Ming-3.0-audio-flash לעומת InternLumina U2: שתי ספינות שקטות, ניירת הפוכה
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 9 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 122 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 · 313 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 · 43 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 826 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 · 48 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 92 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
שני המודלים האלה פורסמו בלי הודעה לעיתונות, ובערך שם נגמר הדמיון. Ming-3.0-audio-flash הועלה ל-Hugging Face ב-3 בספטמבר 2026 בתור 259 GB של משקולות עם כמעט בלי תיעוד, וקיבל כרטיס מודל אמיתי רק ב-19 באוקטובר. InternLumina-U2 עשה את הדרך ההפוכה: Shanghai AI Laboratory פרסמה את קוד ההסקה ועמוד פרויקט ב-1 בספטמבר 2026, הבטיחה את המשקולות, וסיפקה אותן מאוחר יותר בתיקיות מותאמות לחומרה. צוות אחד העלה קודם את הארטיפקט, ואת ההסבר רק שישה שבועות לאחר מכן. האחר כתב קודם את ההסבר וגרם לכם לחכות לארטיפקט. אף אחד מהם לא הכריז על דבר, לאף אחד מהם אין בנצ'מרק עצמאי, ואף אחד מהם אינו תחליף לאחר — האחד שומע, האחר רואה ומצייר. הכשלים המתועדים של AI ותקריות של שחרור שקט שמאחורי השוואות כמו זו נאספים ב-OrcaRouter AI Incident Archive שבו כל ערך נושא את המקורות שלו, חומרה, דרגת מהימנות וסימון שנוי במחלוקת.
זה הופך את זה להשוואה בין שני דברים בעת ובעונה אחת: שתי הימורים שונים על מה מיועד מודל מולטימודלי פתוח, ושתי הרגלים שונים של שחרור אחד כזה. המחצית השנייה שימושית יותר מכפי שהיא נשמעת, מפני שהמסמכים הם מה שאומר לך אם אפשר לפרוס את הדבר ביום שלישי. כל מה שלהלן מגיע משני המאגרים ומהכרטיסים שלהם. המספרים של Ming הם של inclusionAI עצמה; אלה של InternLumina הם של Shanghai AI Lab, והכרטיס שלה עצמו מתייג אותם כ"תוצאות ראשוניות, חלקיות". אף צד שלישי לא דירג אף אחד מהם.
שני לוחות הזמנים של השחרור, זה לצד זה
התאריכים הם הראיות האובייקטיביות ביותר הזמינות כאן, לכן התחילו מהם.
• 1 בספטמבר 2026, 04:03 UTC — מאגר GitHub InternLM/InternLumina-U2 נוצר. שלוש עשרה דקות לאחר מכן מופיע מאגר Hugging Face באותו שם, המכיל .gitattributes ושלד README. השחרור באותו יום הוא קוד: סקריפט דרייבר אחד עם סעיף לכל משימה, README באנגלית ובסינית, ומפת דרכים.
• 3 בספטמבר 2026, 11:45 ו-11:49 UTC — inclusionAI יוצרת את Ming-3.0-audio-tiny ואת Ming-3.0-audio-flash ב-Hugging Face. תשע דקות לאחר מכן נוחתים 25 שברים במאגר ה-flash. קובץ ה-README שהגיע איתם נקרא "Ming Audio V3" ותיאר רק את מסלול ה-ASR.
• 13 עד 19 באוקטובר 2026 — מאגרי Ming מתעדכנים ארבע פעמים בשבעה ימים: קונפיג שמעלה את ההקשר מ-8,192 ל-131,072, העלאה מחדש שמסירה את גרסת הווידאו-שפה, תיקיית פריסטים קוליים, ולבסוף הכרטיס, הנכסים ורישוי מחדש תחת MIT. inclusionAI/Ming-3.0-audio-flash מופיע ב-GitHub ב-15 באוקטובר.
• מתישהו אחרי 24 בספטמבר 2026 — internlm/InternLumina-U2 ב-Hugging Face מפסיק להיות שלד ומקבל שני עצי checkpoint, ascend/ ו-nvidia/, שבעה שברים בכל אחד, כ-67.6 GB של אחסון בסך הכול, בערך 33.8 GB לכל עץ חומרה. המאגר נערך לאחרונה ב-24 בספטמבר. אין שכתוב כרטיס, אין טבלת benchmark עם מספרים, אין דוח טכני.
הדפוס הפוך, וגם ההשלכה המעשית הפוכה. המשקלים של Ming ניתנים להרצה מאז תחילת ספטמבר בידי כל מי שמוכן לקרוא קובץ תצורה; התיעוד שלו לא היה קיים. התיעוד של InternLumina היה קיים מהיום הראשון; המשקלים של InternLumina לא היו קיימים, וכשהם הגיעו, הם הגיעו בלי טבלאות ההשוואה שהכרטיס הבטיח.
מה כל מודל בנוי לעשות בפועל
Ming-3.0-audio-flash הוא מודל תערובת מומחים נייטיבי לאודיו-שפה: 126 מיליארד פרמטרים בסך הכול, 6.5 מיליארד פעילים בכל שלב הסקה, מקודד אודיו ומקרן המזינים עמוד שדרה בן 42 שכבות עם 512 מומחים ו-8 פעילים לכל טוקן, אוצר מילים של 157,184 טוקנים, ומגדל אודיו בסגנון Whisper עם 32 שכבות ורוחב 1,280 ו-128 סלי מל. הקלט הוא אודיו בתוספת הוראות טקסט. הפלט הוא טקסט, או טקסט בתוספת דיבור מסונתז דרך מודול Talker אופציונלי עם קולות סיניים מובנים ושני קטעי ייחוס במאגר. ההקשר המוצהר הוא 128K, ופרופיל ההגשה של הכרטיס הוא שמונה כרטיסי H800 בנפח 80 GB במקביליות טנסורית.
InternLumina-U2 הוא מודל sparse mixture of experts בן 16 מיליארד פרמטרים עם מיליארד פרמטרים פעילים, שנבנה כמודל שפה דיפוזי ולא אוטורגרסיבי — הוא משפר רצף שלם במקביל במקום לפלוט טוקנים משמאל לימין. הייצוג החזותי שלו בדיד לחלוטין: שמונה ספרי קוד של טוקנים חזותיים מטוקנייזר AToken של Apple, המשורשרים לטוקן backbone אחד לכל מיקום בצד הקלט ונחזים ספר קוד אחר ספר קוד בצד הפלט. המטרה של העיצוב הזה היא איחוד: מענה על שאלות בטקסט, הבנת תמונות, עריכת תמונות, יצירת תמונה מטקסט, הבנת וידאו והבנת תלת-ממד — כולם עוברים דרך אותו אוצר מילים ואותם משקלים, על גבי backbone דיפוזי LLaDA-2.0.
קרא את שני התיאורים יחד וההשוואה מתכנסת למשפט אחד. Ming-3.0-audio-flash הוא מומחה גדול מאוד שעוסק לעומק במודאליות אחת. InternLumina-U2 הוא גנרליסט קטן מבחינת סך הפרמטרים שמנסה לעשות חמישה דברים ברמה נאותה. אף אחד מהעיצובים אינו פשרה של האחר; הם תשובות לשאלות שונות.
הפיכת כל אחד מהם לטוקנים, וזה ההבדל האמיתי
אם תקראו רק את מספרי הפרמטרים, תסיקו שמינג גדול פי שמונה מהמודל. הקריאה הזו שגויה בשני הכיוונים, והסיבה היא הממשק שכל אחד מהם חושף.
• קלט — Ming-3.0-audio-flash: אודיו וטקסט. InternLumina-U2: טקסט, תמונות, פריימים של וידאו ונכסי תלת-ממד.
• פלט — Ming-3.0-audio-flash: טקסט, עם אפשרות לדיבור. InternLumina-U2: טקסט, תמונות, תמונות ערוכות; ללא אודיו, ללא וידאו, ללא יצירת תלת־ממד.
• פענוח — Ming-3.0-audio-flash: אוטורגרסיבי על אוצר מילים בן 157,184 טוקנים. InternLumina-U2: דיפוזיית בלוקים על אוצר מילים חזותי בדיד מרובה־ספרי־קוד.
• סך הפרמטרים לעומת פרמטרים פעילים — Ming-3.0-audio-flash: 126B סך הכול, 6.5B פעילים. InternLumina-U2: 16B סך הכול, 1B פעילים.
• משקלים בדיסק — Ming-3.0-audio-flash: כ-259 GB ב-25 שברים בתוספת Talker ו-VAE. InternLumina-U2: 67.6 GB במאגר, מפוצלים לשני עצי חומרה של שבעה שברים וכ-33.8 GB כל אחד.
• {{1}}רישיון{{/1}} — שניהם קרובים ברוחם ל-MIT, אך שונים למעשה: {{2}}Ming-3.0-audio-flash{{/2}} הוא MIT לפי הכרטיס שלו, {{3}}InternLumina-U2{{/3}} הוא Apache-2.0 לפי המאגר והכרטיס שלו.
• הערכה עצמאית — אין לאף אחד מהשניים.
חומרה, שזה המקום שבו השניים נבדלים בצורה החריפה ביותר.
הטענה ההנדסית המעניינת ביותר של InternLumina-U2 אינה הארכיטקטורה; היא סיפור ה-backend. המאגר כולל גם עץ Ascend וגם עץ NVIDIA, כאשר המעבדה מציינת שאימון, הערכה והסקה הותאמו גם ל-NPUs של Huawei וגם ל-GPUs של NVIDIA עם יישור נומרי ברמת אופרטור ביניהם. עבור כל מי שהרכש שלו עובר דרך מאיצים שאינם של NVIDIA, זהו בידול אמיתי וניתן לבדיקה בעץ הקבצים: שתי תיקיות checkpoint מלאות, כל אחת עם קונפיגורציה, tokenizer ותוכנית מקבילית משלה.
אין ל-Ming-3.0-audio-flash סיפור כזה. פרופיל הייחוס שלו הוא שמונה כרטיסי H800 של 80 GB; החלופה המאומתת שלו היא פרופיל SGLang עם ארבעה כרטיסי GPU שמחזיר טקסט בלבד. אין נתיב NPU במאגר, והאח הזעיר עם 9.3B פרמטרים בסך הכול ו-2.7B פעילים הוא התשובה לכל מי שלא יכול להקצות צומת שלם.
שני המודלים הם, במובן העכשווי, פרויקטי פריסה ולא התקנות pip. החומרים של InternLumina עצמה מבהירים במפורש שמסלול היצירה אינו סטנדרטי: ה-API של דיפוזיית בלוקים אינו ממשק ה-generate של Transformers, הטוקנייזר AToken דורש FlashAttention, והפייפליין התלת-ממדי מצפה ש-Blender 4.5 ירנדר נכסי GLB לתצוגות לפני הטוקניזציה. המסלול של Ming שגרתי יותר — AutoProcessor בתוספת AutoModelForCausalLM עם trust_remote_code=True — אבל רצפת הזיכרון גבוהה פי שמונה.
מה אומרים המספרים של הספק, ומה הם לא יכולים לומר
לא ניתן להשוות בין שתי הטבלאות, מפני ששני המודלים אינם חולקים ולו מבחן מידה אחד. אין זו התחמקות; זוהי הצורה הכנה של הראיות.
בתמונות ההערכה של inclusionAI, Ming-3.0-audio-flash מדווח על ממוצע ASR בסינית של שיעור שגיאה 3.45, ממוצע באנגלית של 3.69, ממוצע בניבים של 9.40, MMAR 74.40 ו-BigBenchAudio 99.40. אותן תמונות מראות היכן הוא מפסיד: שגיאת הדיאריזציה ב-AMI היא 25.29 לעומת 11.16 אצל MiMo-V2.6 Pro, וציון Chain באודיו ארוך של 12.31 לעומת 34.54 אצל Qwen3.8-Omni Flash. מבחני הטקסט שלו הם החלק החלש ביותר בכרטיס — GPQA Diamond 82.45, MMLU-Pro 80.00, IFBench 59.00 — וזה מה שנראה כמו מומחה אודיו עם 6.5B פרמטרים פעילים כשמבקשים ממנו לנמק בפרוזה.
כרטיס הדגם של InternLumina-U2 מדווח על ChartQA 86.52, CharXiv-DQ 83.65, MathVision 33.22, HallusionBench 62.15, VideoMME 51.26, MVBench 59.74, 3D MM-Vet 41.8, DPG-Bench 87.10 ו-GenEval 0.81 — ואז מחליש את עצמו, משום שהטבלה של עמוד הפרויקט עצמו מראה את LLaDA2.0-Uni ב-GenEval 0.89, טוב יותר מהמודל שטוען שהוא עולה עליו. ההסתייגות הבולטת של הכרטיס, "תוצאות ראשוניות, חלקיות. טבלאות השוואה מלאות יופיעו בדוח הטכני הקרוב", עדיין נכונה היום. אין דוח טכני.
שתי קבוצות המספרים, בקריאה משותפת, מתארות חוזקות משלימות וחולשה משותפת אחת: איש מחוץ למעבדה שאימנה אותו לא הצליח לשחזר אף אחד מהשניים.
איזה אחד, לאיזה קורא
אם המוצר שלכם כולל קול — תמלול פגישות עם כיסוי דיאלקטים, אודיו של מוקד טלפוני, תשובות מדוברות, דיבוב — Ming-3.0-audio-flash הוא היחיד מבין השניים שרלוונטי, ולמען האמת המודל היחיד במשקלים פתוחים בקטגוריה שלו עם נתוני דיאלקטים מפורסמים ספציפיים כל כך. תכננו על node, או התחילו עם האח הקטן וקבלו את ציוני האודיו הארוך החלשים יותר שלו.
אם המוצר שלך כולל תמונות — קריאת מסמכים, שאלות ותשובות על תרשימים, עריכה, תיאור נכסי תלת־ממד, או מודל יחיד שגם קורא וגם מצייר — InternLumina-U2 הוא היחיד שחל, ועץ Ascend הוא סיבה אמיתית לבחון אם אינך קונה NVIDIA. התכונן להיאבק בטוקנייזר.
אם אתה צריך את שניהם, אתה מריץ שני מודלים, והשאלה המעניינת הופכת לתפעולית: שני צ'קפוינטים, שתי שרשראות כלים, שתי מערכות של תנאי רישיון, מוצר מולטימודלי אחד. זהו המצב הרגיל של עבודה עם משקלים פתוחים בשלהי 2026, ולכן קיים ניתוב.
שכבת הניתוב, בניסוח מצומצם
OrcaRouter אינו מספק אף אחד משני הצ'קפוינטים. Ming-3.0-audio-flash ו-InternLumina-U2 הם שניהם מודלים בעלי משקלים פתוחים שאתם מריצים בעצמכם; אף אחד מהם אינו בקטלוג שלנו ואף אחד מהם לא יופיע בקריאה ל-API שלנו. מה שכן אנחנו מספקים הוא העבודה הטקסטואלית שמסביב: הפרומפט שממסגר הוראת עריכת תמונה, המסכם שהופך תמלול של Ming להערות מובנות, והמסווג שמחליט לאיזה משני המודלים נכס נכנס אמור להגיע.
החלק האחרון הוא זה שראוי לתת לו שם. פייפליין שמטפל גם בקול וגם בראייה מגיע בסופו של דבר להחלטת ניתוב — אודיו הולך לצומת Ming, תמונות לצומת InternLumina — וההחלטה הזו היא קריאת מודל כמו כל אחרת. הצבתו מאחורי API אחד ליותר מ-200 מודלים עם 0% תוספת מחיר, שבו מחיר המחירון של הספק עובר ישירות, משאירה את המנתב על אותו מפתח כמו כל השאר. מעבר אוטומטי לגיבוי חשוב גם כאן, לא עבור הצ'קפוינטים באירוח עצמי אלא עבור שלב הסיווג שמזין אותם: אם המודל של המנתב מדורדר, הגיבוי צריך להיות מודל אחר, לא פייפליין שבור.
שום דבר מזה לא הופך צ'קpoint של 259 GB לשירות מתארח, וזה יהיה מטעה לרמוז אחרת.
מה לצפות בהמשך
עבור Ming-3.0-audio-flash, החלקים החסרים הם קובץ רישיון במאגר (MIT נמצא כיום במטא-נתוני הכרטיס) ואינטגרציית שירות עבור מסלול השפה-שמע; vLLM-Omni תומך בדור Ming הקודם ויש לו בקשת משיכה פתוחה עבור מודל ה-TTS בגודל 7.9B, אבל דבר לא מוזג עבור קורא ה-126B. עבור InternLumina-U2, החלק החסר הוא הדוח הטכני והטבלאות המלאות שהוא מבטיח; עד אז, שורת ה-GenEval מול LLaDA2.0-Uni היא ההשוואה היחידה חוצת המודלים שאפשר לבדוק, והיא אינה לטובת המודל החדש יותר.
הדבר המשותף לשתי ההשחרורים שימושי יותר מכל אחד מהפערים. שתי מעבדות מוכשרות פרסמו מודלים מולטימודליים משמעותיים בפתוחי-משקולות ולא סיפרו לאיש. זה לא סימן שהמודלים גרועים — זה סימן שהכרזת ההשחרור הפכה לאופציונלית, ושהמאגר הוא כעת המקור הראשי. קראו אותו.
