Ming-3.0-audio-flash مقابل Qwen3.8-Omni-Flash: جدول المورّد نفسه حسم الفائز بالفعل

هناك جدول مقارنة يحسم معظم هذا الجدل، وقد نشرته إحدى الشركتين المتنافستين. وفي صور التقييم الخاصة بـ inclusionAI لـ Ming-3.0-audio-flash، فإن عمود المرجع هو Qwen3.8-Omni-Flash — نموذج Alibaba الشامل المغلق، المتاح لعملاء API منذ 18 سبتمبر 2026 — والنتائج تسير في الاتجاهين. يفوز Ming في صفوف اللهجات بفارق واسع، ويخسر في صفوف الاستدلال بالصوت الطويل بمقدار يقارب ثلاثة أضعاف. وهذا مفيد على نحو غير معتاد، لأنه يعني أن السؤال ليس «أي النموذجين أفضل؟» بل «أي هذين النمطين من الفشل يمكن لحمل العمل لديك تحمّله؟». Ming-3.0-audio-flash هو نقطة تحقق لغوية صوتية من inclusionAI بإجمالي 126B و6.5B نشط، رُفعت في 3 سبتمبر 2026 ووُثّقت في 19 أكتوبر؛ أما Qwen3.8-Omni-Flash فهو نموذج مستضاف ينتج نصًا فقط، بسياق يبلغ مليون رمز ودون أوزان. أحدهما تملكه، والآخر تستأجره، ونقاط القوة المنشورة لهما لا تتداخل كثيرًا. إن حالات فشل الذكاء الاصطناعي الموثقة ونزاعات مقاييس الأداء الخاصة بالبائعين الكامنة وراء مقارنات كهذه تُجمع في OrcaRouter AI Incident Archive حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وإشارة كونه محل نزاع.

طريقتان لقراءة ساعة من الصوت

كلا النموذجين يقبل الصوت والنص ويعيد النص. هذه الجملة صحيحة بشأن كليهما ومضللة بشأن كليهما، لأن النطاق الذي يعملان به مختلف تمامًا.

يستقبل Qwen3.8-Omni-Flash النصوص والصور والصوت والفيديو، ويتعامل مع ما يصل إلى ساعة من الصوت والفيديو المتواصلين داخل استدعاء واحد، ويوفّر سياقًا يتسع لمليون رمز (الحد الأقصى للإدخال نحو 991K، والإخراج حتى 131K مع ميزانية استدلال تبلغ 262K)، ويجيب بالنص فقط. وكان تأطير Alibaba للإطلاق بمثابة فاتورة لا نتيجة: أرخص بنسبة 98% لكل ساعة من إدخال الصوت مقارنةً بـ Qwen3.5-Omni-Plus، وأرخص بنسبة 93% لكل ساعة من الصوت والفيديو، مع أرقام لكل ساعة مشتقة من تسعير عيّنة مدتها دقيقتان وضربها في ثلاثين، مع أخذ عينات الفيديو بدقة 720p وبمعدل إطار واحد في الثانية. التسعير الدولي هو $0.15 لكل مليون رمز إدخال، و$0.016 للرموز المخزنة مؤقتًا، و$0.47 للإخراج.

يستقبل Ming-3.0-audio-flash الصوت والنص، ويعيد نصًا أو نصًا مع كلام عبر Talker اختياري، ويحمل سياقًا بسعة 128K — وهو رقم لم تعلنه إعداداته حتى 13 أكتوبر، عندما رفع إيداع بملف واحد max_position_embeddings من 8,192 إلى 131,072. ملف تعريف الخدمة المرجعي الخاص به هو التوازي على مستوى الموترات عبر ثماني وحدات H800 بسعة 80 GB، وحجم التنزيل نحو 259 GB. لا توجد تكلفة لكل رمز مميز لأنه لا توجد نقطة نهاية.

إذن، وحدة Qwen هي الاستدعاء؛ ووحدة Ming هي العقدة. هذا هو القرار الأول، وهو عادةً ما يحدد ما تبقى.

ما يقوله جدول inclusionAI نفسه، صفًا بصف

كل رقم في هذا القسم يأتي من ملفات PNG الثلاثة الموجودة في مجلد assets/ داخل مستودع Ming — تشغيل inclusionAI الخاص، على أدوات التقييم الخاصة به، مع علامات نجمية تحدد الصفوف التي قيّمها بنفسه. لم يُعَد إنتاج أي منه. اقرأه على أنه مورّد يصف نفسه علنًا، وهو أكثر مما يفعله معظم الموردين.

• متوسط التعرف التلقائي على الكلام الصيني — معدل خطأ Ming 3.45 مقابل Qwen3.8-Omni-Flash 3.54 وGemini 3.8 Flash 9.83. فوز ضيّق.

• متوسط ASR الإنجليزي — 3.69 مقابل 4.02 و5.05. وهو أيضًا ضيّق.

• متوسط اللهجات — 9.40 مقابل 11.58. وهو أوسع، وهو الادعاء الرئيسي: الكانتونية 4.09 مقابل 4.76، والشانغهاينية 11.15 مقابل 21.10، وهونان 8.76 مقابل 17.11، والهوكينية 12.84 مقابل 26.32.

هوبي — 9.46 مقابل 7.75. تفوز Q​wen بهذا الصف، ومع ذلك نشرته inclusionAI كما هو، وهذا هو السبب الرئيسي للثقة ببقية الجدول.

• تحديد المتحدثين، AISHELL-4 — Ming 8.58 معدل خطأ تحديد المتحدثين مقابل Qwen 2.80. في AMI، 25.29 لـ Ming مقابل 11.16 لـ MiMo-V2.6 Pro.

• درجة Long-audio Chain — Ming 12.31 مقابل Q​wen 34.54، وQ​wen في وضع التفكير 48.70، وGemini 3.8 Flash 49.63. هذه هي الفجوة البالغة أربعة أضعاف، وهي على مقياس اختار المورّد نشره.

• LongAudioSpan — 41.12 مقابل 66.40. MMAR — 74.40 مقابل 77.70. MMSU — 78.82 مقابل 82.10.

• صفوف العناوين الخاصة بالاستدلال الصوتي — يحقق Ming نتيجة 99.40 في BigBenchAudio و82.00 في MMAU؛ أما استدعاء الأدوات على BFCL-v3 Audio فيبلغ 81.40 مقابل 86.68 لـ Gemini 3.8 Flash.

النمط ليس عشوائيًا. يكون Ming في أقوى حالاته عندما تكون المهمة «ما قيل بالضبط، بما في ذلك اللكنة»، وأضعف ما يكون عندما تكون المهمة «الإبقاء على تسجيل طويل في الذهن والاستدلال عبره». أما Q​wen فالأمر معكوس: نافذة بمليون رمز وميزانية استدلال هما بالضبط الآلية اللازمة للمهمة الثانية، ولا شيء في مواد إطلاقه يشير إلى ضبط لهجة تلو الأخرى.

الادعاء المتعلق باللهجة هو القضية برمتها، وهو أضيق مما يبدو عليه.

إذا أخذت شيئًا واحدًا من جدول المورّد، فخذه: الفجوة التي تصمد أمام التدقيق هي في التعرف على الكلام الصيني اللهجي وذِي اللكنات، لا في الذكاء الصوتي العام. فلهجة شانغهاي عند 11.15 مقابل 21.10 تعني نحو نصف معدل الخطأ. ولهجة هونان عند 8.76 مقابل 17.11 تعني نحو النصف. ولهجة هوكيين عند 12.84 مقابل 26.32 تعني نحو النصف. تلك فروق كبيرة ومتسقة عبر خمسة صفوف من اللهجات، وهي نوع النتائج التي تأتي من قرار تدريبي لا من حيلة في المعايير.

لا تقل الملاحظات التحذيرية أهمية عن الأرقام. فمجموعات الاختبار هي اختيار المورّد نفسه؛ ومنصة الاختبار تابعة للمورّد؛ والقيم المرجعية لـ Qwen3.8-Omni-Flash أنتجتها inclusionAI وهي تشغّل نموذج Alibaba، وليس Alibaba. تقييم منافس لنموذج منافس ممارسة معتادة، وهو أيضًا الإعداد الأرجح لإنتاج نتيجة مُجاملية عن غير قصد. أما الصف الوحيد الذي يسير في الاتجاه المعاكس، Hubei، فهو أقوى دليل على أن الجدول لم يُعدَّل ببساطة.

والفجوة البالغة أربعة أضعاف في الصوت الطويل ليست خطأ تقريب يمكنك التصميم حوله. فإذا كان عبء عملك مكالمة أرباح مدتها تسعون دقيقة وتحتاج إلى ملخص يتضمن إحالات مرجعية متقاطعة، فإن أرقام Ming نفسها تقول إن وضع التفكير لدى Qwen هو الأداة الأفضل بفارق أربعة أضعاف في المقياس الذي يقيس ذلك بالضبط.

التوافر يحسم الأمر أكثر مما تحسمه معايير الأداء

لـ Qwen3.8-Omni-Flash موطن واحد فقط: منصة Qianwen من Alibaba وAlibaba Cloud Model Studio، مع نقاط نهاية منفصلة دولية وللبر الرئيسي، وفوترة منفصلة وعملة منفصلة. وهو يستجيب لطلب على شكل OpenAI، لذا يمكن نقل كود العميل في الغالب، لكن نقطة النهاية غير قابلة للنقل ولا يوجد هدف للتبديل عند الفشل. لم تُطرح أي أوزان ولم يُعلن عن أي منها. ولا يقدّمه OrcaRouter.

لا يملك Ming-3.0-audio-flash أي نقطة نهاية على الإطلاق. فهو أوزان مرخّصة بموجب MIT مع بطاقة نموذج، ومستودع GitHub أُنشئ في 15 أكتوبر، وملفات YAML نشر لثلاثة إعدادات، وعميلين تجريبيين، ودليل صوتي بحجم 150 كيلوبايت. يدعم مشروع vLLM-Omni الجيل السابق من Ming ولديه طلب سحب مفتوح لطراز Ming TTS بحجم 7.9B، لكن لم يُدمج أي شيء لنقطة التحقق الصوتية-اللغوية هذه؛ المسار العملي اليوم هو Transformers مع trust_remote_code=True، وهو مناسب للتقييم لكنه غير كافٍ لخدمة.

ضع هاتين الفقرتين جنبًا إلى جنب، وستكون المقايضة صارخة. يمنحك Q​wen نقطة نهاية إنتاجية بلا بديل احتياطي وبلا رؤية. ويمنحك Ming نقطة تحقق برؤية كاملة وبلا نقطة نهاية. الفريق الذي لديه عقدة GPU ومتطلب امتثال يختار Ming. والفريق الذي لديه موعد نهائي يختار Q​wen ويتحمّل مخاطر الاعتماد على مصدر واحد.

كيف يبدو المسار الوسط

هناك خيار ثالث لا يوثّقه أيٌّ من المزوّدين، ويستحق التوضيح لأنه ما تفعله معظم الفرق فعليًا: استخدام النموذج المستضاف في العمل الذي يبرع فيه، والأوزان المفتوحة في العمل الذي تبرع فيه، ضمن خط المعالجة نفسه.

على نحو ملموس — مؤسسة دعم تتعامل مع مكالمات باللغة الصينية الماندرين مع متحدثين بلهجات. يصل الصوت، ويقرر مصنف خفيف ما إذا كان كلام المتصل قياسيًا أم مشبعًا بلكنة قوية. يُوجَّه الصوت القياسي إلى Qwen3.8-Omni-Flash لإعداد ملخص طويل السياق مع استدلال على المكالمة كاملة. أما الصوت المشبع باللكنة فيُوجَّه إلى Ming-3.0-audio-flash للنسخ، ثم يعود النص المنسوخ إلى مسار معالجة النصوص للتلخيص. لا يرى أي من النموذجين عبء العمل كاملًا؛ بل يرى كل منهما الجزء الذي يتفوق فيه.

هذه البنية تتطلب عملًا أكثر من اختيار مورّد واحد، وهي الوحيدة التي تستخدم جدول المورّدين بأمانة، لأن الجدول نفسه يقول إن النموذجين يفشلان في مدخلات مختلفة.

أين يقع OrcaRouter، على وجه الدقة

نحن لا نقدّم أيًّا من هذين النموذجين في هذا المقال. Qwen3.8-Omni-Flash مستضاف من Alibaba وليس ضمن كتالوجنا؛ أما Ming-3.0-audio-flash فأوزانه مفتوحة وليس ضمن كتالوجنا. القارئ الذي يسجّل متوقعًا أيًّا منهما سيُصاب بخيبة أمل، لذا من الأفضل قول ذلك هنا بدلًا من نهاية نموذج التسجيل.

ما يحتاجه خط أنابيب التصنيف والتلخيص أعلاه هو بالضبط ما يوفره الموجّه: مفتاح واحد للجانب النصي من السلسلة، وقاعدة توجيه ترسل الصوت القياسي في اتجاه والصوت ذا اللكنة في الاتجاه الآخر، ومسار تجاوز الفشل عندما يتدهور مزوّد. واجهة برمجة تطبيقات واحدة لأكثر من 200 طراز بهامش ربح 0% — سعر القائمة الخاص بالمزوّد يُمرَّر كما هو، لذا يصبح تخفيض سعر البائع ساريًا لدينا في اليوم نفسه — أمرٌ أصغر من حيث التشغيل من ثلاث عقود ونظامي فوترة، و تجاوز الفشل التلقائي هو الحل لمخاطر المصدر الواحد التي تصاحب أي نموذج شامل مستضاف. لغة التوجيه DSL هي المكان الذي يُعبَّر فيه فعليًا عن خط أنابيب كلامي ذي فرعين. وهي ليست بديلاً عن نقطة تحقق بحجم 259 GB، ولا يمكن أن تكون كذلك.

لنوعين من الفرق

إذا كنت تبني منتجًا هذا الربع يتضمّن الصوت ولا تملك ميزانية لوحدات معالجة الرسوميات، فإن Qwen3.8-Omni-Flash هو الجواب، مع التحفّظ بأنك تستأجر من مورّد واحد وينبغي أن تكتب عميلك بحيث تكون نقطة النهاية قيمة إعدادات لا ثابتًا. إن نافذة السياق وميزانية الاستدلال فيه أكبر بحق مما يقدّمه أي بديل مفتوح الأوزان.

إذا كنت تبني بنية تحتية — خدمة تفريغ صوتي، أو خط أنابيب امتثال يعمل داخل المنشأة، أو أي شيء يكون فيه نقطة نهاية أحد الموردين عبئًا لا ميزة — فإن Ming-3.0-audio-flash هو الخيار المفتوح الجدّي، وأرقام اللهجات هي السبب. خصّص ميزانية لخادم، وميزانية لشهر من التكامل، واقرأ صفوف تمييز المتحدثين قبل أن تَعِد أي شخص بتسميات المتحدثين.

الخلاصة غير اللامعة هي أن النموذجين أقرب إلى تقسيم للعمل منه إلى متنافسين، وهو تقسيم لا يملك أيٌّ من المورّدين حافزًا لوصفه. وقد نشرت inclusionAI الجدول الذي يُظهر ذلك. وهذا يستحق أكثر من منشور إطلاق.