Ming-3.0-audio-flash vs InternLumina U2：静かな二隻の船、正反対の書類仕事

これらのモデルはいずれもプレスリリースなしで公開され、類似点はおおよそそこまでだ。Ming-3.0-audio-flashは2026年9月3日に259 GBの重みとしてHugging Faceに公開され、ドキュメントはほとんどなく、正式なモデルカードが付いたのは10月19日になってからだった。InternLumina-U2は逆の順序だった。上海人工智能实验室は2026年9月1日に推論コードとプロジェクトページを公開し、重みを約束し、後になってハードウェア別のフォルダーで配布した。一方のチームは成果物を先に公開し、説明は6週間後だった。もう一方は説明を先に書き、成果物を待たせた。どちらも何も告知せず、どちらにも独立したベンチマークはなく、どちらも他方の代替にはならない。片方は聴き、もう片方は見て描く。 このような比較の背景にある、文書化されたAI障害や静かなリリースの事例は、OrcaRouter AI Incident Archiveに集められており、各項目には独自の出典、深刻度、信頼度グレード、異議ありフラグが付いている。

これは、一度に二つのことを比べる比較になる。オープンなマルチモーダルモデルが何のためにあるのかについての二つの異なる賭けと、それを公開する際の二つの異なる習慣だ。後半は聞こえ以上に有用だ。なぜなら、書類が、火曜日にそのものをデプロイできるかどうかを教えてくれるからだ。以下のすべては、二つのリポジトリとそのカードに基づいている。Mingの数値はinclusionAI自身のものであり、InternLuminaの数値はShanghai AI Labのもので、そのカード自体が「暫定的で部分的な結果」と記している。どちらも第三者による評価は受けていない。

2つのリリースタイムラインを並べて表示

日付はここで得られる最も客観的な証拠なので、まずそこから始めてください。

• 2026年9月1日 04:03 UTC — GitHubリポジトリInternLM/InternLumina-U2が作成される。13分後、同名のHugging Faceリポジトリが現れ、.gitattributesとREADMEのスタブが置かれる。その日のリリースはコードである。タスクごとにセクションが分かれた1本のドライバスクリプト、英語と中国語のREADME、そしてロードマップ。

• 2026年9月3日 11:45および11:49 UTC — inclusionAIがMing-3.0-audio-tinyとMing-3.0-audio-flashをHugging Face上で作成。9分後、25個のシャードがflashリポジトリに到着した。それらに付属していたREADMEは「Ming Audio V3」と題され、ASR経路のみを説明していた。

• 2026年10月13日から19日 — Mingリポジトリは7日間で4回変更されます。コンテキストを8,192から131,072に引き上げる設定、動画言語バリアントを削除する再アップロード、音声プリセットフォルダー、そして最後にカード、アセット、MITライセンスへの再ライセンスです。inclusionAI/Ming-3.0-audio-flashは10月15日にGitHubに登場します。

• 2026年9月24日以降のいつか — internlm/InternLumina-U2はHugging Face上でスタブではなくなり、2つのチェックポイントツリー、ascend/とnvidia/を備えるようになります。それぞれ7シャードで、ストレージ総量は約67.6 GB、ハードウェアツリーあたり約33.8 GBです。リポジトリの最終更新日は9月24日でした。モデルカードの書き換えも、数値入りのベンチマーク表も、テクニカルレポートもありません。

パターンは逆転しており、実際的な帰結もまた逆転している。Mingの重みは、設定ファイルを読む気さえあれば誰でも9月初旬から実行可能だったが、そのドキュメントは存在しなかった。InternLuminaのドキュメントは初日から存在していたが、重みは存在せず、そして届いたときにはモデルカードが約束していた比較表が付いていなかった。

各モデルが実際に何をするために作られているか

Ming-3.0-audio-flashは、音声言語ネイティブのMixture of Expertsです。総パラメータ数は1,260億、推論ステップごとに65億がアクティブで、音声エンコーダーとプロジェクターが、512個の専門家を持ちトークンごとに8個がアクティブな42層のバックボーンに供給します。語彙は157,184トークンで、Whisperスタイルの音声タワーは32層、幅1,280、128メルビンです。入力は音声とテキスト指示です。出力はテキスト、または、中国語の声を内蔵しリポジトリ内に2つの参照クリップを持つオプションのTalkerモジュールを通じたテキストと合成音声です。宣言されているコンテキストは128Kで、カードのサービングプロファイルはテンソル並列の80 GB H800 8台です。

InternLumina-U2は、160億パラメータのスパース混合エキスパート（MoE）で、アクティブは10億。自己回帰型ではなく拡散言語モデルとして構築されており、トークンを左から右へ出力するのではなく、系列全体を並列に洗練する。その視覚表現は完全に離散である。AppleのATokenトークナイザーによる視覚トークンの8つのコードブックを使い、入力側では位置ごとに1つのバックボーントークンへ連結し、出力側ではコードブックごとに予測する。この設計の狙いは統合にある。テキスト質問応答、画像理解、画像編集、テキストからの画像生成、動画理解、3D理解のすべてが、LLaDA-2.0拡散バックボーン上で同じ語彙と同じ重みを通して実行される。

2つの説明を合わせて読むと、比較は一つの文に集約される。Ming-3.0-audio-flash は、非常に大規模で一つのモダリティを深く扱うスペシャリストだ。InternLumina-U2 は、総パラメータ数では小規模で、五つのことをそつなくこなそうとするジェネラリストだ。どちらの設計も他方の妥協ではなく、異なる問いへの答えである。

それぞれをトークンに変換すること、そこが本当の違いです

パラメータ数だけを見れば、Mingはそのモデルの8倍だと結論づけるだろう。その解釈はどちらの方向にも誤っており、理由はそれぞれが公開しているインターフェースにある。

• 入力 — Ming-3.0-audio-flash：音声とテキスト。InternLumina-U2：テキスト、画像、動画フレーム、3Dアセット。

• 出力 — Ming-3.0-audio-flash：テキスト、任意で音声。InternLumina-U2：テキスト、画像、編集済み画像；音声なし、動画なし、3D生成なし。

• デコーディング — Ming-3.0-audio-flash：157,184トークンの語彙に対する自己回帰。InternLumina-U2：離散マルチコードブック視覚語彙に対するブロック拡散。

• 総パラメータ数とアクティブパラメータ数 — Ming-3.0-audio-flash: 合計126B、アクティブ6.5B。InternLumina-U2: 合計16B、アクティブ1B。

• ディスク上の重み — Ming-3.0-audio-flash: 約259 GB（25シャード、加えてTalkerとVAE）。InternLumina-U2: リポジトリ内で67.6 GB、それぞれ7シャード、約33.8 GBの2つのハードウェアツリーに分割。

• ライセンス — 理念としてはどちらもMITに近いが、実際には異なる：Ming-3.0-audio-flash はそのカードによれば MIT、InternLumina-U2 はそのリポジトリとカードによれば Apache-2.0。

• 独立評価 — どちらもなし。

ハードウェア、そこが両者が最も大きく異なる点だ

InternLumina-U2の最も興味深いエンジニアリング上の主張はアーキテクチャではなく、バックエンドに関する話だ。リポジトリにはAscendツリーとNVIDIAツリーの両方が含まれており、ラボはトレーニング、評価、推論をHuawei NPUとNVIDIA GPUの両方に適応させ、両者間でオペレータレベルの数値アラインメントを行ったと述べている。調達が非NVIDIAアクセラレータを経由する者にとって、これは真の差別化要因であり、ファイルツリーで確認できる。すなわち、それぞれ独自の設定、トークナイザー、並列プランを持つ2つの完全なチェックポイントディレクトリだ。

Ming-3.0-audio-flashにはそのような話はありません。そのリファレンスプロファイルは80 GBのH800を8基使用するもので、検証済みの代替はテキストのみを返す4GPUのSGLangプロファイルです。リポジトリにNPUの経路はなく、合計9.3B・アクティブ2.7Bの小さな兄弟モデルが、ノードを確保できない人にとっての答えです。

現代的に言えば、どちらのモデルも pip インストールではなくデプロイメントプロジェクトです。InternLumina 自身の資料は、生成パスが標準ではないことを明言しています。ブロック拡散の generate API は Transformers の generate インターフェースではなく、AToken トークナイザーは FlashAttention を要求し、3D パイプラインはトークン化の前に Blender 4.5 が GLB アセットをビューにレンダリングすることを前提としています。Ming のパスはより一般的です — AutoProcessor と AutoModelForCausalLM を trust_remote_code=True で使います — ただしメモリの下限は 8 倍高くなります。

ベンダーの数字が語るもの、そして語れないもの

どちらの表も他方と比較することはできない。なぜなら、2つのモデルは単一のベンチマークすら共有していないからだ。これは言い逃れではない。それが証拠の正直な姿なのだ。

inclusionAIの評価画像では、Ming-3.0-audio-flashは中国語ASRの平均エラー率3.45、英語平均3.69、方言平均9.40、MMAR 74.40、BigBenchAudio 99.40を報告している。同じ画像は、このモデルが劣る点も示している。AMI話者分離エラーは25.29で、MiMo-V2.6 Proの11.16に対して不利であり、長尺音声のChainスコアは12.31で、Qwen3.8-Omni Flashの34.54に対して低い。テキストベンチマークはこのモデルカードで最も弱い部分だ——GPQA Diamond 82.45、MMLU-Pro 80.00、IFBench 59.00——これは、6.5Bアクティブの音声特化モデルが文章で推論するよう求められたときの姿である。

InternLumina-U2のモデルカードは、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、GenEval 0.81を報告している。しかし、それは自らの主張を損なっている。プロジェクトページ自身の表では、LLaDA2.0-UniがGenEval 0.89を示しており、それを上回ると主張するモデルよりも優れている。カードの目立つ注意書き「暫定的で部分的な結果です。完全な比較表は今後のテクニカルレポートに掲載されます」は、今日でも依然として当てはまる。テクニカルレポートは存在しない。

併せて読むと、その2組の数値は相補的な強みと一つの共通する弱点を表している。どちらも、それを訓練した研究室の外の誰によっても再現されていない。

どれを、どの読者に向けて？

製品に音声が関わる場合——方言カバレッジ付きの会議文字起こし、コールセンター音声、音声回答、吹き替え——Ming-3.0-audio-flash は2つのうち該当する唯一のモデルであり、正直に言えば、これほど具体的な方言の数値が公開されている同クラスのオープンウェイトモデルは他にありません。ノード1台を前提に計画するか、小型の兄弟モデルから始めて長尺音声のスコアが劣る点を受け入れるかしてください。

画像が関わる製品——文書読み取り、チャートQA、編集、3Dアセット記述、あるいは読み取りと描画の両方を行う単一モデル——を手がけているなら、当てはまるのはInternLumina-U2だけであり、NVIDIAを買わないのであればAscendツリーは検討に値する確かな理由になる。トークナイザーとの格闘を覚悟せよ。

両方が必要なら、あなたは2つのモデルを動かしていることになり、興味深い問いは運用面に移ります。2つのチェックポイント、2つのツールチェーン、2組のライセンス条件、そして1つのマルチモーダル製品です。これが2026年後半におけるオープンウェイト作業の通常状態であり、ルーティングが存在する理由でもあります。

ルーティング層（狭義）

OrcaRouterはどちらのチェックポイントも提供していません。Ming-3.0-audio-flashとInternLumina-U2はどちらも自分で実行するオープンウェイトモデルであり、当社のカタログには含まれておらず、当社のAPI呼び出しに現れることもありません。当社が提供するのはその周辺のテキスト処理です。画像編集指示を枠づけるプロンプト、Mingの文字起こしを構造化ノートに変える要約器、入力アセットを2つのモデルのどちらに送るべきか判断する分類器です。

最後の部分こそ、名指しする価値のあるものです。音声と画像の両方を扱うパイプラインは、最終的にルーティングの判断を伴います — 音声はMingノードへ、画像はInternLuminaノードへ — そしてその判断は、ほかのどれとも同じモデル呼び出しです。それを200以上のモデルを0%のマークアップで使える単一のAPIの背後に置くことで、プロバイダーの定価がそのまま通り、ディスパッチャーをほかのすべてと同じキーに保てます。自動フェイルオーバーもここでは重要です。ただし、それはセルフホスト型チェックポイントのためではなく、それらに供給する分類ステップのためです。ルーターのモデルが劣化しているなら、フォールバックは壊れたパイプラインではなく、別のモデルであるべきです。

そのどれもが259 GBのチェックポイントをホスト型サービスにするわけではなく、そうだと示唆するのは誤解を招きます。

次に見るもの

Ming-3.0-audio-flash について足りないのは、リポジトリ内のライセンスファイル（現在 MIT はカードのメタデータ内にある）と、音声言語パス向けのサービング統合です。vLLM-Omni は前世代の Ming をサポートしており、7.9B TTS model 向けのオープンなプルリクエストがありますが、126B リーダー向けにマージされたものはありません。InternLumina-U2 について足りないのは、技術レポートと、それが約束する完全な表です。それまでは、LLaDA2.0-Uni に対する GenEval の行が、誰でも確認できる唯一のモデル間比較であり、それは新しいモデルに有利ではありません。

両方のリリースに共通する点は、どちらのギャップよりも有用だ。有能な2つのラボが、本格的なオープンウェイトのマルチモーダルモデルを公開しながら、誰にも知らせなかった。それはモデルが悪いという兆候ではない。リリース告知が任意になり、リポジトリが今や主要な情報源になったという兆候だ。それを読め。