MiniCPM-V 4.7 مقابل Qwen3.8-Omni-Flash: ساعة من الفيديو على هاتفك، أم استدعاء واحد بـ1M توكن

إصداران تفصل بينهما ستة أسابيع، وكلاهما يزعم أنه يحل فهم الفيديو — ويكادان يختلفان تمامًا حول أين ينبغي أن يتم العمل. يعمل MiniCPM-V 4.7 35B-A3B من OpenBMB على هاتف، في نحو ثلاثة غيغابايت، وبسرعة تزيد على 13 رمزًا في الثانية وفق ما تعلنه الشركة، ولا يكلّف شيئًا لكل استدعاء لأن الحاسبة في جيبك. أما Qwen3.8-Omni-Flash من Alibaba فيستقبل النص والصورة والصوت والفيديو ضمن نافذة واحدة سعتها مليون رمز، بما يصل إلى ساعة كاملة من الصوت والفيديو المتواصلين في كل استدعاء، ويُباع بسعر $0.15 لكل مليون رمز إدخال مع ادعاء رئيسي بأن الصوت أرخص بنسبة 98% من سابقه. أحدهما يُحسّن للجهاز؛ والآخر يُحسّن لنافذة السياق. وبالنسبة لفريق لديه لقطات لمعالجتها، يحدد هذا الفرق البنية قبل أن يحددها أي اختبار أداء. Qwen3.8-Flash موجود في الكتالوج بسعر $0.15 لكل مليون رمز إدخال. اطّلع على نماذج Qwen القابلة للتوجيه مفتاح واحد، وسعر القائمة يُمرَّر دون هامش ربح (0%)، وتحويل تلقائي عند الفشل عبر المزوّدين. تُجمَع حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثّقة وراء إصدارات كهذا الإصدار في OrcaRouter AI Incident Archive حيث يحمل كل مُدخل مصادره الخاصة ودرجة خطورته ومستوى ثقته وعلامة كونه محل خلاف.

رهانان مختلفان على المكان الذي ستذهب إليه البكسلات

MiniCPM-V 4.7 35B-A3B هو نموذج لغوي بصري من نوع خليط الخبراء المتناثر: 35.2 مليار معامل إجمالًا، ونحو 3 مليارات معامل نشطة لكل رمز، برخصة Apache-2.0، إدخال نصي وإخراج نصي، مع إدخال الصور والصور المتعددة والفيديو. أُتيح على Hugging Face في 6 و7 أكتوبر 2026، وحصل على بطاقة نموذجه في 12 منه، ودُمج في النسخة الرئيسية من llama.cpp في 10 منه. الفكرة الهندسية هي أن معظم العمل البصري روتيني، ويحدث حيث توجد الكاميرا، ويجب ألا يغادر الجهاز أبدًا: ضغط رموز بصرية مختلط 4x/16x، وبثّ الخبراء، وتفرّع يكدّس جدولة الخبراء الاستباقية والدقة المختلطة وفك الترميز التخميني للوصول إلى 20.51 رمزًا في الثانية كما هو منشور على iPhone 18 Pro Max.

Qwen3.8-Omni-Flash هو النموذج الشامل متعدد الوسائط الأصلي لدى A​libaba، وقد أُتيح لعملاء API في 18 سبتمبر 2026 تحت شعار «حواس شاملة. تسليم قائم على الوكلاء.» سياق يبلغ مليون توكن، وحد أقصى للإدخال يبلغ نحو 991 ألف توكن، وحد أقصى للإخراج يبلغ 131 ألف توكن، وميزانية استدلال تصل إلى 262 ألف توكن، وما يصل إلى ساعة من الصوت أو الصوت والفيديو المتواصل في استدعاء واحد. تتضمن المدخلات النص والصورة والصوت والفيديو — بما في ذلك الصوت الستيريو والصوت المكاني رباعي القنوات. أما المخرجات فهي نص فقط. ويُقدَّم على منصة Qianwen التابعة لـ A​libaba وA​libaba Cloud Model Studio تحت معرّف API qwen3-8-omni-flash؛ ولا يتم إصدار الأوزان.

• أين يعمل — MiniCPM-V 4.7 35B-A3B: على جهازك، أو iOS، أو Android، أو HarmonyOS، أو GPU مكتبي. Qwen3.8-Omni-Flash: واجهة API الخاصة بـ A​libaba، مستضافة فقط.

• شكل التكلفة — MiniCPM-V 4.7 35B-A3B: العتاد إضافةً إلى الكهرباء؛ تنزيل بحجم 21.2 GB بصيغة Q4_K_M. Qwen3.8-Omni-Flash: 0.15 دولار لكل مليون رمز إدخال، و0.016 دولار للرموز المخزّنة مؤقتًا، و0.47 دولار لرموز الإخراج.

• الوسائط لكل استدعاء — MiniCPM-V 4.7 35B-A3B: محدودة بذاكرة الجهاز وميزانية أخذ العينات، معالجة مطالبة واحدة في كل مرة. Qwen3.8-Omni-Flash: حتى ساعة من الصوت والفيديو المتواصل.

• المخرجات — نص فقط لكليهما. لا يتكلم أيٌّ من النموذجين.

• الترخيص — Apache-2.0 مقابل واجهة برمجة تطبيقات مستضافة بدون أوزان.

الـ98% ادعاء يتعلق بالتكلفة؛ أما الدقائق فهي المقارنة الحقيقية.

العنوان الرئيسي لـ Alibaba هو أن ساعة من الإدخال الصوتي تكلّف أقل بنسبة 98% مما تكلّفه على Qwen3.5-Omni-Plus، وساعة من الصوت والفيديو المدمجين أقل بنسبة 93%. ويُشتق هذا الرقم عبر تسعير عيّنة مدتها دقيقتان وضربها في ثلاثين، مع أخذ عينات الفيديو بدقة 720p وبمعدل إطار واحد في الثانية — وهي طريقة مشروعة لاقتباس عبء عمل إنتاجي، وأيضًا وصف لما يُطلب من النموذج النظر إليه. يكفي إطار واحد في الثانية لمعرفة ما قيل وما حدث تقريبًا. لكنه لا يكفي بأي حال لفحص العمليات على مستوى الإطار أو التقاط تشوّه في إطار واحد.

طبّق الحساب نفسه على طراز الهاتف، وتتضح صورة القرار. ساعة من اللقطات بمعدل إطار واحد في الثانية تعني 3,600 صورة. وعلى جهاز يفكّ الترميز بمعدل 13 إلى 20 رمزًا في الثانية، ليست هذه مهمة نداء واحد؛ بل مهمة على دفعات، وبالعينات، مع التلخيص أولًا بأول، وتكلفتها ساعات من الزمن الفعلي على عتاد تملكه بالفعل. عبر Alibaba API، الساعة نفسها نداء واحد ضمن نافذة مليون رمز، تُسعّر بالرموز وتُعاد في المدة التي تستغرقها نقطة النهاية. لا هذا ولا ذاك مجاني، وهما ليسا بالعملة نفسها.

نقطة التقاطع هي الحجم والخصوصية، لا الدقة. العيادة التي لا تستطيع السماح بخروج الإطارات من المبنى لديها خيار واحد. أما فريق مراقبة الإعلام الذي يملك ألف ساعة شهريًا فلديه الخيار الآخر، لأن أخذ ألف ساعة كعينات على الهواتف هو شراء عتاد ومشكلة جدولة، بينما ألف مكالمة مدة كل منها ساعة هو بند في الميزانية. بين هذين الطرفين، تصبح الأرقام مثيرة للاهتمام: سعر Qwen منخفض بما يكفي بحيث تكون مراجعة مئة ساعة بضع مئات من الدولارات بدلًا من بضعة آلاف، وهو النطاق الذي لم يعد فيه «أرسلها فقط إلى API» يبدو إهدارًا.

ما يجيده كل واحد فعليًا، بناءً على الأدلة

أرقام إطلاق Qwen3.8-Omni-Flash كلها مقارنة بخط أساس واحد — Qwen3.5-Omni-Plus — ويبلغ متوسط التحسن عبر نحو ثلاثين تقييمًا أكثر من 26%. وأكبر القفزات هي WildClawBench-MM عند 71.0، بزيادة 36.5 نقطة، وتحديد المتحدثين في AliMeeting، حيث ينخفض معدل الخطأ من 88.11 إلى 3.35 وcpWER من 89.61 إلى 17.18. إن دلتا بهذا الحجم تستحق التدقيق لا التصفيق؛ إذ يعزو تحليل تقني صيني للإطلاق جزءًا كبيرًا منها إلى هندسة الواجهة الأمامية وتحديد المتحدثين المحيطة بالنموذج لا إلى استدلال النموذج، ويحذر من أن النظام يبدو متخصصًا في السمع مع استدلال فيديو عميق أضعف. هذه قراءة ناقد، وليست تكرارًا مستقلًا، لكنها الحدس الصحيح. كل هذه الأرقام هي أرقام A​libaba نفسها ولم يُعَد إنتاج أي منها بشكل مستقل.

أدلة MiniCPM-V 4.7 أضعف على نحو مختلف: خمسة مخططات تقييم، ولا جدول رقمي، ومقارنتان اتجاهيتان — درجة إجمالية أعلى في زمن استدلال أقل من Qwen3.6 35B-A3B، ومكاسب كبيرة على Qwen3.5 0.8B بالنسبة لنظير 1B. الحقائق القابلة لإعادة الإنتاج هي الواردة في config.json وقائمة الملفات: إجمالي 35.2B، و256 خبيرًا مع 8 مفعّلة، وأقصى موضع 262,144 رمزًا، وبرج رؤية من 27 طبقة، وApache-2.0، وتنزيل Q4_K_M بحجم 21.2 GB. اقرأ ادعاءات الإنتاجية بوصفها قياسات من المورّد على عتاد لم تمسكه، وادعاءات الدقة بوصفها غير مدققة — وهو بالضبط ما تعرضه OpenBMB على هذا النحو.

ثمة أمر واحد يشترك فيه الاثنان: لا توجد لوحة نتائج مستقلة. لا يظهر أي من النموذجين على لوحة صدارة محايدة يديرها طرف ثالث بدرجة متعددة الوسائط مدققة وقت كتابة هذا النص. لذا فإن مقارنتهما على أساس «المعايير المرجعية» ستعني وضع مخطط أحد البائعين إلى جانب مخطط بائع آخر وتسمية النتيجة قياسًا. لا تفعل ذلك.

أخذ العينات الوكيلي مقابل أخذ العينات الثابت

الفرق التقني الأكثر إثارة للاهتمام ليس الحجم أو السرعة — بل من يقرر ما الذي ينبغي النظر إليه.

تأتي Qwen3.8-Omni-Flash بما تسمّيه Alibaba وضع الفهم الوكيلي (Agentic Understanding)، حيث يختار النموذج ما يفحصه بدلًا من معالجة كل إطار، ويجمع الأدلة في جولات متدرّجة من الخشن إلى الدقيق. وفي OmniVideoBench يرفع هذا الوضع الدقة من 63.4 إلى 67.8 مع خفض عدد الرموز لكل استعلام من 145,736 إلى 79,117 — أي انخفاض بنسبة 45.7%. إن ارتفاع الدقة وانخفاض التكلفة في آنٍ واحد هو أقوى ادعاء في ذلك الإصدار، وهو الادعاء الذي يدعم الطرح الوكيلي على نحو أكثر مباشرة.

نظير MiniCPM-V 4.7 هو خيار ثابت يُتخذ لكل صورة: ضغط 16× افتراضيًا، و4× عندما تكون التفاصيل مهمة. لا يقرر النموذج النظر عن كثب؛ بل يفعل ذلك المستدعي بتمرير إعداد مختلف. هذا هو التصميم الصحيح لجهاز بميزانية طاقة ثابتة، والتصميم الخاطئ لفيديو مدته ساعة حيث تكون التسعون ثانية المثيرة للاهتمام غير معلنة مسبقًا.

سؤال التوجيه، مطروحًا بصدق

لا يقدّم OrcaRouter أيًّا من الطرازين. أمّا MiniCPM-V 4.7 35B-A3B فهو نقطة تحقّق تستضيفها أنت؛ وQwen3.8-Omni-Flash يعمل على منصّات Alibaba الخاصة به، وهو أيضًا غير مدرج في كتالوجنا. ما تفيد به طبقة التوجيه في هذه البنية هو أنها تمثّل الحدّ الفاصل بين الاثنين: فهي تقرّر، طلبًا بطلب، ما إذا كان المقطع روتينيًا بما يكفي للنموذج المحلي أو طويلًا بما يبرّر نداءً إلى النموذج المستضاف، وتتولّى التبديل الاحتياطي عند تدهور أداء الجانب المستضاف.

يضع OrcaRouter أكثر من 200 نموذج مستضاف خلف مفتاح واحد، ويمرر سعر القائمة الخاص بالمزوّد كما هو دون هامش ربح، لذا فإن أي تخفيض في أسعار المورّد — من النوع الذي أجرته A​libaba للتو على الصوت — يصل إلى فاتورتك في اليوم نفسه بدلًا من موعد التجديد. كما ينتقل تلقائيًا إلى مزوّد بديل عند التعطل، وهو أمر يهم أكثر بالنسبة لنموذج أومني مستضاف مما هو لهاتف: فالهاتف لا يتعرض لانقطاع الخدمة، أما الـAPI فيتعرض له. توجد بالفعل مقارنة واحدة قابلة للتحقق في كتالوجنا: فالنموذج Qwen3.8-Flash، وهو النموذج متعدد الوسائط الذي بُنيت هذه النسخة الأومني بالتوازي معه، قابل للتوجيه بسعر 0.15 دولار لكل مليون رمز إدخال و0.47 دولار للإخراج — وهو سعر القائمة نفسه الذي تعلنه A​libaba للنموذج الأومني الجديد.

الاختيار، في فقرة واحدة

اختر MiniCPM-V 4.7 35B-A3B عندما لا تستطيع الإطارات مغادرة الجهاز، وعندما يكون عبء العمل عبارة عن نظرات قصيرة كثيرة بدلًا من نظرات طويلة قليلة، وعندما يكون التشغيل دون اتصال مطلبًا، أو عندما تكون التكلفة لكل استدعاء هي ما يقوّض اقتصاديات وحدتك. اختر Qwen3.8-Omni-Flash عندما يكون الإدخال طويلًا، والوسائط مختلطة — صوت وفيديو وشرائح عرض في استدعاء واحد — وتفضّل الدفع لكل رمز بدلًا من بناء خط أنابيب لأخذ العينات. اختر كليهما عندما تكون لديك طبقة هاتف تُرشّح تسعين بالمئة الروتينية وطبقة API تستوعب الحالات التي تستغرق ساعة، واقبل أنك الآن تدير صيغتَي مطالبات، وسياسَتَي أخذ عينات، وحدودًا واضحة جدًا بشأن أي الإطارات يُسمح لها بعبورها.