Ming-3.0-asr-tiny לעומת Granite Speech 5.0 470M TurboCTC: פי 19 יותר פרמטרים, ואפס תפוקה

הציבו את Ming-3.0-asr-tiny ואת Granite Speech 5.0 470M TurboCTC על אותו עמוד, והמספר הראשון שבולט לעין הוא יחס הפרמטרים: 8.87 מיליארד מול 470 מיליון, בערך תשעה־עשר לאחד. השני הוא שהמודל הקטן הוא זה שנבנה למהירות בפער עצום, והשלישי הוא שזה אינו סתירה. ל-Granite Speech 5.0 470M TurboCTC אין מפענח שצריך להריץ — הוא מקודד שפולט תווים ועוצר. ל-Ming-3.0-asr-tiny יש מפענח בן 24 שכבות עם תערובת מומחים שכותב אסימון אחד בכל פעם ואפשר לומר לו מראש אילו שמות עומדים להיאמר. האחד הוא מכונת תפוקה לאודיו באנגלית. האחר הוא מכונת הקשר לאודיו בסינית. IBM שחררה את Granite Speech 5.0 470M TurboCTC ב-25 באוגוסט 2026 עם פוסט בבלוג, דוח טכני ורישום בלוח המובילים של Open ASR; inclusionAI העלתה את המשקלים של Ming-3.0-asr-tiny ל-Hugging Face ב-14 באוקטובר 2026 בלי שום הודעה. כל נתון של Granite המופיע כאן מגיע מכרטיס המודל של Granite Speech 5.0 470M TurboCTC, הכולל את טבלת Open ASR, את סקירת הרעש ואת ההצהרה על שפה בודדת. הכשלים המתועדים של AI ותקריות הסוכנים העומדים מאחורי מהדורות כמו זו מרוכזים בארכיון תקריות ה-AI של OrcaRouter שבו כל ערך נושא את המקורות שלו, חומרה, דירוג מהימנות ודגל מחלוקת.

אף אחד מהמודלים אינו בקטלוג של OrcaRouter, ואף אחד מהם אינו מופיע בהערכה של האחר, כך שאין השוואה ישירה בין ספקים לצטט. כל מה שלהלן מבוסס על התצורה והתרשימים שכל מודל פרסם בעצמו, ומסומן ככזה.

הפיצול הארכיטקטוני, במילים פשוטות

Granite Speech 5.0 470M TurboCTC הוא מודל מבוסס־מקודד בלבד, ו-IBM מציגה זאת כניתוק מכוון מעברה שלה. מודלים קודמים של Granite Speech היו מקודד אקוסטי, מקרן ומודל שפה Granite עם מתאמי LoRA — כלומר, הם היו מודלי שפה שעוטים מיקרופון. הדור 5.0 מוותר לחלוטין על מודל השפה וממטב מטרת CTC על ראש BPE בעל 16,384 יחידות. שישה עשר בלוקי conformer, 1,024 ממדים חבויים, שמונה ראשי קשב, קשב בלוקים על 128 פריימים, self-conditioning בבלוק השמיני, וקרנל קונבולוציה ברוחב 7.

הדגימה המשנית היא החלק שמייצר את המהירות. אודיו מגיע כלוג-מל בתוספת דלתאות בקצב של 100 פריימים לשנייה ב-320 ממדים. שלושה שלבים של הפחתה פי 2 — תחילה שינוי צורה שמערים פריימים עוקבים, ולאחר מכן קונבולוציות עם דילוג בתוך שני בלוקי ה-Conformer הראשונים — מביאים את זה ל-12.5 טוקני פלט לשנייה. הבלוג של IBM מפורש שזהו השינוי מהמקודדים הקודמים שלה, שהפיקו 50 תווים לשנייה: פי ארבעה פחות צעדי פלט לשנייה של אודיו, וללא לולאה אוטורגרסיבית שמחליטה על כל אחד מהם.

Ming-3.0-asr-tiny הלך בכיוון ההפוך בכל ציר שחשוב כאן. המפענח שלו הוא 24 שכבות של תערובת מומחים עם 128 מומחים, שמונה מנותבים לכל טוקן, מומחה משותף ושכבה ראשונה צפופה, לסירוגין שלוש שכבות Kimi Delta Attention עם שכבה אחת של Gated MLA. הוא כותב טוקנים באופן אוטורגרסיבי. הוא נושא גם מקודד בצורת Whisper בעל 32 שכבות ו-1,280 ממדים — בצורה של Whisper large-v3, כאשר המאגר מספק modeling_whisper_encoder.py ואת הודעת ה-MIT של OpenAI בקובץ נפרד. Ming שמר על מודל השפה והפך אותו לחלק היקר.

מאיפה המספרים בעצם מגיעים

זהו החלק שמכריע כמה משקל ראויות לטענות של כל אחד מהמודלים, ושתי ההשקות אינן בנות השוואה מבחינת סוגן.

• Granite Speech 5.0 470M TurboCTC — שיעור WER מצטבר של 5.00% על פני מערכי הנתונים הפומביים של דיבור אנגלי קצר בלוח המובילים Open ASR, נכון ל-25 באוגוסט 2026, עם 1.93% ב-test-clean של LibriSpeech ו-3.59% ב-test-other. הגרסה האחות הלא-מסחרית שלו משיגה 4.85%. התפוקה עולה על 12,600 RTFx על H200 יחיד עם הסקה באצווה. יש דוח טכני ב-arXiv ופוסט בבלוג של Hugging Face, והתוצאות הוגשו ללוח מובילים ציבורי שמציג אותן.

• Ming-3.0-asr-tiny — 3.55 CER ממוצע במערכי נתונים ציבוריים בסינית, 3.99 WER ממוצע במערכי נתונים ציבוריים באנגלית, 8.42 בחמישה עשר מערכי ניבים, 1.67 בחמישה תחומים פנימיים, 4.36 במדד מצטבר של Context-ASR. כל זה קיים כתמונות PNG בכרטיס מודל. אין דוח טכני, אין הגשה ללוח דירוג, ואין סקריפט הערכה במאגר.

כדאי לפתוח את פוסט הבלוג הזה מאותה סיבה שכדאי לפתוח את כרטיס המודל: זהו השביל שלמינג אין. IBM פרסמה מאמר מתוארך, דוח טכני ורשומה בלוח דירוג, ואת טענת התפוקה במאמר ניתן לבדוק מול תצורת האצווה שהוא מתאר.

האסימטריה הזו אינה פגיעה במספרים של Ming; היא אמירה על מה שאפשר לבדוק. כל אחד יכול להריץ מחדש את נתוני Open ASR של Granite מתוך נתונים ציבוריים בתוך אחר צהריים אחד. כדי להריץ מחדש את אלה של Ming יש לשחזר את ערכות הבדיקה שלה, ובכללן חמישה תחומים פנימיים שהרכבם אינו מפורסם.

עוד אי-סימטריה, והיא בכיוון ההפוך: שני המודלים אינם חולקים אפילו סט הערכה אחד. הגרפים של Granite הם באנגלית בלבד, ומכסים את LibriSpeech, AMI, Earnings-22, GigaSpeech, SPGISpeech, TED-LIUM ו-VoxPopuli. הממוצע האנגלי של Ming מבוסס על LibriSpeech, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English ו-VoxPopuli — עם חפיפה בשניים מתוך חמישה, ובשיטת צבירה שונה. קורא שרוצה לדעת "איזה מדויק יותר באנגלית" לא יקבל תשובה מאף אחד מהספקים, משום שאף אחד מהם לא שאל את השאלה.

למהירות יש כאן שתי משמעויות שונות.

‏12,600 ה-RTFx של IBM הוא נתון תפוקה באצוות: אודיו שמוזרם דרך GPU בכמות גדולה, יותר משלוש וחצי שעות דיבור לכל שניית מחשוב. זהו הנתון הנכון לתמלול ארכיון, והוא כמעט חסר משמעות עבור מיקרופון חי. IBM אכן מספקת סטרימינג — הדגמת WebGPU בדפדפן, קשב מבוסס מקטעים (chunkwise attention), ונתיב MLX עבור Apple Silicon — אבל נתון הכותרת מתאר את מקרה האצווה.

Ming אינה מפרסמת RTFx כלל. מה שהיא מפרסמת הוא גודל: 17.7 GB של משקולות BF16 ומפענח אוטורגרסיבי עם 128 מומחים. הלולאה של טוקן אחר טוקן היא מודל העלות. כל שנייה נוספת של אודיו משמעה יותר צעדי פענוח, וכל צעד פענוח נוגע בהחלטת ניתוב בין 128 מומחים. זו הסיבה המבנית לכך שמודל קטן פי 19 מסוג מקודד בלבד הוא זה שעליו נשענת טענת התפוקה, וזה לא צריך בנצ'מרק כדי להיות נכון.

ההשלכה המעשית היא שאלה לא מתחרים על אותה פריסה. Granite Speech 5.0 470M TurboCTC מיועד לשבת על מחשב נייד, טלפון או H200 בודד שמעבד ארכיון פודקאסטים. Ming-3.0-asr-tiny זקוק ל-GPU CUDA, ל-PyTorch 2.11.0, ל-torchaudio 2.11.0, ל-Transformers 5.12.1, ל-fla-core 0.5.2 ול-trust_remote_code=True, ולמתאם SGLang נפרד המוצמד לקומיט ספציפי אם ברצונך להגיש אותו. אחד מאלה הוא רשימת תלויות שאפשר לשלב במוצר.

היכולת ש-Granite ויתר עליה כדי להגיע לשם

תכנון המבוסס על מקודד בלבד קונה מהירות וגודל, ו-IBM גלויה לגבי המחיר. הבלוג שלה מציין שמודלי 5.0 מוותרים על יכולות שהיו לגרסאות המצוידות ב-LM, ומציין תרגום דיבור והטיית מילות מפתח. השנייה היא המעניינת, משום שהטיית מילות מפתח היא בדיוק מה ש-Ming מכנה Context ASR ומתייחס אליה כתכונת הדגל שלה.

מינג מקבל רשימת מילות מפתח או את תור הדיאלוג הקודם כחלק מהפרומפט לתמלול, והדוגמה של הספק עצמו מאלפת: קליפ אודיו שבו שם הסרט 同囚 יוצא בתור 同球 במסלול הרגיל, ובצורה נכונה ברגע שמספקים את הנושא ואת רשימת מילות המפתח. הכרטיס מקפיד לציין שמילות מפתח הן רמזים ולא הבטחות, וזו המסגור הכנה — הטיה משנה הסתברות, היא אינה כופה פלט.

ל-Granite Speech 5.0 470M TurboCTC אין מקבילה. אין פרומפט, אין שדה הקשר, אין רשימת שמות לספק, כי אין מודל שפה שעליו אפשר להתנות. אם השמע שלכם צפוף בשמות מוצרים, שמות תרופות או שמות משפחה ממסד נתוני לקוחות, למודל יש בדיוק כלי אחד: מה שהוא למד באימון. התשובה של IBM לקטגוריה הזו של בעיות היא מחברת לכוונון עדין על הנתונים שלכם, וזה תהליך עבודה אחר עם עלות אחרת.

כיסוי השפות פועל באותו אופן. Granite הוא אנגלית, ומוצהר כשפה הנתמכת היחידה, לאחר שאומן על כ-60,000 שעות אודיו באנגלית בעשרה ימים על שמונה H100s. Ming הוא סינית ואנגלית עם חמישה-עשר מערכי בדיקה של ניבים סיניים אזוריים הכוללים קנטונזית, מינאן ושאנגחאית, וממוצע ניבים של 8.42 שהתרשימים של Ming מציבים לפני כל קו בסיס פתוח שהוא מפרט.

לבחור ביניהם

אם השמע שלך באנגלית והבעיה שלך היא היקף — הקלטות שיחות, ארכיונים, תמלולי פגישות, כל דבר שבו העלות לשעה גוברת על הנקודה האחרונה של הדיוק — Granite Speech 5.0 470M TurboCTC הוא נקודת התחלה הגיונית יותר, והעובדה שהוא פועל בכימות דרך סביבת ריצה מקורית ב-C++ ללא Python היא יתרון פריסה ששום היקף כיסוי של ניבים סיניים לא מפצה עליו.

אם האודיו שלך הוא במנדרינית או בניב אזורי, או אם בעיית הדיוק היא בשמות פרטיים שאתה יכול לרשום מראש, Ming-3.0-asr-tiny הוא היחיד מבין השניים שמטפל בכך, והוא עושה זאת עם ארכיטקטורה שנבנתה לכך ולא עם fine-tune שהולבש בדיעבד. הוא גם בן חמישה ימים עם 35 הורדות, כלומר תהיה בין הראשונים לגלות איך הוא נכשל.

יש מקרה שלישי שראוי לציין: אתם רוצים את שניהם, ואתם רוצים לדעת מי מנצח בתעבורה שלכם. זו בעיית הניתוב ש-OrcaRouter נבנה עבורה. אף אחד מהמודלים האלה לא מתארח שם — Ming-3.0-asr-tiny ו-Granite Speech 5.0 470M TurboCTC הם שניהם משקלים פתוחים באירוח עצמי — אבל אותה נקודת קצה שמשרתת את המודלים המאורחים שלכם יכולה לשרת מסלול ASR מועמד, עם מעבר כשל אוטומטי כך שבקשה שנכשלה נופלת חזרה למודל הקיים במקום להיחשף למשתמש, ומפתח יחיד לכל יותר מ-200 מודלים כך שההשוואה לא תדרוש חוזה שני.

מה שאף אחד משני הספקים לא הראה לך

אף גורם בלתי תלוי לא דירג את שני המודלים. הנתונים של Granite נמצאים לפחות בלוח מובילים ציבורי שגם צוותים אחרים מגישים אליו, כלומר אפשר להתווכח עליהם; הנתונים של Ming נמצאים בארבעה קובצי PNG שעדיין נערכו בשעות אחר הצהריים של יום פרסומם. אף אחד מהכרטיסים אינו מתעד חותמות זמן ברמת המילה או הפרדת דוברים, ולכן כל צינור עיבוד שזקוק לתזמון נמצא מחוץ לתחום עבור שניהם — הכרטיס של Granite מתאר פלט תמלול פשוט, והערות השימוש של Ming אומרות במפורש שהפלט הוא טקסט תמלול ללא חותמות זמן ברמת המילה או הפרדת דוברים.

את ההשוואה שבאמת תכריע את העניין לא יכול להריץ אף אחד משני הספקים. היא דורשת קורפוס אחד, זוג שפות אחד, סקריפט ניקוד אחד, ואת שני המודלים על אותו GPU. עד שמישהו יפרסם אותה, ההצהרה היחידה שאפשר להגן עליה היא זו שהארכיטקטורות כבר קובעות: מודל תערובת מומחים אוטורגרסיבי הגדול פי תשעה עשר אינו מתחרה במודל CTC מבוסס מקודד בלבד בכל הנוגע לתפוקה, ואילו למודל CTC מבוסס מקודד בלבד אי אפשר לומר אילו מילים לצפות.