Ming-3.0-audio-flash مقابل InternLumina U2: سفينتان هادئتان، وأعمال ورقية متعاكسة

نُشر هذان النموذجان دون بيان صحفي، وهنا تقريبًا ينتهي التشابه بينهما. Ming-3.0-audio-flash ظهر على Hugging Face في 3 سبتمبر 2026 بوصفه كتلة أوزان بحجم 259 غيغابايت مع توثيق شبه معدوم، ولم يحصل على بطاقة نموذج حقيقية إلا في 19 أكتوبر. InternLumina-U2 سلك الطريق المعاكس: نشر مختبر شنغهاي للذكاء الاصطناعي شيفرة الاستدلال وصفحة مشروع في 1 سبتمبر 2026، ووعد بالأوزان، ثم أطلقها لاحقًا في مجلدات مخصصة لعتاد بعينه. دفع أحد الفريقين الملفات أولًا ثم جاء بالشرح بعد ستة أسابيع. وكتب الفريق الآخر الشرح أولًا وجعلك تنتظر الملفات. لم يعلن أيٌّ منهما شيئًا، ولا يملك أيٌّ منهما معيار تقييم مستقل، ولا يغني أحدهما عن الآخر — أحدهما يسمع، والآخر يرى ويرسم. تُجمع حالات فشل الذكاء الاصطناعي الموثقة وحوادث الإصدار الصامت الكامنة وراء مقارنات كهذه في OrcaRouter AI Incident Archive حيث تحمل كل مدخلة مصادرها الخاصة ودرجة خطورتها ودرجة ثقتها وإشارة كونها محل نزاع.

وهذا يجعل الأمر مقارنةً بشيئين في آنٍ واحد: رهانان مختلفان على الغرض من نموذج متعدد الوسائط مفتوح، وعادتان مختلفتان في إصدار نموذج منها. النصف الثاني أنفع مما يبدو، لأن الأوراق هي ما يخبرك ما إذا كان بإمكانك نشر الشيء يوم ثلاثاء. كل ما يلي يأتي من المستودعين وبطاقتي النموذج الخاصتين بهما. أرقام Ming هي أرقام inclusionAI نفسها؛ وأرقام InternLumina هي أرقام Shanghai AI Lab، وبطاقتها نفسها تصفها بأنها «نتائج أولية وجزئية». ولم يقيّم أيًّا منهما طرف ثالث.

الجدولان الزمنيان للإصدارين، جنبًا إلى جنب

التواريخ هي أكثر الأدلة موضوعية المتاحة هنا، لذا ابدأ بها.

• 1 سبتمبر 2026، 04:03 UTC — يُنشأ مستودع GitHub InternLM/InternLumina-U2 بعد ثلاث عشرة دقيقة يظهر مستودع Hugging Face بالاسم نفسه، يحتوي على .gitattributes ونسخة أولية من README. الإصدار في ذلك اليوم هو كود: سكربت تشغيل واحد يتضمن قسمًا لكل مهمة، وREADME باللغتين الإنجليزية والصينية، وخريطة طريق.

• 3 سبتمبر 2026، 11:45 و11:49 بالتوقيت العالمي المنسق — تُنشئ Ming-3.0-audio-tiny وMing-3.0-audio-flash على Hugging Face. وبعد تسع دقائق تصل 25 قطعة إلى مستودع flash. كان ملف README المرفق بهما بعنوان "Ming Audio V3" ولا يصف سوى مسار ASR.

• من 13 إلى 19 أكتوبر 2026 — تتحرك مستودعات Ming أربع مرات خلال سبعة أيام: إعداد يرفع حجم السياق من 8,192 إلى 131,072، وإعادة رفع تُسقط النسخة الخاصة بلغة الفيديو، ومجلد إعدادات صوتية مسبقة، وأخيرًا البطاقة والأصول وإعادة ترخيص بموجب MIT.inclusionAI/Ming-3.0-audio-flash يظهر على GitHub في 15 أكتوبر.

• في وقت ما بعد 24 سبتمبر 2026 — internlm/InternLumina-U2 على Hugging Face يتوقف عن كونه مجرد هيكل أولي ويكتسب شجرتي نقاط تفتيش، ascend/ وnvidia/، سبعة أجزاء لكل منهما، بنحو 67.6 GB من التخزين إجمالًا، وحوالي 33.8 GB لكل شجرة عتاد. عُدِّل المستودع آخر مرة في 24 سبتمبر. لا إعادة كتابة لبطاقة النموذج، ولا جدول معايير يحتوي على أرقام، ولا تقرير تقني.

النمط معكوس، والنتيجة العملية معكوسة كذلك. كانت أوزان Ming قابلة للتشغيل منذ أوائل سبتمبر لأي شخص مستعد لقراءة ملف إعدادات؛ أما توثيقها فلم يكن موجودًا. كان توثيق InternLumina موجودًا منذ اليوم الأول؛ أما أوزانها فلم تكن موجودة، وعندما وصلت وصلت من دون جداول المقارنة التي وعدت بها البطاقة.

ما صُمِّم كل نموذج في الواقع للقيام به

Ming-3.0-audio-flash هو مزيج خبراء أصلي للصوت واللغة: 126 مليار معامل إجمالاً، و6.5 مليار معامل نشط في كل خطوة استدلال، ومُشفّر صوتي ومُسقِط يغذّيان عموداً فقرياً من 42 طبقة يضم 512 خبيراً و8 خبراء نشطين لكل رمز، ومفردات من 157,184 رمزاً، وبرج صوتي على طراز Whisper من 32 طبقة وبعرض 1,280 مع 128 حزمة Mel. المدخل هو صوت بالإضافة إلى تعليمات نصية. المخرج هو نص، أو نص بالإضافة إلى كلام مُركّب عبر وحدة Talker اختيارية تتضمن أصواتاً صينية مدمجة ومقطعي مرجعيين في المستودع. السياق المعلن هو 128K، وملف تعريف الخدمة في بطاقة النموذج هو ثماني وحدات H800s بسعة 80 GB في توازٍ تنسوري.

InternLumina-U2 هو نموذج خليط خبراء متناثر بـ16 مليار معامل، منها مليار معامل نشط، بُني كنموذج لغوي انتشارِي بدلًا من نموذج انحدار ذاتي — فهو يحسّن تسلسلًا كاملًا بالتوازي بدلًا من إخراج الرموز من اليسار إلى اليمين. تمثيله البصري منفصل بالكامل: ثمانية دفاتر رموز بصرية من مُرمِّز AToken الخاص بـ Apple، تُدمج في رمز عمود فقري واحد لكل موضع على جانب الإدخال، ويُتنبأ بها دفتر رموز تلو الآخر على جانب الإخراج. الغاية من ذلك التصميم هي التوحيد: الإجابة عن الأسئلة النصية، وفهم الصور، وتحرير الصور، وتوليد الصور من النص، وفهم الفيديو، والفهم ثلاثي الأبعاد، كلها تمر عبر المفردات نفسها والأوزان نفسها، على عمود فقري انتشارِي LLaDA-2.0.

اقرأ الوصفين معًا، فتتلخص المقارنة في جملة واحدة. {{1}}Ming-3.0-audio-flash{{/1}} متخصص ضخم جدًا ويتعمق في نمط واحد. {{2}}InternLumina-U2{{/2}} نموذج عام صغير من حيث إجمالي المعاملات، ويحاول أن يؤدي خمسة أشياء على نحو مقبول. لا يُعد أي من التصميمين تنازلًا عن الآخر؛ بل هما إجابتان عن سؤالين مختلفين.

تحويل كل واحد منها إلى رموز، وهو الفرق الحقيقي.

إذا نظرت إلى أعداد المعاملات فقط، فستستنتج أن Ming أكبر من النموذج بثمانية أضعاف. وهذا الاستنتاج خاطئ في كلا الاتجاهين، والسبب هو الواجهة التي يعرضها كل منهما.

• المدخل — Ming-3.0-audio-flash: الصوت والنص. InternLumina-U2: النص والصور وإطارات الفيديو والأصول ثلاثية الأبعاد.

• المخرجات — Ming-3.0-audio-flash: نص، واختياريًا كلام. InternLumina-U2: نص، وصور، وصور معدّلة؛ بدون صوت، وبدون فيديو، وبدون إنشاء ثلاثي الأبعاد.

• فك الترميز — Ming-3.0-audio-flash: نموذج انحداري تلقائي على مفردات من 157,184 رمزًا. InternLumina-U2: انتشار بالكتل على مفردات بصرية متقطعة متعددة كتب الترميز.

• إجمالي المعلمات مقابل المعلمات النشطة — Ming-3.0-audio-flash: 126B إجمالي، 6.5B نشطة. InternLumina-U2: 16B إجمالي، 1B نشطة.

• الأوزان على القرص — Ming-3.0-audio-flash: نحو 259 غيغابايت موزعة على 25 شظية بالإضافة إلى Talker وVAE. InternLumina-U2: 67.6 غيغابايت في المستودع، مقسمة إلى شجرتين عتاديتين من سبع شظايا ونحو 33.8 غيغابايت لكل منهما.

• الترخيص — كلاهما قريب من MIT في الروح، لكنهما مختلفان في الواقع: Ming-3.0-audio-flash مرخّص بموجب MIT وفق بطاقته، وInternLumina-U2 مرخّص بموجب Apache-2.0 وفق مستودعه وبطاقته.

• تقييم مستقل — لا يوجد لأيٍّ منهما.

العتاد، وهو المجال الذي يختلف فيه الاثنان أشد اختلاف.

إنّ أكثر الادعاءات الهندسية إثارةً للاهتمام لدى InternLumina-U2 ليست المعمارية؛ بل قصة الواجهة الخلفية. فالمستودع يتضمّن شجرة Ascend وشجرة NVIDIA معًا، ويذكر المختبر أنّ التدريب والتقييم والاستدلال جرى تكييفها مع كل من وحدات NPU من Huawei ووحدات GPU من NVIDIA مع محاذاة عددية على مستوى المشغّلات بينها. وبالنسبة لأي جهة تمرّ مشترياتها عبر مسرّعات غير تابعة لـ NVIDIA، فإنّ ذلك يمثّل عامل تمييز حقيقيًا ويمكن التحقق منه في شجرة الملفات: مجلّدان كاملان لنقاط التحقق، ولكل منهما إعداداته ومُرمّز الرموز وخطة التوازي الخاصة به.

لا يملك Ming-3.0-audio-flash قصة كهذه. فتكوينه المرجعي هو ثماني بطاقات H800 بسعة 80 GB، وبديله المُتحقَّق منه هو تكوين SGLang بأربع وحدات GPU يُرجع نصًا فقط. ولا يوجد مسار NPU في المستودع، أما شقيقه الصغير بإجمالي 9.3B و2.7B نشطة فهو الحل لكل من لا يستطيع تخصيص عقدة كاملة.

كلا النموذجين، بالمعنى المعاصر، مشروعا نشر وليسا عمليات تثبيت عبر pip. وتوضح مواد InternLumina الخاصة صراحةً أن مسار التوليد غير قياسي: فإن واجهة API للتوليد block-diffusion ليست واجهة Transformers generate، إذ يتطلب مُرمِّز AToken مكتبة FlashAttention، ويتوقع خط المعالجة ثلاثي الأبعاد أن يقوم Blender 4.5 بعرض أصول GLB في صورة مناظر قبل الترميز. ومسار Ming أكثر تقليدية — AutoProcessor بالإضافة إلى AutoModelForCausalLM مع trust_remote_code=True — لكن الحد الأدنى للذاكرة أعلى بثماني مرات.

ما تقوله أرقام المورّد، وما لا يمكنها قوله

لا يمكن مقارنة أيّ من الجدولين بالآخر، لأن النموذجين لا يتشاركان ولو معيارًا واحدًا. ليس هذا تهربًا؛ بل هو الصورة الصادقة للأدلة.

على صور التقييم الخاصة بـ inclusionAI، يسجّل Ming-3.0-audio-flash متوسط معدل خطأ قدره 3.45 في التعرف على الكلام الصيني، ومتوسط 3.69 في الإنجليزية، ومتوسط 9.40 في اللهجات، وMMAR 74.40 وBigBenchAudio 99.40. وتُظهر الصور نفسها مواضع تأخره: خطأ فصل المتحدثين في AMI 25.29 مقابل 11.16 لدى MiMo-V2.6 Pro، ودرجة Chain للصوت الطويل 12.31 مقابل 34.54 لدى Qwen3.8-Omni Flash. وتُعد معايير النص أضعف قسم في البطاقة — GPQA Diamond 82.45، وMMLU-Pro 80.00، وIFBench 59.00 — وهو ما يبدو عليه متخصص صوتي ذو 6.5B معامل نشط عندما يُطلب منه الاستدلال بالنثر.

تسرد بطاقة InternLumina-U2 النتائج التالية: ChartQA 86.52، وCharXiv-DQ 83.65، وMathVision 33.22، وHallusionBench 62.15، وVideoMME 51.26، وMVBench 59.74، و3D MM-Vet 41.8، وDPG-Bench 87.10، وGenEval 0.81 — ثم تقوّض موقفها بنفسها، لأن جدول صفحة المشروع نفسه يُظهر LLaDA2.0-Uni عند GenEval 0.89، وهو أفضل من النموذج الذي يزعم التفوق عليه. ولا يزال التحذير البارز في البطاقة، «نتائج أولية وجزئية. ستظهر جداول المقارنة الكاملة في التقرير الفني المرتقب»، صحيحًا حتى اليوم. فلا يوجد تقرير فني.

عند قراءتهما معًا، تصف مجموعتا الأرقام نقاط قوة متكاملة ونقطة ضعف مشتركة واحدة: لم يُعِد إنتاج أيٍّ منهما أحدٌ خارج المختبر الذي درّبه.

أيّ واحد، لأيّ قارئ

إذا كان منتجك يتضمن الصوت — نسخ الاجتماعات مع تغطية اللهجات، وصوت مراكز الاتصال، والأجوبة المنطوقة، والدبلجة — فإن Ming-3.0-audio-flash هو الوحيد من بين الاثنين الذي ينطبق، وبصراحة هو النموذج الوحيد مفتوح الأوزان في فئته الذي ينشر أرقام لهجات بهذا القدر من التحديد. خطّط للنشر على عقدة واحدة، أو ابدأ بالنموذج الشقيق الصغير واقبل بدرجاته الأضعف في الصوت الطويل.

إذا كان منتجك يتضمن صورًا — قراءة المستندات، الإجابة عن أسئلة المخططات، التحرير، وصف الأصول ثلاثية الأبعاد، أو نموذجًا واحدًا يقرأ ويرسم معًا — فإن InternLumina-U2 هو الخيار الوحيد المنطبق، وشجرة Ascend سبب وجيه للنظر فيها إذا كنت لا تشتري NVIDIA. استعدّ للصراع مع أداة الترميز.

إذا كنت بحاجة إلى كليهما، فأنت تشغّل نموذجين، ويصبح السؤال المثير للاهتمام ذا طابع تشغيلي: نقطتا تفتيش، وسلسلتا أدوات، ومجموعتان من شروط الترخيص، ومنتج واحد متعدد الوسائط. هذه هي الحالة الطبيعية للعمل بالأوزان المفتوحة في أواخر عام 2026، وهي السبب في وجود التوجيه.

طبقة التوجيه، بصياغة ضيّقة

لا يقدّم OrcaRouter أيًّا من نقطتي الحفظ هاتين. فـ Ming-3.0-audio-flash وInternLumina-U2 كلاهما نموذجان مفتوحا الأوزان تشغّلهما بنفسك؛ ولا يوجد أيٌّ منهما في كتالوجنا، ولن يظهر أيٌّ منهما في استدعاء إلى واجهة برمجة التطبيقات لدينا. ما نوفّره هو العمل النصي المحيط: الموجّه الذي يؤطّر تعليمة تحرير صورة، والملخّص الذي يحوّل نص Ming المفرّغ إلى ملاحظات منظمة، والمصنّف الذي يحدّد إلى أي من النموذجين ينبغي توجيه أي أصل وارد.

هذا الجزء الأخير هو الجدير بالتسمية. خط المعالجة الذي يتعامل مع الصوت والرؤية معًا ينتهي به الأمر إلى قرار توجيه — يذهب الصوت إلى عقدة Ming، وتذهب الصور إلى عقدة InternLumina — وذلك القرار هو استدعاء نموذج كأي استدعاء آخر. ووضعه خلف واجهة API واحدة لأكثر من 200 نموذج بهامش ربح 0%، حيث يمر سعر قائمة المزوّد مباشرةً، يُبقي الموزِّع على المفتاح نفسه المستخدم مع كل شيء آخر. التبديل التلقائي عند الفشل يهم هنا أيضًا، ليس من أجل نقاط التحقق المستضافة ذاتيًا بل من أجل خطوة التصنيف التي تغذّيها: إذا كان نموذج الموجّه متدهورًا، فينبغي أن يكون البديل نموذجًا مختلفًا، لا خط معالجة معطّلًا.

لا شيء من ذلك يحوّل نقطة تحقق بحجم 259 GB إلى خدمة مستضافة، وسيكون من المُضلِّل الإيحاء بخلاف ذلك.

ماذا تشاهد بعد ذلك

بالنسبة إلى Ming-3.0-audio-flash، فإن الأجزاء الناقصة هي ملف ترخيص في المستودع (ترخيص MIT موجود حالياً في بيانات البطاقة الوصفية) وتكامل خدمة لمسار الصوت واللغة؛ يدعم vLLM-Omni الجيل السابق من Ming ولديه طلب سحب مفتوح لنموذج TTS بحجم 7.9B، لكن لم يُدمج شيء لعارض 126B. وبالنسبة إلى InternLumina-U2، فإن الجزء الناقص هو التقرير الفني والجداول الكاملة التي يعد بها؛ وحتى ذلك الحين، يظل صف GenEval مقابل LLaDA2.0-Uni هو المقارنة الوحيدة بين النماذج التي يمكن لأي شخص التحقق منها، وهو لا يحابي النموذج الأحدث.

القاسم المشترك بين الإصدارين أنفع من كلتا الفجوتين. فقد نشر مختبران قادران نموذجين كبيرين متعددي الوسائط ومفتوحي الأوزان ولم يخبرا أحدًا. وهذا ليس علامة على أن النماذج سيئة، بل علامة على أن إعلان الإصدار أصبح اختياريًا، وعلى أن المستودع بات المصدر الأساسي. اقرأه.