Ming-3.0-audio-flash לעומת Qwen3.8-Omni-Flash: הטבלה של הספק עצמו כבר בחרה מנצח

יש טבלת השוואה שמכריעה את רוב הוויכוח הזה, והיא פורסמה על ידי אחד משני הספקים. בתמונות ההערכה של inclusionAI עצמה עבור Ming-3.0-audio-flash, עמודת הייחוס היא Qwen3.8-Omni-Flash — מודל האומני הסגור של A​libaba, הפתוח ללקוחות API מאז 18 בספטמבר 2026 — והתוצאות נעות בשני הכיוונים. Ming מנצח בשורות הדיאלקט בהפרש ניכר ומפסיד בשורות החשיבה על אודיו ארוך בפי כמעט שלושה. זה שימושי באופן יוצא דופן, משום שזה אומר שהשאלה אינה "איזה מודל טוב יותר" אלא "איזה משני מצבי הכשל האלה עומס העבודה שלך יכול לסבול". Ming-3.0-audio-flash הוא צ'ק-פוינט אודיו-שפה של inclusionAI עם 126B סה"כ ו-6.5B פעילים, שהועלה ב-3 בספטמבר 2026 ותועד ב-19 באוקטובר; Qwen3.8-Omni-Flash הוא מודל מתארח, פולט טקסט בלבד, עם הקשר של מיליון טוקנים וללא משקלים. אחד בבעלותך, אחד בשכירות, והחוזקות המפורסמות שלהם לא חופפות הרבה. הכשלים המתועדים של בינה מלאכותית ומחלוקות בנצ'מרק ספקים שמאחורי השוואות כמו זו נאספים בOrcaRouter AI Incident Archive שבו כל רשומה נושאת את המקורות, חומרת הכשל, דירוג הביטחון ודגל המחלוקת שלה.

שתי דרכים לקרוא שעה של אודיו

שני המודלים מקבלים אודיו וטקסט ומחזירים טקסט. המשפט הזה נכון לגבי שניהם ומטעה לגבי שניהם, מפני שקנה המידה שבו הם פועלים שונה לחלוטין.

Qwen3.8-Omni-Flash מקבל קלט של טקסט, תמונות, אודיו ווידאו, מטפל בעד שעה של אודיו-וידאו רציף בקריאה אחת, נושא הקשר של מיליון טוקנים (קלט מקסימלי בסביבות 991K, פלט עד 131K עם תקציב חשיבה של 262K), ועונה רק בטקסט. מסגור ההשקה של אליבאבא היה חשבון ולא ציון: זול ב-98% לשעת קלט אודיו לעומת Qwen3.5-Omni-Plus, זול ב-93% לשעת אודיו-וידאו, כאשר נתוני השעה נגזרו מתמחור דגימה של שתי דקות והכפלה בשלושים, וידאו נדגם ב-720p ובקצב של פריים אחד לשנייה. התמחור הבינלאומי הוא $0.15 למיליון טוקני קלט, $0.016 למטמון, $0.47 לפלט.

Ming-3.0-audio-flash מקבל אודיו וטקסט כקלט, מחזיר טקסט או טקסט בתוספת דיבור דרך Talker אופציונלי, ומציע חלון הקשר של 128K — נתון שהתצורה שלו לא הצהירה עליו עד 13 באוקטובר, כאשר commit של קובץ אחד העלה את max_position_embeddings מ-8,192 ל-131,072. פרופיל ההגשה المرجعי שלו הוא tensor parallelism על פני שמונה כרטיסי H800 עם 80 GB, וההורדה היא בקירוב 259 GB. אין מחיר לפי טוקן כי אין endpoint.

אז היחידה של Qwen היא הקריאה; היחידה של Ming היא הצומת. זו ההחלטה הראשונה והיא בדרך כלל קובעת את כל השאר.

מה שאומרת הטבלה של inclusionAI עצמה, שורה אחר שורה

כל מספר בסעיף זה מגיע משלושת קובצי ה-PNG בתיקיית assets/ של מאגר Ming — ההרצה של inclusionAI עצמה, על ההרנס שלה עצמה, כאשר כוכביות מסמנות את השורות שהיא העריכה בעצמה. שום דבר מזה לא שוחזר. קראו זאת כספק שמתאר את עצמו בפומבי, וזה יותר ממה שרוב הספקים עושים.

• ממוצע ASR לסינית — Ming עם שיעור שגיאה של 3.45 לעומת Qwen3.8-Omni-Flash עם 3.54 ו-Gemini 3.8 Flash עם 9.83. ניצחון דחוק.

• ממוצע ASR באנגלית — 3.69 לעומת 4.02 ו-5.05. גם צר.

• ממוצע הניבים — 9.40 לעומת 11.58. רחב יותר, וזו הטענה המרכזית: קנטונזית 4.09 לעומת 4.76, שנחאית 11.15 לעומת 21.10, חונאן 8.76 לעומת 17.11, הוקיין 12.84 לעומת 26.32.

• חוביי — 9.46 לעומת 7.75. Qwen מנצחת בשורה הזו ו-inclusionAI הדפיסה אותה בכל זאת, וזו הסיבה העיקרית לסמוך על שאר הטבלה.

• דיאריזציית דוברים, AISHELL-4 — Ming 8.58 שיעור שגיאת דיאריזציה לעומת Qwen 2.80. ב-AMI, 25.29 עבור Ming לעומת 11.16 עבור MiMo-V2.6 Pro.

ציון Long-audio Chain — Ming 12.31 לעומת Q​wen 34.54, מצב החשיבה של Q​wen 48.70, ו-Gemini 3.8 Flash 49.63. זהו פער של פי ארבעה, והוא במדד שהספק בחר לפרסם.

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

• שורות כותרת של הסקה שמעית — Ming משיג 99.40 ב-BigBenchAudio ו-82.00 ב-MMAU; קריאה לכלים ב-BFCL-v3 Audio היא 81.40 לעומת 86.68 עבור Gemini 3.8 Flash.

התבנית אינה אקראית. Ming הוא החזק ביותר כאשר המשימה היא "מה בדיוק נאמר, כולל המבטא", והחלש ביותר כאשר המשימה היא "להחזיק הקלטה ארוכה בראש ולחשוב לאורכה". Qwen הוא ההפך: חלון של מיליון טוקנים ותקציב חשיבה הם בדיוק המכונות למשימה השנייה, ושום דבר בחומרי ההשקה שלו לא מרמז על כוונון לפי דיאלקט.

הטענה בדבר הניב היא כל התיק, והיא צרה יותר ממה שזה נשמע.

אם אתם לוקחים דבר אחד מטבלת הספקים, קחו את זה: הפער ששורד בדיקה הוא זיהוי דיבור סיני דיאלקטלי ובעל מבטא, לא בינה אודיו כללית. שאנגחאי ב-11.15 לעומת 21.10 הוא בערך חצי משיעור השגיאה. חונאן ב-8.76 לעומת 17.11 הוא בערך חצי. הוקיאן ב-12.84 לעומת 26.32 הוא בערך חצי. אלו דלתאות גדולות ועקביות לאורך חמש שורות דיאלקט, והן מסוג התוצאות שמגיעות מהחלטת אימון ולא מתעלול בנצ'מרק.

ההסתייגויות חשובות לא פחות מהמספרים. מערכי הבדיקה הם בחירה של הספק עצמו; הארנס הוא של הספק; ערכי הייחוס עבור Qwen3.8-Omni-Flash הופקו על ידי inclusionAI שהריצה את המודל של Alibaba, ולא על ידי Alibaba. מתחרה שמדרג מודל של יריב הוא נוהג מקובל, וזו גם התצורה שסביר ביותר שתייצר בטעות תוצאה מחמיאה. השורה היחידה שהולכת בכיוון ההפוך, חוביי, היא הראיה החזקה ביותר לכך שהטבלה לא סתם נערכה.

ופער האודיו הארוך פי ארבעה אינו שגיאת עיגול שאפשר לתכנן סביבה. אם עומס העבודה שלך הוא שיחת רווחים של תשעים דקות ואתה צריך סיכום עם הפניות צולבות, המספרים של Ming עצמו אומרים שמצב החשיבה של Qwen הוא הכלי הטוב יותר פי ארבעה במדד שמודד בדיוק את זה.

הזמינות קובעת יותר מאשר הבנצ'מרקים.

למודל Qwen3.8-Omni-Flash יש בית אחד: פלטפורמת Qianwen של A​libaba ו-A​libaba Cloud Model Studio, עם נקודות קצה נפרדות — בינלאומית ויבשתית — חיוב נפרד ומטבע נפרד. הוא עונה לבקשה בתצורת OpenAI, כך שרוב קוד הלקוח עובר התאמה, אך נקודת הקצה אינה ניידת ואין יעד למעבר כשל. לא שוחררו משקולות ולא הוכרזו כאלה. OrcaRouter אינו מגיש אותו.

ל-Ming-3.0-audio-flash אין נקודת קצה כלל. מדובר במשקולות ברישיון MIT עם כרטיס מודל, מאגר GitHub שנוצר ב-15 באוקטובר, קובצי YAML לפריסה עבור שלושה פרופילים, שני לקוחות לדוגמה ומדריך קולי בגודל 150 KB. פרויקט vLLM-Omni תומך בדור הקודם של Ming ויש לו בקשת משיכה פתוחה עבור מודל Ming TTS בגודל 7.9B, אך שום דבר לא מוזג עבור צ'קפוינט האודיו-שפה הזה; הנתיב המעשי היום הוא Transformers עם trust_remote_code=True, מה שמתאים להערכה אך דל מדי לשירות.

הציבו את שתי הפסקאות זו לצד זו והפשרה בולטת. Q​wen נותן לכם נקודת קצה לפרודקשן בלי גיבוי ובלי נראות. Ming נותן לכם צ'קפוינט עם נראות מלאה ובלי נקודת קצה. צוות עם צומת GPU ודרישת תאימות בוחר ב-Ming. צוות עם דדליין בוחר ב-Q​wen וסופג את הסיכון של מקור יחיד.

איך נראית דרך ביניים

קיימת אפשרות שלישית שאף אחד מהספקים אינו מתעד, וכדאי להבהיר אותה כי זה מה שרוב הצוותים עושים בפועל: להשתמש במודל המתארח לעבודה שהוא טוב בה יותר ובמשקולות הפתוחות לעבודה שהן טובות בה יותר, באותו פייפליין.

באופן קונקרטי — ארגון תמיכה שמטפל בשיחות במנדרינית עם דוברי דיאלקט. האודיו מגיע, ומסווג קל-משקל מחליט אם דיבור המתקשר הוא סטנדרטי או בעל מבטא כבד. אודיו סטנדרטי עובר ל-Qwen3.8-Omni-Flash לצורך סיכום בהקשר ארוך עם הסקה על השיחה כולה. אודיו עם מבטא עובר ל-Ming-3.0-audio-flash לצורך תמלול, והתמלול חוזר אל צינור הטקסט לצורך סיכום. אף אחד מהמודלים לא רואה את מלוא עומס העבודה; כל אחד מהם רואה את החלק שבו הוא מנצח.

הארכיטקטורה הזו דורשת יותר עבודה מאשר לבחור בספק אחד, והיא היחידה שמשתמשת בטבלת הספקים ביושר, כי הטבלה עצמה אומרת ששני המודלים נכשלים בקלטים שונים.

איפה OrcaRouter נמצא, בדיוק

איננו מספקים אף אחד משני המודלים האלה במאמר זה. Qwen3.8-Omni-Flash מתארח אצל Alibaba ואינו בקטלוג שלנו; Ming-3.0-audio-flash הוא עם משקלים פתוחים ואינו בקטלוג שלנו. קורא שנרשם בציפייה לאחד מהם יתאכזב, ולכן מוטב לומר זאת כאן ולא בסוף תיבת הרשמה.

מה שצינור הסיווג והסיכום שלמעלה צריך הוא בדיוק מה שנתב מספק: מפתח יחיד לצד הטקסט של השרשרת, כלל ניתוב ששולח אודיו סטנדרטי לכיוון אחד ואודיו עם מבטא לכיוון האחר, ונתיב גיבוי כאשר ספק מתדרדר. API אחד ליותר מ־200 מודלים בתוספת של 0% — מחיר המחירון של הספק מועבר הלאה כמו שהוא, כך שהורדת מחיר מצד ספק נכנסת לתוקף אצלנו באותו יום — הוא דבר קטן יותר לתפעול משלושה חוזים ושתי מערכות חיוב, ומעבר אוטומטי לגיבוי הוא התשובה לסיכון של מקור יחיד הנלווה לכל מודל omni מתארח. ה-DSL לניתוב הוא המקום שבו צינור דיבור דו-ענפי באמת בא לידי ביטוי. הוא אינו, ואינו יכול להיות, תחליף ל-checkpoint בגודל 259 GB.

לשני סוגי צוות

אם אתם בונים ברבעון הזה מוצר שכולל אודיו ואין לכם תקציב GPU, Qwen3.8-Omni-Flash היא התשובה, עם הסתייגות: אתם שוכרים מספק אחד, וכדאי לכתוב את הלקוח כך שה-endpoint יהיה ערך תצורה ולא קבוע. חלון ההקשר ותקציב החשיבה שלה גדולים באמת מכל מה שהחלופה בעלת המשקלים הפתוחים מציעה.

אם אתם בונים תשתית — שירות תמלול, צינור תאימות מקומי, כל דבר שבו נקודת קצה של ספק היא חבות ולא נוחות — ‏Ming-3.0-audio-flash היא האפשרות הפתוחה הרצינית, ונתוני הניבים הם הסיבה. תקצבו צומת, תקצבו חודש של אינטגרציה, וקראו את שורות הדיאריזציה לפני שמבטיחים למישהו תוויות דובר.

המסקנה הלא זוהרת היא ששני המודלים הם פחות יריבים ויותר חלוקת עבודה שאין לאף אחד מהספקים תמריץ לתאר. inclusionAI פרסמה את הטבלה שמראה זאת. זה שווה יותר מפוסט השקה.