AuK-Flash vs MathForm-8B：Qwenの頭脳を借りた二つの静かな専門家

AuK-FlashとMathForm-8Bは、どちらの研究室もおそらく気づいていないほど多くの共通点を持つ。そして、その共通点はどちらもが担うタスクそのものではない。MathForm-8BはOpenBMBの8B自動形式化モデルであり、Qwen3-8BのApache-2.0ファインチューンとして、自然言語の数学をコンパイラが検証可能なLean 4ステートメントに変換する。AuK-FlashはTencentの蒸留音声モデルであり、音声合成・編集のためのMITライセンスの拡散生成器で、音を生成する前に命令をQwen2.5-Omni-3Bエンコーダーに通す。一方は散文の数学を証明検証可能な形式テキストに変換し、他方はテキストと命令を音声に変換する。両者は正反対の方向から同じアーキテクチャ戦略を共有している。どちらも汎用の言語脳をゼロから訓練するのではなく、既存のオープンモデルをラップし、実際の労力を出力モダリティに注いでいる。両者の公開方法も同じだった。Hugging Faceに重みを静かにアップロードし、プレスリリースは一切出さなかった。そしてどちらも、フロンティアモデルのベンチマークでは捉えられない、まさに狭く特化したセルフホスト型リリースなのである。

それらを結びつけるパターン

2つのリリースの軌跡を並べて見ると、ほぼ鏡写しのような形をしている。TencentのAuK-FlashリポジトリはHugging Face上では8月21日付（姉妹モデルのAuK baseは8月18日付）。オープンソースの発表——コード、重み、デモリンク——が行われたのは今週に入ってからで、Hugging Faceのカードでは9月7日付、リンク先のGitHubリポジトリでは9月9日付となっている。OpenBMBのMathForm-8Bリポジトリは8月14日に登場したが、発表は一切なかった。どちらのケースでも、モデルカード自体がローンチであり、重みは寛容なライセンスのもとでゲートなしに公開され、試せるホスト型APIもない——チェックポイントをダウンロードし、自分が管理するハードウェアで実行するしかない。何を採用するか決めようとしている読者にとって、この共通した形状はドメインの違いよりも重要だ。どちらも、範囲を厳密に絞ったオープンモデルが、汎用モデルがうまくカバーできないニッチに応えられるという賭けであり、どちらも、ベンダーが提供しなかった評価をユーザー自身が担うことを求める。

正直なスコアボード

2つのモデルはどのベンチマークでも重なっていないため、スコアボードはランキングというより、2つの異なる賭けを描き出したものである。出典はどの行でも重要である — AuK-Flashの主張は数日前のTencentカード上の記述であり、再現されていない；MathForm-8Bの数値はOpenBMBがarXiv 2608.14221から報告したものであり、これも再現されていない:

• 概要 — AuK-Flash：Tencentの約1.5B規模の音声生成・編集モデルで、4ステップ拡散 variant に蒸留されたもの。MathForm-8B：OpenBMBの8Bオートフォーマライザーで、インフォーマルな数学をLean 4に変換する。

• 出力 — AuK-Flash: 24 kHz オーディオ — 音声、編集済み音声、分離されたソース。MathForm-8B: ヘッダーと名前付き定理を備えた Lean 4 ステートメント。

• 構築 — AuK-Flash: 固定NFE 4 / CFG 0に蒸留された拡散トランスフォーマーで、命令エンコーダーとしてQwen2.5-Omni-3Bを使用。MathForm-8B: 約367KサンプルのFormalVerseデータセットでSFT、続いてRLによりファインチューニングされたQwen3-8B。

• 入力言語 — AuK-Flash：中国語と英語（モデルカードによる）。MathForm-8B：英語（数学の問題文のレジスター）。

• リリース — AuK-Flash: リポジトリは8月18日/21日、オープンソース発表は9月7〜9日。MathForm-8B: リポジトリは8月14日、執筆時点で発表なし。

• 証拠 — AuK-Flash: カードの能力リスト以外にはまだありません。MathForm-8B: ベンダー報告では、構文チェックで Pass@8 88.06%、整合性チェックで 72.37%、厳格な整合性セットでは FATE-H 63%、FATE-X 37%。

6行のスコアボード：両者ともオープンウェイトのスペシャリストで、Qwenの頭脳を借りており、独立したエビデンスは薄い——違いはリリースの仕方ではなく、作るものにある。

AuK-Flash: 専門家の出力としての音声

AuK-Flashが「借りた頭脳」を持つという主張は、比喩ではなく文字どおりの事実である。Tencentが公開するチェックポイントに含まれるのは、拡散トランスフォーマーとレイヤー融合の重みだけだ。実際に指示を理解するモデルであるQwen2.5-Omni-3Bは別途ダウンロードし、実行時に読み込む。潜在表現を24kHzの波形に戻すBigVGANFlowVAEも同様である。つまりTencentが訓練したのは言語モデルではなく、条件付きフローマッチング生成器だ。Qwenエンコーダーから得た意味的プランを受け取り、わずか数ステップで音声を生成する。AuK-Flashは、その生成器を4ステップに蒸留したバージョンであり、そのリポジトリ（BF16のFlashチェックポイント約6.1GB＋637MBのVAE）にはCLI、Pythonエンジン、Gradioノード、ComfyUIノード、ファインチューニング用スクリプトが同梱されている。音声モデルとしては機能リストも広い。ゼロショットTTSと指示型TTS、内容・歌詞の編集、ピッチ・速度・音量と感情・音色の変更、訛りの除去、ウィスパー変換、音声強調、音源分離まで、すべて中国語と英語に対応した単一の自然言語指示インターフェースで操作できる。各機能が説明どおりに動作するかはTencentの外部では未検証だが、「理解する小型Qwen」と「音を生成する蒸留拡散モデル」というアーキテクチャの主張は、リポジトリ自体に現れている。

tencent/AuK-Flashリポジトリページ — 蒸留された4ステップ音声モデル用のMITライセンス weights。Qwen2.5-Omni-3BエンコーダーとVAEは、実行時に別々のファイルから読み込まれます。

MathForm-8B: 専門家の出力としての形式証明

MathForm-8B は、同じパターンを1つ隣のドメインに当てはめたものです。OpenBMB は Qwen3-8B（119言語で学習された汎用モデル）を採用し、その全能力を、自然言語の問題から導出される Lean 4 の定理文という、ただ一つの出力形式に注ぎ込みました。FormalVerse での教師ありファインチューニング（SFT）段階は、非形式的表現から形式的表現へのマッピングを学習させます。続く強化学習（RL）段階は、Lean コンパイラの判定に照らしてこれを磨き上げます。そのため、このモデルがあいまいな品質スコアではなく、構文チェック下での Pass@8 と、より厳格な意味整合性チェック下でのパス率を報告するのは、このためです。ベンダー公称値は strong で、6つのベンチマークで88.06％と72.37％を記録し、論文記載の7B〜32B規模の専用ベースラインを上回りますが、その再現性は AuK-Flash の主張と同様に未確認です。リポジトリは Apache-2.0 で提供され、Transformers、vLLM、または SGLang 経由で利用できます。その代償として、Qwen3-8B で知られる機能を実質的にすべて放棄しています。すなわち、119言語対応の汎用チャットはなく、Lean 向け出力予算は約16Kトークンに制限され、形式化以外の能力は文書化されていません。

openbmb/MathForm-8Bリポジトリ — 自動形式化器用のApache-2.0ウェイトで、ベースモデルとしてQwen3-8Bを記載しています。これがMathForm-8Bの公開情報のすべてです。

検証は、どちらのベンチマークも捉えていないテーマである。

2つの出力を並べてみると、不思議な対称性が浮かび上がる。MathForm-8Bの設計全体が存在するのは、自然言語による数学には正しさのシグナルがなく、Leanコンパイラがそれを提供するからだ。つまり、モデルは実際に感知できる合否の判定に対して訓練される。AuK-Flashの領域にも同じ問題があるが、解決策は異なる。「このクリップは、咳を除去した上で、ささやき声の話者の声に聞こえるか」に答えるコンパイラは存在しないため、合否のシグナルは人間の耳だ。どちらの総合ベンチマークもそれを測定しない——テキスト上のEloや合成音声の品質スコアは、その専門モデルの中核的な約束（検証済みLean、または編集・複製可能な音声）があなたのワークフローで成立するかについてほとんど教えてくれない。実際的な帰結として、両モデルはベンダーが評価できなかった方法で評価されなければならない。MathForm-8Bは出力をLeanで実行し、AuK-Flashは自分のデータで出力を聴くのだ。誰かがそれを行うまで、両カードの見出し的な主張は結果ではなく方向性にすぎない。

それぞれが誰向けか、そして誰が待つべきか

・ワークロードが形式化の段階で完了する場合——問題バンクの変換、Leanコーパスの構築、証明自動化への投入——そしてこの規模で最強のオープンな専門モデルを求めるなら、MathForm-8Bを選びましょう。これは汎用モデルではないので、形式化ステップの周辺処理を担う汎用モデルと組み合わせてください。

• オーディオで終わるワークロード、つまりテキストを読み上げる音声、編集する録音、分離するミックスを扱い、かつ生成と編集を1つの操作として扱うオープンモデルが必要な場合は、AuK-Flashを選択してください。その横にはQwenエンコーダー用の予算と、ご自身でのリスニングテスト用の予算も計画してください。

• 実績がありサポートされたインフラが必要なら、両方とも待つべきだ。どちらにも独立した結果はなく、ホスト型APIもなく、登場から数日から数週間しか経っていない。盗むべきパターンはアーキテクチャにある。すなわち、小さな借りた言語ブレインと専門特化の出力ヘッドの組み合わせは、完全な汎用モデルを訓練・反復するよりはるかに低コストであり、そのパターンは、この2つのチェックポイントを実行するかどうかに関わらず、自分のファインチューニングに取り入れることができる。

この2つのリリースはまた、ルーティングレイヤーが混在スタックにおいてその存在価値を示す理由を物語っています。パイプラインが汎用推論モデルから、こうした専門モデルへと切り替わる場合、ルーターの要点は、アーキテクチャを単一の答えに固定しないことです。200以上のモデルにわたる単一のAPI、プロバイダーが劣化した場合の自動フェイルオーバー、そしてプロバイダーの定価を0%マークアップでそのまま通すことにより、汎用モデルはデフォルトの経路に保ちつつ、それを必要とするリクエストのサブセットに対してのみ専門モデルを呼び出し、より優れたモデルが登場したその日に専門モデルを交換できるのです。

念頭に置くべき比較は、AuK-Flash対MathForm-8Bではない——その2つが同じリクエストで競合することは決してない。重要なのは、フロンティア汎用モデルだけが実行に値する唯一のモデルだという前提に対して、この2つが立ち向かう構図だ。音声編集と検証済み形式化はどちらも、頭脳を借りた小規模で特化したオープンモデルが、その問題に向けられたことのないはるかに大規模なモデルを打ち負かせる領域であり、これはまさにTencentとOpenBMBの両社が発表した賭けであると同時に、まさにいまだ独立した証明を必要としているものでもある。