Ming-3.0-audio-flash vs MiniCPM-V 4.7：聴くモデルとポケットに収まるモデル

どちらかを選ぶなら、Ming-3.0-audio-flashとMiniCPM-V 4.7 35B-A3Bの判断は、通常重視するどの軸でも接戦ではない。なぜなら両者は同じ枠を争っていないからだ。一方は1260億パラメータの音声言語の専門家混合モデル（アクティブ65億）で、inclusionAIが2026年9月3日にアップロードし、6週間後に文書化したもので、リファレンス構成では80 GBのGPUを8基必要とする。もう一方は352億パラメータの疎な視覚言語モデルで、OpenBMBが2026年10月6日の夕方にモデルカードを一切付けずにHugging Faceへ投入し、10月12日にカードを公開したものだ。iPhone 17 Pro Max上で約3 GBのメモリを使い、毎秒13トークン超でデコードすると主張している。一方は耳を傾けてラックに収まり、もう一方は見て手のひらに収まる。両者を同じページで扱う価値があるのは、どちらも同じ6週間のうちに中国のラボによって静かに出荷され、どちらもオープンウェイトであり、アーキテクチャに枠を1つしか持たないチームによって評価されている点だ。このような比較の背景にある、文書化されたAIの障害やデプロイ時のインシデントはOrcaRouter AI Incident Archiveに収集されており、各エントリには独自の出典、重大度、信頼度グレード、異議ありフラグが付いている。

まず判断ルールを先に示し、その根拠を後に示す。入力が音声——通話、会議、方言、音楽、検証が必要な生成ナレーション——であれば、起動できるのはこれらのモデルのうち一方だけだ。入力が画像、文書、グラフ、スクリーンショット、動画のフレームであれば、起動できるのはもう一方だけだ。両者が重なるのは両方を処理するパイプラインであり、そのパイプラインでは両者は二つの候補ではなく二つの段階である。以下の数値はすべてベンダー報告である。inclusionAIのものは自社の評価画像から、OpenBMBのものは10月12日に公開されたカードから得られたもので、いずれも第三者による再現はされていない。

それぞれが拒むこと

違いを一番早く把握する方法は、各モデルが受け付けない項目を列挙することです。なぜなら、スペック表はこの点を隠すように書かれているからです。

• Ming-3.0-audio-flash は何も見ません。入力は音声とテキスト指示であり、リポジトリには画像エンコーダーがなく、設定にもビジョンタワーがなく、10月15日の再アップロードで動画言語バリアントとそのパッチトークンが削除されたため、動画経路もありません。フレームが重要な場合でも、このモデルにはそれが見えません。

• MiniCPM-V 4.7 35B-A3B は何も聴きません。image-text-to-text とタグ付けされており、そのプロセッサは画像と動画フレームを処理しますが、70.4 GB の重みのどこにも音声タワーも ASR 経路も TTS ヘッドも存在しません。WAV ファイルは、このモデルが表現を持っている入力ではありません。

• Ming-3.0-audio-flash は、画像、編集、または3Dアセットを生成しません。テキスト以外のオプション出力は音声であり、組み込み音声と参照音声を備えたTalkerモジュールを通じて行われます。

• MiniCPM-V 4.7 35B-A3B は話しません。ページを読み取り、テキストで答えます。音声化するには別の音声合成器を後付けすることになりますが、それは別の製品判断です。

それがこの比較の全体像だ。文脈、スパース性、ライセンス、ハードウェア——それ以外のすべては、モダリティの集合が交わらないという事実に比べれば二次的なものである。

スパース性を実現する2つの大きく異なる方法

両モデルは mixture-of-experts（混合エキスパート）設計だが、その言葉は正反対のエンジニアリング上の賭けを隠している。

Ming-3.0-audio-flash がスパースなのは、それが巨大だからです。42 層、隠れサイズ 2,560、512 エキスパートでトークンごとに 8 個を選択、総パラメータ 126B、アクティブ 6.5B に加え、Whisper スタイルの音声エンコーダが 32 層、幅 1,280、128 メルビンあります。スパース性は、そうでなければ学習も提供も不可能なモデルにスループットをもたらします。ただし、小型化をもたらすわけではありません。25 個の bfloat16 シャードに Talker と VAE のペアを加えると、ディスク上でおよそ 259 GB になり、ベンダーの 128K サービングプロファイルは、8 台の 80 GB H800 にまたがるテンソル並列です。

MiniCPM-V 4.7 35B-A3B がスパースなのは逆の理由からだ。352億個の保存パラメータを、トークンごとに256個中8個へルーティングし、40層超のテキスト層では線形注意3層につきフル注意1層というパターンを採用し、その背後に隠れサイズ1,152の27層ビジョンタワーを備え、これをテキストスタックの6層目に挿入する。この設計に付随する主張は、クラスタ上のスループットではなく、スマートフォン上での実用性だ。OpenBMBのLookahead Expert Schedulingは、次の層が必要とするエキスパートを予測して先読みし、そのロードを計算と重ね合わせる。これは、ボトルネックがデータセンターのFLOPsではなく携帯端末のメモリ帯域幅であるときにしか思いつかない類の工夫だ。

• 総パラメータ数 — Ming-3.0-audio-flash 126B、MiniCPM-V 4.7 35B-A3B 35.2B。

• アクティブパラメータ — 約3Bに対して6.5B（256個のエキスパートのうち8個＋共有エキスパート）。

• コンテキスト — 262,144 に対して 131,072 トークン。

• ディスク上の重み — 16シャード全体で70.4 GBに対して約259 GB。

• 参照ハードウェア — 80 GB H800 8台に対して、iPhone 17 Pro Maxは毎秒13+トークン、約3 GB

• ライセンス — MIT 対 Apache-2.0、いずれもそれぞれのカードに明記されています。

中国語の作品が実際に異なるのはどこか

両モデルは中国のラボによって開発されており、どちらも中国語に最も強みを持つが、得意とする分野は異なっており、そのことはベンダーの比較表から異例なほど明確に読み取れる。

Ming-3.0-audio-flash は、音声が難しくなるまさにその領域で最も強みを発揮する。自社の評価用画像では、中国語ASRの平均エラー率3.45、方言平均9.40（広東語4.09、上海語11.15、福建語12.84、湖北語9.46、湖南語8.76）を報告しており、これは方言平均で48.41というGemini 3.8 Flashの参照値と対比される。同じ画像では、話者ダイアリゼーション（AMI 25.29、MiMo-V2.6 Proは11.16）と長尺音声推論（Chainスコア12.31、Qwen3.8-Omni Flashは34.54）で後れを取っていることが示されている。したがって正直に読み解けば、訛りのある音声の文字起こしには優れているが、誰が話したか、その録音が何を意味するのかを割り出すのは並程度だということになる。

MiniCPM-V 4.7 35B-A3B は、中国語の高密度視覚処理で最も強く、OCRBench 91.20、OCRBench_v2 68.47、OmniDocBench v1.6 94.24、CCOCR 81.14、MMMU 80.22、MathVista 88.00、CharXiv reasoning 75.60、TextVQA 84.99 を記録しています。これらはすべて OpenBMB 自身のチャートによるもので、いずれも未再現であり、いくつかの行は 35B クラスの Qwen および Gemma モデルをわずかな差で上回ると記されています。ビジョンタワーの 4x/16x 混在トークンダウンサンプリングがその仕組みです。16x は速度のためにトークンを統合し、4x は細部のために 4 倍多くのトークンを保持します。また、この設定は processor と generate() の両方に渡さないと、両者が食い違います。

したがって、中国語対応能力における重なりは狭く、しかし現実のものである。音声メモが添付されたスキャン済みの中国語文書は2つのモデルを要する問題であり、どちらのモデルも残り半分を処理できない。

どちらかを本番環境に導入するのにかかるコスト

これらは比較できる数字ではなく、そうでないふりをするのが、この種の論考にありがちな失敗だ。

Ming-3.0-audio-flash はノードを 1 つ消費する。80 GB の H800 を 8 基使う構成が、ベンダーが 128K コンテキスト向けに示すプロファイルだ。検証済みの SGLang 代替構成は GPU 4 基を使い、テキストのみを返す。総パラメータ数 9.3B、アクティブ 2.7B の兄弟モデル Ming-3.0-audio-tiny は大型カード 1 枚に収まるが、同じ表で公表されている数値は一貫して劣る — long-audio Chain は 10.56 対 12.31、LongAudioSpan は 35.45 対 41.12、URO-Bench-Pro は 54.15 対 81.92 — したがって、これはより安価な製品ではなく、別の製品だ。

MiniCPM-V 4.7 35B-A3Bは、スマホ1台分、GPU1枚分、あるいはユーザーがデバイスを持ち込むならまったくコストがかからない。Mingにはない活発なエコシステムを備えている。数日以内に公開されたGGUF、FP8、int4、GPTQ、AWQの各バリアント、DSparkの投機的デコーディング用ドラフトモデル、llama.cppとOllama、さらにvLLMとSGLangでのサポート、メインリポジトリでの76,000ダウンロードと1,000を超えるいいね。他の点がどうであれ、これはほかの人々がすでに動かしているモデルだ。

その採用数の差は、この記事の中で意思決定に最も関係する事実であり、品質とは何の関係もありません。76,000回ダウンロードされているモデルには、すでにあなたのバグに遭遇したコミュニティがあります。22回ダウンロードされているモデルには、リポジトリとカードがあるだけです。

では、彼らはどこで会うのですか？

まさに一つのアーキテクチャで言えば、聴くことと見ることの両方が必要なアプリケーションです。明白な例は、サポートまたはコンプライアンスのパイプラインです。方言話者による標準中国語の通話録音、発信者がアップロードしたスキャン済みフォーム、そしてその両者を結びつける必要がある要約です。Ming は音声を文字起こしし、音声に関する質問に答えます。MiniCPM はフォームを読み取り、フィールドを抽出します。どちらも相手の担当部分をこなすことはできず、両者をつなぐのはテキストです。

その結合こそ、ほとんどのチームが過小評価している部分だ。オープンウェイトのチェックポイントが2つあるということは、ライセンスレビューが2回、デプロイの話が2つ、障害モードが2つ、そしてどの文書をどこへ送るかを決めるためのモデル呼び出しがあと1回増えるということだ。Mingの経路は trust_remote_code=True を指定したTransformersと、数百ギガバイト単位のメモリ下限であり、MiniCPMのそれはラップトップ上の量子化ファイルだ。同じパイプラインの両半分の間にある運用上の対比は、大半の競合モデル間の対比よりも大きい。

ルーティング層とその限界

OrcaRouterはどちらのチェックポイントもホストしていません。どちらも自分で実行するオープンウェイトであり、当社のカタログには含まれていません。また、ここにあるどの文もエンドポイント提供の申し出として読むべきではありません。ルーターが実際に担うのは、それらをつなぐ部分です。すなわち、受信したアセットが音声か画像かを判断して適切なノードへ送る分類器、抽出の枠組みを定めるプロンプト、2つの出力を1つのレポートに統合する要約機能です。

これらは通常のテキスト呼び出しであり、それらを200以上のモデルを0%のマークアップで利用できる単一のAPIの背後に置く理由は単純です — プロバイダーの定価がそのまま適用されるため、ベンダーの値下げは当日にこちら側でも反映され、3つの契約ではなく1つのキーで済みます。ルーティングDSLは、この特定の問題に適合する部分です。音声用のブランチと画像用のブランチを持つパイプラインは、モデルの問題である前にルーティングの問題であり、自動フェイルオーバーは、分類モデルが一時的に不調になってもディスパッチャーを稼働させ続けます。これは、チェーン内で失うわけにはいかない唯一の呼び出しです。

限界も同じくらい単純だ。ルーティングによって259 GBのチェックポイントがホストされるわけではなく、スマートフォンサイズの視覚モデルがASRシステムになるわけでもない。

短いバージョン

Ming-3.0-audio-flashはより野心的なモデルであり、今日ではより使いにくいものでもある。同クラスで公開数値を伴うものの中では中国語の方言音声認識が最も優れているが、独立した検証はなく、サービング統合はマージされておらず、GPUノードなしでは誰にも手が届かないハードウェア要件がある。MiniCPM-V 4.7 35B-A3Bはより完成度の高い製品だ。モデルカード、量子化版、フレームワーク対応、真に目新しいオンデバイス向けの構想、そしてコミュニティがある。ただし視覚モデルでもあるため、もう一方が存在する理由であることはできない。

モダリティで選べば、比較は30秒で済む。野心で選べば、野心的なほうのダウンロード数が22回だと気づくまでに1か月かかる。