Ming-3.0-audio-tiny مقابل Qwen-Audio 3.1: نافذة يمكنك إجراء عمليات حسابية عليها، مقابل فهرس لا يمكنك ذلك.

إليك رقمًا يسهل التحقق منه ويصعب استخدامه: العمود الفقري النصي داخل Ming-3.0-audio-tiny مُهيأ لـ 131,072 موضعًا، وبرج الصوت الذي أمامه يستقبل 3,000 إطار في المرة الواحدة مع 128 حاوية ميل. Qwen-Audio 3.1، في المقابل، لا ينشر أي طول سياق على الإطلاق — لا في فهرس النماذج، ولا في الأوصاف المكوّنة من سطر واحد المرفقة بمعرّفات نماذجه الثلاثة. أحد الجانبين يعطيك رقمًا ويترك تفسيره لك؛ والآخر يعطيك ثلاثة أسماء منتجات ويترك أمر العتاد لـ A​libaba. هذا التباين هو المقارنة بأكملها، وهي ليست مقارنة حول أي النموذجين يسمع أفضل. إنها مقارنة حول أيّهما يمكنك تقدير حجمه قبل أن تنفق أي شيء. إن حالات فشل الذكاء الاصطناعي الموثّقة وحوادث الوكلاء الكامنة وراء إصدارات مثل هذا الإصدار مجموعة في the OrcaRouter AI Incident Archive حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محلّ خلاف.

التواريخ أولًا، لأن لهذا النموذج تسلسلًا زمنيًا مربكًا. وصلت الأوزان الخاصة بـ Ming-3.0-audio-tiny إلى Hugging Face في 3 سبتمبر 2026؛ أُنشئ المستودع عند 11:45 UTC، وتلته شريحتا safetensors بعد أربع دقائق. ما تغيّر مؤخرًا ليس نقطة التحقق. بين 16 و19 أكتوبر 2026 أُعيد بناء المستودع حولها — إعدادات وصفت أخيرًا نموذجًا صوتيًا بدلًا من نموذج فيديو-لغة، وTalker لإخراج الكلام، ومقطعا صوت مرجعيان مع نصوصهما، وثلاثة ملفات تعريف نشر على GitHub، وفي 19 أكتوبر عند 13:19 UTC، أول بطاقة نموذج يضمها المستودع على الإطلاق. لم يُعلن أحد ذلك. لذا فالسؤال المنصف ليس ما الذي شُحن في سبتمبر، بل ما يمكنك الآن حسابه بشأن تشغيله، وما يسمح لك كتالوج A​libaba بحسابه وما لا يسمح بشأن البديل.

تحويل 131,072 رمزًا إلى دقائق

الرقم حقيقي وقابل للاختبار، وهذا أكثر مما يمكن قوله عن معظم ادعاءات السياق. يعلن إعداد النص عن max_position_embeddings 131,072، وانتباه MLA ذي كامن KV بعرض 512، وأساس دوران قدره 6,000,000. لكن نافذة السياق بالرموز لا تصبح مفيدة إلا عندما تعرف عدد الرموز التي تستهلكها ثانية واحدة من الصوت، والمورّد لا يذكر ذلك. يمكنك استنتاج ذلك من أرقام برج الصوت نفسه.

• مدخل المُرمِّز — 3,000 إطار من 128 صندوق ميل، وهي نفس النافذة البالغة 30 ثانية التي يستخدمها Whisper بخطوة 10 مللي ثانية.

• مُخفِّض العينات — النواة [3,3,3] مع خطوة [2,2,2]، بحيث تنكمش نافذة واحدة بمعامل ثمانية.

• الرموز لكل نافذة — 3,000 مقسومة على 8، أي 375 رمزًا صوتيًا لما يقارب 30 ثانية من الصوت.

• ما يعنيه ذلك — 131,072 مقسومًا على 375 يساوي نحو 349 نافذة، أو أقل بقليل من ثلاث ساعات من الصوت، إذا كان خط المعالجة يغذّي تدفقًا متواصلًا واحدًا بدل إعادة التخزين المؤقت بين النوافذ.

تلك العبارة الأخيرة تحمل قدرًا كبيرًا من المعنى، وأريد أن أكون صريحًا بشأنها. رقم الثلاث ساعات هو ناتج حسابي من قيمتي إعداد منشورتين، وليس ادعاءً من مورّد، وسيكون خاطئًا إذا أعاد المعالج ضبط الموضع بين المقاطع — وهو تحديدًا ما يوحي به ملف تعريف إعادة إنتاج ASR عندما يحدّ الصوت عند مقطع واحد لكل مطالبة. تعامل معه كحد أعلى ينبغي اختباره، لا كمواصفة تُقتبس.

ما ليس مسألة حسابية هو أثر الذاكرة. يخزّن MLA الكامن KV بدلاً من مفاتيح وقيم لكل رأس، وهذا ما يجعل نافذة 131K قابلة للنقاش على بطاقة واحدة من الأساس. يحجز ملف تعريف النص المرجعي 0.92 من وحدة GPU واحدة مع max_num_batched_tokens 32,768، وهو حجز بحجم النافذة الكاملة بالإضافة إلى دفعة كبيرة، وليس حدًا أدنى. إذا أسقطت max_model_len، يسقط الحجز معه. يبلغ إجمالي شظايا Thinker 17.74 GB، لذا فإن بطاقة بسعة 24 GB تستوعب الأوزان مع مساحة متبقية.

يجيب الطرف الآخر عن السؤال نفسه بتقسيم المنتج.

يسرد فهرس Model Studio الخاص بـ A​libaba النموذج Qwen-Audio 3.1 كثلاثة معرّفات نماذج بدلاً من نموذج واحد يتضمن حقل سياق. يندرج qwen-audio-3.1-asr-flash-streaming وqwen-audio-3.1-asr-flash-filetrans ضمن التعرّف على الكلام؛ بينما يندرج qwen-audio-3.1-realtime-plus ضمن الكلام إلى الكلام ويُوصف بأنه محادثة صوتية من طرف إلى طرف دون استدعاءات منفصلة لـ ASR وT​TS. لا توجد أوزان، ولا عدد معلمات، ولا طول سياق، ولا سعر على تلك الصفحة. لم يتم الوصول إلى وثائق التفاصيل الخاصة بكل معرّف عند التحقق.

اقرأ هذا التقسيم بوصفه إجابةً عن مشكلة الصوت الطويل، لا حادثًا عَرَضيًا ناتجًا عن التغليف. وحدة منتج SKU لتفريغ الملفات هي الطريقة التي يبيع بها مزوّد ما ساعةً من الصوت: ترفعها، فتجزّئها الخدمة كما يشاء لها، وتكون نافذة السياق مشكلةً هندسية على شخص آخر. ووحدة منتج SKU للبث هي الطريقة التي يبيع بها مزوّد ما مكالمة هاتفية. لا تكشف أي من وحدتي SKU الرقم الذي يكشفه Ming، مما يعني أنك لا تستطيع بناء نموذج سعة لـ Qwen-Audio 3.1 بالطريقة التي تستطيع بها بناءه لـ Ming-3.0-audio-tiny. لا يمكنك إلا تكوين فاتورة، وحتى ذلك يتطلب لوحة التحكم.

• ما يمكنك فحصه — Ming: الإعدادات، والبنية، والترخيص، وأربعة ملفات safetensors، وثلاث صور خاصة بقياس الأداء، وملف YAML للنشر. Qwen: ثلاثة معرّفات وجملة واحدة لكلٍّ منها.

• ما يمكنك تقدير حجمه — Ming: ‏17.74 GB من الأوزان ووحدة GPU واحدة للنصوص، واثنتان للكلام. Q​wen: غير معروف حتى تقرأ بطاقة أسعار لا يمكنك رؤيتها من هنا.

• ما يمكنك تخزينه مؤقتًا — Ming: ذاكرة KV المؤقتة الخاصة بك، عند max_model_len الخاص بك. Q​wen: كل ما تفعله نقطة النهاية داخليًا، بشكل غير مرئي.

• نمط الفشل — Ming: نفاد ذاكرة (OOM) تسبّبت به ويمكنك إصلاحه. Q​wen: حصة، أو منطقة، أو صفحة توثيق لا تُرجع شيئًا.

• الترخيص — Ming: MIT، في البيانات الوصفية للبطاقة وفي ملف LICENSE داخل مستودع GitHub، مع ملاحظة أن مستودع Hugging Face لا يحتوي على ملف LICENSE خاص به. Qwen: الشروط التجارية لـ Model Studio، لأنه لا يوجد ترخيص للأوزان لقراءته.

سؤال المعيار الذي لا يستطيع أحد الإجابة عنه بصدق

تُرفِق Ming-3.0-audio-tiny ثلاث صور تقييم في assets/، وكل خلية فيها هي inclusionAI تقيس inclusionAI. وتضع البطاقة علامة النجمة على الصفوف المقيَّمة ذاتيًا، وتعترف بأن نماذج المقارنة أُعيد إنتاجها وفق مطالباتها وإعدادات فك التشفير الخاصة بها. هذا إفصاح عادي ويستحق الأخذ به على ظاهره: فهذه أهداف تصميمية، وليست نتائج.

في هذه المواجهة، تبدو الأرقام محرجة على نحو مضاعف، لأن الأعمدة المفيدة ليست هي المعروضة. ففي التعرف على الصينية، يسجل النموذج الصغير متوسط خطأ في الأحرف قدره 3.79 مقابل 3.45 لنظيره الأكبر، وفي اللهجات 10.29 مقابل 9.40. وفي الذكاء الصوتي يخسر أرضًا حقيقية — MMAU 75.90 مقابل 82.00، وMMAU-Pro 56.42 مقابل 66.41، وانهيار في التفاعل المنطوق على URO-Bench-Pro من 81.92 إلى 54.15. كل ذلك ضئيل أمام flash. ولا شيء من ذلك ضئيل أمام Qwen-Audio 3.1، لأن Qwen-Audio 3.1 لم ينشر أي نتيجة قابلة للمقارنة، ولا توجد مجموعة اختبار مشتركة، ولا إعداد فك تشفير مشترك، ولا طرف ثالث شغّل كليهما.

ثمة فجوة ثانية تستحق التسمية لأنها قابلة للتحقق في عشر ثوانٍ. تقول البطاقة إن الأرقام المشتركة تتضمن نتائج لكلا نسختي Ming. وهذا صحيح بالنسبة لصورة التعرف وصورة الذكاء الصوتي. أما صورة الذكاء النصي فتضم أربعة أعمدة، والنموذج الصغير ليس أحدها — فأعمدتها هي Ming-3.0-audio-flash وQwen3.8-Omni Flash وQwen3.5-Omni Plus وQwen3.5-Omni Flash. وإذا كان سؤالك هو ما إذا كانت البنية الأساسية النشطة البالغة 2.7B قادرة على إجراء محادثة استدلالية حول الصوت، فإن inclusionAI لم تجب عنه في تلك الصورة، مهما تقوله الجملة الموجودة أعلى الصورة.

كيف يفشل الشكلان بشكل مختلف عند ثلاث ساعات

الصوت الطويل هو حيث يتوقف انقسام المنتج عن كونه شكليًا. نقطة تحقق واحدة بنافذة 131K هي وعد بأن نموذجًا واحدًا يقرأ التسجيل كله ويتذكر أول عشر دقائق عندما يصل إلى آخرها. ولهذا الوعد نمط فشل محدد: كل شيء يتدهور معًا. إذا تجاوز الصوت النافذة، فإنك تجزئه إلى مقاطع، والتجزئة هي حيث يموت الاستدلال عبر المقاطع بهدوء — فالمتحدث الذي قُدِّم في الدقيقة الثانية يصبح غريبًا مرة أخرى في الدقيقة الأربعين.

تُخفي وحدة SKU لنسخ الملفات هذه المشكلة وترث مشكلة مختلفة. فأنت لا تتحكم في التقسيم إلى أجزاء، لذا لا يمكنك إعادة إنتاج نسخة نصية سيئة؛ ولا يمكنك معرفة ما إذا كانت الخدمة قد حافظت على السياق عبر الأجزاء أو جمعت نوافذ مستقلة معًا؛ وعندما يتغير الناتج بين عمليتي رفع متطابقتين، لا يكون لديك متغير تعزل به السبب. أما وحدة SKU للبث فهي صريحة بشأن قيدها في الاسم: فقد بُنيت لإخراج النص مع وصول الصوت، وهو الشكل الصحيح للترجمات المصاحبة والشكل الخاطئ لمراجعة امتثال لمكالمة مدتها تسعون دقيقة.

إذن فالقرار ليس "أيّهما أكثر دقة" — فلم يقدّم لك أي من الطرفين رقمًا يحسم الأمر. بل هو "أي فشل يمكنني تتبّعه وتصحيحه". إذا كنت بحاجة إلى إعادة إنتاج نصّ بايتًا ببايت، فامتلك الـcheckpoint. وإذا كنت بحاجة إلى نصّ خلال عشرين دقيقة وإلى بيجر شخص آخر، فاستأجر الـSKU.

حيث يثبت الموجّه جدواه في خط المعالجة هذا

لا يقدّم OrcaRouter النموذج Ming-3.0-audio-tiny. وهو ليس في كتالوجنا ولا يمكننا تزويدك بنقطة نهاية له؛ ولا شيء هنا يمثّل عرضًا لتقديمه. ما يغطيه الموجّه فعليًا هو الجزء من مسار معالجة الصوت الطويل الذي لا يمثّله نموذج الصوت: تحديد أي تسجيل يذهب إلى نموذج 2.7B المحلي وأيّها يذهب إلى شيء أكبر، وكتابة الملخّص من النص المكتوب، واستخراج بنود الإجراءات، ووسم المكالمة. تلك استدعاءات نصية، وأكثر من 200 نموذج خلف مفتاح واحد هو مسار أقصر من أربع عقود مع مورّدين — بسعر قائمة المزوّد بهامش ربح 0%، لذا حين يخفض أحد المورّدين السعر يتغيّر المبلغ الذي تدفعه في اليوم نفسه. التحويل التلقائي عند الفشل يهمّ هنا أكثر من المعتاد: مهمة نسخ تتعطّل عند الدقيقة الثمانين من ملف مدته تسعون دقيقة ينبغي أن تعيد المحاولة عبر مسار ثانٍ، لا أن تبدأ من جديد.

الحدّ يستحق أن يُقال بصوت عالٍ. فالراوتر يوجّه المكالمات. وهو لا يحوّل نقطة حفظ بحجم 17.74 جيجابايت إلى نقطة نهاية مستضافة، ولا يخبرك ما إذا كانت نافذة Ming البالغة 131K حقيقية. ساعة صوتك أنت وحدها هي التي تفعل ذلك.

التجربة التي تحسم الأمر

خُذ تسجيلًا واحدًا تعرف إجابته مسبقًا — اجتماعًا بثلاثة متحدثين، يبدّل أحدهم اللغة في منتصف الجملة — وشغّله عبر كليهما. وبالنسبة إلى Ming-3.0-audio-tiny، حمّله باستخدام trust_remote_code=True، واستخدم موجّه ASR الذي تتحقق منه بطاقة النموذج (اذكر اللغة، ثم Tab، ثم النص المنسوخ — هذا الـ Tab هو محلّلك)، واضبط max_model_len على الطول الذي تحتاجه بالضبط بدلًا من القيمة الافتراضية. وبالنسبة إلى Qwen-Audio 3.1، شغّل الملف نفسه عبر كلٍّ من SKU نسخ الملفات وSKU الزمن الحقيقي، لأنهما منتجان مختلفان ولن يتطابقا.

ثم قارن ثلاثة أمور، ليس أي منها نتيجة معيارية. هل حافظ النموذج على هويات المتحدثين عبر الملف بأكمله؟ هل صمد أمام تبديل اللغة دون نقل صوتي؟ وهل تستطيع شرح النتيجة بما يكفي لتغيير متغيّر واحد وإعادة التشغيل؟ السؤال الأخير هو الذي يحدد ما إذا كنت تقيّم نموذجًا أم تختبر مورّدًا، وهو الموضع الوحيد الذي لا يكون فيه هذان الأمران متقاربين.