القصيرة النظيفة في اتجاه، والمقاطع الطويلة أو ذات اللهجة في اتجاه آخر، ودع نموذجاً احتياطياً يغطي الفجوة عندما يتراجع مزوّد. نحن لا نقدّم أيّاً من نقطتي تفتيش Ming؛ فكلتاهما تنزيلات تشغّلها بنفسك.

كيف تحسم الأمر باستخدام الصوت الخاص بك

كلتا نقطتي التحقق مرخّصتان بموجب MIT، وكلتاهما تندرجان في مسار الشيفرة نفسه، وكلتاهما صغيرتان بما يكفي في الحالة الصغيرة لاختبارهما دون محادثة مشتريات. وهذا يجعل بعد ظهر من القياس أكثر إفادة من أي من الأرقام أعلاه.

اسحب مئتي مقطع من حركة المرور الخاصة بك، مع ترجيح الطرف الأصعب — كلام بلكنة، ومتحدثون متداخلون، وضوضاء خلفية، والتسجيلات الطويلة التي لديك فعلاً. شغّل كلا النموذجين باستخدام المطالبات نفسها، وقيّم ثلاثة أشياء: دقة النسخ على المقاطع التي لديك حقيقة مرجعية لها، وهل كانت تسمية اللغة صحيحة، وكم مرة كان المخرَج غير صالح للاستخدام بدلاً من كونه خاطئًا فحسب. ثم شغّل التتابع وقِس عدد المقاطع التي تعامل معها النموذج الصغير جيدًا بما يكفي بحيث لم تكن هناك حاجة إلى نموذج flash.

هذا الرقم الأخير هو الوحيد الذي يحدد البنية التحتية. إذا جاء مرتفعًا، فلديك نشر على وحدة GPU واحدة مع نموذج كبير خلفه للذيل. وإذا جاء منخفضًا، فقد تعلمت أن عبء العمل لديك هو عبء العمل الذي بُني له نموذج flash، وأن النموذج tiny كان تجربة مفيدة لا طبقة. أي من الإجابتين رخيصة. أما التخمين انطلاقًا من عدد المعلمات فليس رخيصًا، لأن 13.5× على البطاقة و2.4× في ميزانية الحوسبة يشيران إلى عتاد مختلف تمامًا، وتسجيلاتك وحدها هي التي يمكنها أن تخبرك أيّهما تشتري.