Ming-3.0-audio-flash مقابل MiniCPM-V 4.7: نموذج يسمع ونموذج يتّسع في جيبك

إذا كنت تختار بين Ming-3.0-audio-flash وMiniCPM-V 4.7 35B-A3B، فإن القرار ليس متقاربًا على أي محور مما ترجّحه عادةً، لأنهما لا يتنافسان على الخانة نفسها. أحدهما نموذج خليط خبراء سمعي-لغوي بـ126 مليار معامل — 6.5 مليار نشط — رفعته inclusionAI في 3 سبتمبر 2026 ووثّقته بعد ستة أسابيع، ويحتاج إلى ثماني وحدات GPU بسعة 80 GB في تكوينه المرجعي. والآخر نموذج رؤية-لغة متفرّق بـ35.2 مليار معامل طرحته OpenBMB على Hugging Face مساء 6 أكتوبر 2026 دون أي بطاقة على الإطلاق، ثم نشرت البطاقة في 12 أكتوبر، وتزعم أنه يفكّ الترميز بأكثر من 13 رمزًا في الثانية على iPhone 17 Pro Max باستخدام نحو 3 GB من الذاكرة. أحدهما يستمع ويستقر في رفّ، والآخر يرى ويتّسع في كفّ اليد. وما يجعلهما جديرين بالوقوف على الصفحة نفسها هو أن كليهما أُطلقا بهدوء من مختبرات صينية خلال الأسابيع الستة نفسها، وأن كليهما أوزان مفتوحة، وأن كليهما قيد التقييم من فرق لديها خانة واحدة فقط في معماريتها. إن إخفاقات الذكاء الاصطناعي وحوادث النشر الموثّقة التي تقف خلف مقارنات كهذه تُجمع في OrcaRouter AI Incident Archive حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل خلاف.

في البداية قاعدة القرار، ثم الأدلة عليها. إذا كان المُدخل صوتًا — مكالمات، اجتماعات، لهجات، موسيقى، تعليق صوتي مُولَّد تحتاج إلى التحقق منه — فلا يمكن إلا لواحد فقط من هذين النموذجين أن يبدأ. وإذا كان المُدخل صورةً أو مستندًا أو مخططًا أو لقطة شاشة أو إطار فيديو، فلا يمكن إلا للآخر أن يبدأ. والتقاطع هو خط معالجة يتعامل مع كليهما، وفي ذلك الخط هما مرحلتان لا مرشحان. كل رقم أدناه مُبلَّغ عنه من الجهة المصنّعة: أرقام inclusionAI من صور التقييم الخاصة بها، وأرقام OpenBMB من بطاقة نُشرت في 12 أكتوبر، ولم يُعِد أي طرف ثالث إنتاج أيٍّ منهما.

ما يرفض كل واحدٍ أن يفعله

أسرع طريقة لرؤية الفرق هي سرد الأشياء التي لن يقبلها كل طراز، لأن قوائم المواصفات تُكتب لإخفاء ذلك.

• لن ينظر Ming-3.0-audio-flash إلى أي شيء. مدخلاته هي الصوت وتعليمات نصية؛ لا يوجد مُرمِّز صور في المستودع، ولا برج رؤية في الإعدادات، ولا مسار فيديو منذ أن أزالت إعادة الرفع في 15 أكتوبر البديل الخاص بلغة الفيديو ورمز التصحيح الخاص به. إذا كان أي إطار ذا أهمية، فهذا النموذج أعمى عنه.

• لن يصغي MiniCPM-V 4.7 35B-A3B إلى أي شيء. فهو موسوم بأنه image-text-to-text، ويتعامل معالجه مع الصور وإطارات الفيديو، ولا يوجد أي برج صوتي ولا مسار ASR ولا رأس TTS في أي مكان ضمن 70.4 GB من الأوزان. ملف WAV ليس مدخلًا يمتلك تمثيلًا له.

• لن يقوم Ming-3.0-audio-flash بإنشاء صورة أو تعديل أو أصل ثلاثي الأبعاد. أما مخرجاته الاختيارية خارج النص فهي الكلام، عبر وحدة Talker بأصوات مدمجة وأصوات مرجعية.

• لن ينطق MiniCPM-V 4.7 35B-A3B. فهو يقرأ الصفحة ويجيب بالنص. أما الصوت، فستضيف إليه مُركِّبًا منفصلًا، وهذا قرار منتج مختلف.

هذا هو الشكل الكامل للمقارنة. كل ما عدا ذلك — السياق، والتخلخل، والترخيص، والعتاد — ثانوي أمام حقيقة أن مجموعتي الوسائط لا تتقاطعان.

طريقتان مختلفتان جدًا لأن يكون الشيء متناثرًا

كلا النموذجين ذوا تصميم قائم على مزيج الخبراء، وتخفي هذه الكلمة رهانات هندسية متعارضة.

Ming-3.0-audio-flash ذو بنية متفرقة لأنه هائل الحجم: 42 طبقة، وحجم مخفي 2,560، و512 خبيرًا مع اختيار 8 لكل رمز، و126 مليارًا إجمالًا و6.5 مليار نشط، إضافة إلى مُرمِّز صوتي على نمط Whisper بـ32 طبقة وعرض 1,280 مع 128 حزمة mel. تمنح هذه البنية المتفرقة إنتاجية معالجة لنموذج كان سيكون بلاها غير قابل للتدريب أو للخدمة. لكنها لا تجعله صغيرًا. فتبلغ 25 شظية bfloat16 إضافة إلى زوج Talker وVAE نحو 259 GB على القرص، وملف تعريف الخدمة 128K لدى المورّد هو توازٍ تنسوري عبر ثماني وحدات H800s بسعة 80 GB.

إن MiniCPM-V 4.7 35B-A3B متناثر للسبب المعاكس: 35.2 مليار معامل مخزّن تُوجَّه 8 من أصل 256 لكل رمز، عبر أكثر من 40 طبقة نصية بنمط انتباه من ثلاثة خطية إلى واحد كامل، خلف برج رؤية من 27 طبقة بحجم مخفي قدره 1,152 يُدرَج عند الطبقة 6 من مكدس النص. والادعاء المرتبط بذلك التصميم ليس الإنتاجية على عنقود، بل الجدوى على هاتف. تتوقع Lookahead Expert Scheduling من OpenBMB الخبراء الذين ستحتاجهم الطبقة التالية، وتجلبهم مسبقًا، وتُداخل التحميل مع الحساب — وهو نوع الحيل التي تبتكرها فقط عندما يكون عنق الزجاجة عرض نطاق الذاكرة على جهاز محمول، لا عمليات FLOPs في مركز بيانات.

• إجمالي المعاملات — Ming-3.0-audio-flash 126B؛ MiniCPM-V 4.7 35B-A3B 35.2B.

• المعاملات النشطة — 6.5B مقابل نحو 3B (8 من أصل 256 خبيرًا بالإضافة إلى خبير مشترك).

• السياق — 131,072 رمزًا مقابل 262,144.

• الأوزان على القرص — نحو 259 غيغابايت مقابل 70.4 غيغابايت موزعة على 16 شريحة.

• الأجهزة المرجعية — ثماني وحدات H800 بسعة 80 غيغابايت مقابل iPhone 17 Pro Max بسرعة 13+ رمزًا في الثانية وحوالي 3 غيغابايت.

• التراخيص — MIT مقابل Apache-2.0، وكلاهما مُعلن في البطاقات الخاصة بكلٍ منهما.

أين يختلف العمل باللغة الصينية فعليًا

تم بناء كلا النموذجين من قبل مختبرات صينية، وكلاهما الأقوى في اللغة الصينية، لكنهما قويان في أمور مختلفة، وجداول المورّد تجعل ذلك واضحًا على نحو غير معتاد.

يكون Ming-3.0-audio-flash في أقوى حالاته تحديدًا حيث يصير الكلام صعبًا. ففي صور التقييم الخاصة به، يُبلِغ عن متوسط معدل خطأ للتعرف الآلي على الكلام الصيني قدره 3.45، ومتوسط للهجات قدره 9.40 — الكانتونية 4.09، والشانغهاينية 11.15، والهوكينية 12.84، والهوبي 9.46، والهونانية 8.76 — مقابل مرجع Gemini 3.8 Flash قدره 48.41 في متوسط اللهجات. وتُظهر الصور نفسها أنه يخسر في تحديد المتحدثين (AMI 25.29 مقابل 11.16 لـ MiMo-V2.6 Pro) وفي الاستدلال على الصوت الطويل (درجة Chain 12.31 مقابل 34.54 لـ Qwen3.8-Omni Flash). لذا فالقراءة الصادقة هي: ممتاز في النسخ الصوتي ذي اللكنات، عادي في تحديد من تحدث وما الذي عناه التسجيل.

يُعد MiniCPM-V 4.7 35B-A3B الأقوى في المهام الصينية البصرية الكثيفة: OCRBench 91.20، وOCRBench_v2 68.47، وOmniDocBench v1.6 94.24، وCCOCR 81.14، وMMMU 80.22، وMathVista 88.00، وCharXiv reasoning 75.60، وTextVQA 84.99 — جميعها من مخطط OpenBMB الخاص، وجميعها غير مُعاد إنتاجها، وعدة صفوف موسومة بأنها تتغلب على نماذج Qwen وGemma من فئة 35B بهوامش ضيقة. إنّ أسلوب الاختزال المختلط للرموز بمقدار 4x/16x في برج الرؤية هو الآلية: يدمج 16x الرموز من أجل السرعة، ويحتفظ 4x بأربعة أضعاف عددها للتفاصيل الدقيقة، ويجب تمرير الإعداد إلى كلٍّ من المعالج وgenerate() وإلا اختلف الاثنان.

لذا فإن التداخل في القدرات الخاصة باللغة الصينية ضيق وحقيقي: فالمستند الصيني الممسوح ضوئيًا المرفق بملاحظة صوتية يمثل مشكلة تتطلب نموذجين، ولا يعالج أيّ من النموذجين النصف الآخر.

ما تكلفة إدخال أي منهما إلى بيئة الإنتاج

هذه ليست أرقامًا قابلة للمقارنة، والتظاهر بخلاف ذلك هو الفشل المعتاد في هذا النوع من المقالات.

يتطلب Ming-3.0-audio-flash عقدة واحدة. وثماني بطاقات H800 بسعة 80 GB هي تهيئة المورّد لسياق 128K؛ أما بديل SGLang المعتمد فيستخدم أربع بطاقات ولا يعيد سوى النص. أما الشقيق Ming-3.0-audio-tiny، بإجمالي 9.3B معامل ونشاط 2.7B، فيتّسع على بطاقة واحدة كبيرة، لكن أرقامه المنشورة أسوأ باستمرار على الجداول نفسها — Chain للصوت الطويل 10.56 مقابل 12.31، وLongAudioSpan 35.45 مقابل 41.12، وURO-Bench-Pro 54.15 مقابل 81.92 — فهو منتج مختلف، وليس منتجًا أرخص.

يكلّف MiniCPM-V 4.7 35B-A3B ثمن هاتف، أو وحدة معالجة رسومات واحدة، أو لا شيء على الإطلاق إذا جلب المستخدمون الجهاز بأنفسهم. وله منظومة نشطة لا يمتلكها Ming: إصدارات GGUF وFP8 وint4 وGPTQ وAWQ نُشرت في غضون أيام، ونموذج مسودة للفك التخميني DSpark، ودعم في llama.cpp وOllama وكذلك vLLM وSGLang، و76,000 تنزيل وأكثر من ألف إعجاب على المستودع الرئيسي. ومهما كان غير ذلك صحيحًا، فهذا نموذج يشغّله آخرون بالفعل.

إن هذا الفارق في التبنّي هو أكثر حقيقة ذات صلة بالقرار في المقال، ولا علاقة له بالجودة. فالنموذج الذي بلغت تنزيلاته 76,000 لديه مجتمع سبق أن اصطدم بالخلل الذي تواجهه. أما النموذج الذي بلغت تنزيلاته 22 فلديه مستودع وبطاقة فقط.

إذن، أين يلتقيان؟

في بنية واحدة بالضبط: تطبيق عليه أن يسمع ويرى في آنٍ واحد. الحالة الواضحة هي مسار دعم أو امتثال — مكالمة مسجلة باللغة الماندرين مع متحدث بلهجة، بالإضافة إلى نموذج ممسوح ضوئيًا رفعه المتصل، وملخص عليه أن يربط بين الاثنين. يقوم Ming بنسخ الصوت والإجابة عن الأسئلة المتعلقة به؛ ويقرأ MiniCPM النموذج ويستخرج الحقول. لا يستطيع أي منهما القيام بنصف الآخر، والوصلة بينهما نصية.

ذلك الدمج هو الجزء الذي تستهين به معظم الفرق. تعني نقطتا تفتيش مفتوحتا الأوزان مراجعتي ترخيص، وسيناريوهَي نشر، ونمطَي فشل، واستدعاءً إضافيًا للنموذج لتحديد أي مستند يذهب إلى أين. مسار Ming هو Transformers مع trust_remote_code=True وحدّ أدنى من الذاكرة يبلغ مئات الغيغابايتات؛ أما مسار MiniCPM فهو ملف مُكمَّم على حاسوب محمول. والتباين التشغيلي بين نصفَي خط المعالجة نفسه أكبر من التباين بين معظم النماذج المتنافسة.

طبقة التوجيه، وحدودها

لا يستضيف OrcaRouter أيًا من نقطتي التحقق. فكلاهما أوزان مفتوحة تشغّلها بنفسك، ولا يوجد أي منهما في كتالوجنا، ولا ينبغي قراءة أي جملة هنا على أنها عرض لنقطة نهاية. ما يصل إليه الراوتر فعلاً هو النسيج الرابط: المصنّف الذي يقرر ما إذا كان الأصل الوارد صوتًا أم صورة ويرسله إلى العقدة الصحيحة، والموجّه النصي الذي يؤطّر الاستخراج، والملخّص الذي يدمج المخرجين في تقرير واحد.

تلك نداءات نصية عادية، وتبرير وضعها خلف واجهة برمجية واحدة لأكثر من 200 نموذج بهوامش ربح 0% بسيط — سعر القائمة من المزوّد يُمرَّر كما هو، لذا يصبح تخفيض سعر البائع فعّالاً لدينا في اليوم نفسه، ومفتاح واحد بدلاً من ثلاث عقود. لغة توجيه الطلبات DSL هي الجزء الذي يلائم هذه المشكلة تحديداً: خط أنابيب فيه فرع للصوت وفرع للصور هو مشكلة توجيه قبل أن يكون مشكلة نموذج، والتحويل التلقائي عند الفشل يبقي الموزِّع عاملاً عندما يتعثر نموذج التصنيف، وهو النداء الوحيد في السلسلة الذي لا يمكنك تحمّل فقده.

الحدّ بسيط بالقدر نفسه. فالتوجيه لا يجعل نقطة تحقق بحجم 259 GB مستضافة، ولا يحوّل نموذج رؤية بحجم هاتف إلى نظام ASR.

النسخة المختصرة

Ming-3.0-audio-flash هو النموذج الأكثر طموحاً والأقل قابلية للاستخدام اليوم: التعرف على الكلام الصيني اللهجي أفضل من أي شيء آخر لديه أرقام منشورة في فئته، ولا تحقق مستقل، ولا تكامل خدمة مُدمج، ومتطلب عتادي يجعله خارج متناول أي شخص ليس لديه عقدة GPU. أما MiniCPM-V 4.7 35B-A3B فهو المنتج الأكثر اكتمالاً: بطاقة، ونسخ مكمّاة، ودعم لأطر العمل، وقصة تشغيل على الجهاز جديدة حقاً، ومجتمع. وهو أيضاً نموذج رؤية، ما يعني أنه لا يستطيع أداء الشيء الذي وُجد الآخر من أجله.

اختر حسب الوسيلة، وستستغرق المقارنة ثلاثين ثانية. اختر حسب الطموح، وستقضي شهرًا تكتشف فيه أن الخيار الطموح لديه 22 تنزيلًا.