Ming-3.0-audio-tiny לעומת Qwen-Audio 3.1: חלון שאפשר לעשות עליו חשבון, מול קטלוג שאי אפשר
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 9 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-17$0.15 / $0.60 לכל 1M טוקנים · 231 tok/s
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 95 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 787 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 40 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 832 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 52 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 119 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
הנה מספר שקל לבדוק וקשה להשתמש בו: עמוד השדרה הטקסטואלי שבתוך Ming-3.0-audio-tiny מוגדר ל-131,072 פוזיציות, ומגדל האודיו שלפניו מקבל 3,000 פריימים בכל פעם עם 128 תאי מל. Qwen-Audio 3.1, לעומת זאת, אינו מפרסם אורך הקשר כלל — לא באינדקס המודלים ולא בתיאורים בני שורה אחת המצורפים לשלושת מזהי המודל שלו. צד אחד מוסר לכם מספר ומשאיר לכם את הפרשנות; הצד האחר מוסר לכם שלושה שמות מוצרים ומשאיר את החומרה בידי Alibaba. אי-הסימטריה הזו היא כל ההשוואה, והיא אינה השוואה לגבי איזה מודל שומע טוב יותר. היא השוואה לגבי איזה מהם אפשר להעריך את הגודל מראש לפני שמוציאים כסף. הכשלים המתועדים של הבינה המלאכותית ותקריות הסוכנים שמאחורי מהדורות כמו זו נאספים בארכיון התקריות של OrcaRouter AI שבו כל רשומה נושאת את המקורות שלה, את חומרת האירוע, את דירוג הביטחון ואת סימון המחלוקת שלה.
תאריכים תחילה, כי למודל הזה יש כרונולוגיה מוזרה. המשקולות שמאחורי Ming-3.0-audio-tiny עלו ל-Hugging Face ב-3 בספטמבר 2026; המאגר נוצר ב-11:45 UTC ושתי חרזות ה-safetensors הגיעו ארבע דקות לאחר מכן. מה שהשתנה לאחרונה אינו ה-checkpoint. בין 16 ל-19 באוקטובר 2026 המאגר נכתב מחדש סביבו — קונפיגורציה שסוף סוף תיארה מודל אודיו ולא מודל וידאו-שפה, Talker לפלט דיבור, שני קטעי קול ייחוס עם תמלילים, שלושה פרופילי פריסה ב-GitHub, וב-19 באוקטובר בשעה 13:19 UTC, כרטיס המודל הראשון שהיה אי פעם למאגר. איש לא הודיע על כך. לכן השאלה ההוגנת אינה מה שיצא בספטמבר. היא מה אפשר לחשב כעת לגבי הרצתו, ומה הקטלוג של Alibaba מאפשר ומה אינו מאפשר לחשב לגבי החלופה.
הפיכת 131,072 טוקנים לדקות
המספר אמיתי וניתן לבדיקה, וזה יותר ממה שאפשר לומר על רוב טענות ההקשר. תצורת הטקסט מצהירה על max_position_embeddings 131,072, על קשב MLA עם לטנט KV ברוחב 512, ועל בסיס רוטרי של 6,000,000. אבל חלון הקשר בטוקנים נעשה שימושי רק כאשר יודעים כמה טוקנים עולה שנייה של אודיו, והספק אינו אומר. אפשר לגזור זאת מן המספרים של מגדל האודיו עצמו.
• קלט המקודד — 3,000 פריימים של 128 תאי מל, שהם אותו חלון של 30 שניות שבו Whisper משתמש בדילוג של 10 ms.
• דוגם מטה — גרעין [3,3,3] עם צעד [2,2,2], כך שחלון אחד מתכווץ פי שמונה.
• טוקנים לכל חלון — 3,000 חלקי 8, כלומר 375 טוקני אודיו לכ-30 שניות של צליל.
מה זה מרמז — 131,072 חלקי 375 הם בערך 349 חלונות, או קצת פחות משלוש שעות של אודיו, אם צינור העיבוד מזין זרם רציף יחיד במקום לבצע חציצה מחדש בין החלונות.
הסעיף האחרון הזה נושא משקל רב, ואני רוצה להיות מפורש לגביו. נתון שלוש השעות הוא חישוב אריתמטי של שני ערכי קונפיגורציה שפורסמו, לא טענת ספק, והוא יהיה שגוי אם המעבד מאפס את המיקום בין קליפים — וזה בדיוק מה שפרופיל שחזור ה-ASR מרמז כאשר הוא מגביל אודיו לקליפ אחד לכל פרומפט. התייחס לזה כגבול עליון לבדיקה, לא כמפרט לציטוט.
מה שאינו אריתמטיקה הוא השלכות הזיכרון. MLA מאחסן את ה-KV latent ולא מפתחות וערכים לכל ראש, וזו הסיבה שחלון של 131K הוא בכלל אפשרי על כרטיס אחד. פרופיל הטקסט المرجعי מקצה 0.92 מכרטיס GPU יחיד עם max_num_batched_tokens 32,768, וזו הקצאה בגודל של החלון המלא בתוספת אצווה גדולה, לא ערך רצפה. הסר את max_model_len וההקצאה יורדת יחד איתו. השברים של Thinker מסתכמים ל-17.74 GB, כך שכרטיס של 24 GB מחזיק את המשקלים עם מקום עודף.
הצד השני עונה על אותה שאלה באמצעות פיצול מוצר
אינדקס Model Studio של Alibaba מפרט את Qwen-Audio 3.1 כשלושה מזהי מודל ולא כמודל אחד עם שדה הקשר. qwen-audio-3.1-asr-flash-streaming ו-qwen-audio-3.1-asr-flash-filetrans נמצאים תחת זיהוי דיבור; qwen-audio-3.1-realtime-plus נמצא תחת דיבור לדיבור ומתואר כשיחת קול מקצה לקצה ללא קריאות ASR ו-TTS נפרדות. אין משקולות, אין מספר פרמטרים, אין אורך הקשר ואין מחיר בעמוד הזה. תיעוד הפרטים עבור כל מזהה לא נפתר בעת הבדיקה.
קִראו את הפיצול הזה כתשובה לבעיית האודיו הארוך, ולא כתוצר מקרי של אריזה. SKU לתמלול קבצים הוא הדרך שבה ספק מוכר שעת אודיו: אתם מעלים את הקובץ, השירות מפרק אותו למקטעים כרצונו, וחלון ההקשר הוא הבעיה ההנדסית של מישהו אחר. SKU לסטרימינג הוא הדרך שבה ספק מוכר שיחת טלפון. אף אחד מהשניים לא חושף את המספר ש-Ming חושף, מה שאומר שאי אפשר לבנות מודל קיבולת ל-Qwen-Audio 3.1 כפי שאפשר ל-Ming-3.0-audio-tiny. אפשר רק לבנות חשבון, וגם זה דורש את הקונסולה.
• מה ניתן לבדוק — Ming: קונפיגורציה, ארכיטקטורה, רישיון, ארבעה קובצי safetensors, שלוש תמונות בנצ'מרק, YAML לפריסה. Qwen: שלושה מזהים ומשפט אחד לכל אחד.
• מה ניתן להעריך — Ming: 17.74 GB של משקולות ו-GPU אחד לטקסט, שניים לדיבור. Qwen: לא ידוע עד שתקראו כרטיס תעריפים שאי אפשר לראות מכאן.
• מה אפשר לשמור במטמון — Ming: מטמון ה-KV שלך, ב-max_model_len שלך. Qwen: כל מה שנקודת הקצה עושה באופן פנימי, בלי שהוא נראה.
• מצב כשל — Ming: OOM שגרמת לו ואתה יכול לתקן. Qwen: מכסה, אזור או דף תיעוד שלא מחזיר דבר.
• רישיון — Ming: MIT, במטא-נתונים של הכרטיס וב-LICENSE של מאגר GitHub, אך שימו לב שמאגר Hugging Face אינו מכיל קובץ LICENSE משלו. Qwen: התנאים המסחריים של Model Studio, מכיוון שאין רישיון משקולות לקרוא.
שאלת הבנצ'מרק שאיש לא יכול לענות עליה בכנות
Ming-3.0-audio-tiny מגיע עם שלוש תמונות הערכה ב-assets/, וכל תא בהן הוא inclusionAI שמודד את inclusionAI. הכרטיס מסמן שורות שהוערכו עצמית בכוכבית ומודה שמודלי ההשוואה שוחזרו תחת הפרומפטים והגדרות הפענוח של עצמו. זהו גילוי נאות רגיל, וכדאי לקחת אותו כפשוטו: אלו יעדי תכנון, לא תוצאות.
בהשוואה הזו המספרים בעייתיים כפליים, משום שהעמודות השימושיות אינן אלה שמופיעות. בזיהוי סינית המודל הזעיר מגיע בממוצע ל-3.79 שגיאת תווים לעומת 3.45 אצל האח הגדול שלו, ובניבים 10.29 לעומת 9.40. באינטליגנציית אודיו הוא מפסיד קרקע ממשית — MMAU 75.90 לעומת 82.00, MMAU-Pro 56.42 לעומת 66.41, וקריסה באינטראקציה מדוברת ב-URO-Bench-Pro מ-81.92 ל-54.15. כל זה זעיר לעומת flash. דבר מזה אינו זעיר לעומת Qwen-Audio 3.1, משום ש-Qwen-Audio 3.1 לא פרסם ציון בר-השוואה ואין מערך מבחן משותף, אין תצורת פענוח משותפת, ואין צד שלישי שהריץ את שניהם.
יש פער שני שראוי להזכיר אותו בשמו, מפני שאפשר לבדוק אותו בעשר שניות. הכרטיס אומר שהנתונים המשותפים כוללים תוצאות עבור שתי גרסאות ה-Ming. זה נכון לגבי תמונת הזיהוי ותמונת הבינה הקולית. לתמונת בינת הטקסט יש ארבע עמודות, והמודל הזעיר אינו אחת מהן — העמודות שלה הן Ming-3.0-audio-flash, Qwen3.8-Omni Flash, Qwen3.5-Omni Plus ו-Qwen3.5-Omni Flash. אם השאלה שלך היא האם עמוד השדרה עם 2.7B פרמטרים פעילים יכול לקיים שיחת הסקה על אודיו, inclusionAI לא ענתה עליה בתמונה הזו, יהא אשר יהא המשפט שמעל לתמונה.
איך שתי הצורות נכשלות באופן שונה בשלוש שעות
אודיו ארוך הוא המקום שבו פיצול המוצר מפסיק להיות קוסמטי. נקודת ביקורת אחת עם חלון של 131K היא הבטחה שמודל אחד קורא את כל ההקלטה וזוכר את עשר הדקות הראשונות כשהוא מגיע לאחרונות. להבטחה הזו יש אופן כשל ספציפי: הכול נשחק יחד. אם האודיו עולה על גדות החלון, מפצלים אותו לגזרים, והפיצול הוא המקום שבו החשיבה החוצת-גזרים מתה בשקט — הדובר שהוצג בדקה השנייה הוא שוב זר בדקה הארבעים.
SKU לתמלול קבצים מסתיר את הבעיה הזו ויורש בעיה אחרת. אין לך שליטה על החלוקה למקטעים, ולכן אינך יכול לשחזר תמלול גרוע; אינך יכול לדעת אם השירות שמר על הקשר בין מקטעים או תפר חלונות עצמאיים; וכאשר הפלט משתנה בין שתי העלאות זהות, אין לך משתנה לבודד. ה-SKU להזרמה מצהיר על מגבלתו כבר בשם: הוא בנוי לפלוט פלט עם הגעת האודיו, וזו הצורה הנכונה לכתוביות והצורה השגויה לסקירת ציות של שיחה בת תשעים דקות.
אז ההחלטה אינה "מה מדויק יותר" — אף צד לא נתן לך מספר שיכריע את זה. היא "איזה כשל אני יכול לנפות". אם אתה צריך לשחזר תמלול בייט אחר בייט, קח בעלות על נקודת הבדיקה. אם אתה צריך תמלול בעוד עשרים דקות והביפר של מישהו אחר, שכור את ה-SKU.
היכן שהנתב מצדיק את עצמו בפייפליין הזה
OrcaRouter אינו מספק את Ming-3.0-audio-tiny. הוא לא נמצא בקטלוג שלנו ואיננו יכולים לתת לך נקודת קצה עבורו; שום דבר כאן אינו הצעה לכך. מה שנתב כן מגיע אליו הוא החלק בצינור עיבוד אודיו ארוך שאינו מודל האודיו: להחליט איזו הקלטה הולכת למודל המקומי 2.7B ואיזו למשהו גדול יותר, לכתוב את הסיכום מהתמלול, לחלץ את פריטי הפעולה, לתייג את השיחה. אלה קריאות טקסט, ויותר מ-200 מודלים מאחורי מפתח אחד הוא נתיב קצר יותר מארבעה חוזי ספקים — במחיר המחירון של הספק עם 0% תוספת, כך שכאשר ספק מוריד מחיר המחיר שאתה משלם משתנה באותו יום. מעבר אוטומטי לגיבוי חשוב כאן יותר מהרגיל: משימת תמלול שנכשלת בדקה השמונים של קובץ בן תשעים דקות צריכה לנסות שוב בנתיב שני, לא להתחיל מהתחלה.
כדאי לומר את הגבול הזה בקול רם. ראוטר מנתב שיחות. הוא לא הופך צ'קפוינט של 17.74 GB לנקודת קצה מתארחת, והוא לא אומר לך אם חלון ה-131K של Ming אמיתי. רק שעת אודיו משלך עושה את זה.
הניסוי שמכריע את העניין
קח הקלטה אחת שאתה כבר יודע את התשובה שלה — פגישה עם שלושה דוברים, שאחד מהם מחליף שפה באמצע משפט — והרץ אותה דרך שניהם. עבור Ming-3.0-audio-tiny, טען אותה עם trust_remote_code=True, השתמש בפרומפט ה-ASR שכרטיס הדגם מאמת (ציין את השפה, Tab, ואז את התעתיק — ה-Tab הזה הוא המפענח שלך), והגדר את max_model_len בדיוק לאורך שאתה צריך ולא לברירת המחדל. עבור Qwen-Audio 3.1, הרץ את אותו קובץ גם דרך ה-SKU של תעתוק קבצים וגם דרך ה-SKU בזמן אמת, כי אלה מוצרים שונים והם לא יסכימו ביניהם.
אז השווה שלושה דברים, שאף אחד מהם אינו ציון בנצ'מרק. האם המודל שמר על זהויות הדוברים לאורך כל הקובץ? האם הוא שרד את מעבר השפה בלי לתעתק? והאם תוכל להסביר את התוצאה מספיק טוב כדי לשנות משתנה אחד ולהריץ שוב? השאלה האחרונה היא זו שמכריעה אם אתה מעריך מודל או עושה אודישן לספק, והיא המקום היחיד שבו השניים לא קרובים.
