Ming-3.0-audio-flash vs InternLumina U2: Dwa ciche statki, przeciwstawna dokumentacja

Oba te modele zostały opublikowane bez komunikatu prasowego i na tym mniej więcej kończy się ich podobieństwo. Ming-3.0-audio-flash pojawił się na Hugging Face 3 września 2026 r. jako 259 GB wag z niemal zerową dokumentacją, a prawdziwą kartę modelu otrzymał dopiero 19 października. InternLumina-U2 poszedł odwrotną drogą: Shanghai AI Laboratory opublikowało kod wnioskowania i stronę projektu 1 września 2026 r., obiecało wagi i udostępniło je później w folderach dostosowanych do konkretnego sprzętu. Jeden zespół najpierw wypuścił artefakt, a sześć tygodni później wyjaśnienie. Drugi najpierw napisał wyjaśnienie, a na artefakt kazał czekać. Żaden z nich niczego nie ogłosił, żaden nie ma niezależnego benchmarku i żaden nie zastępuje drugiego — jeden słyszy, drugi widzi i rysuje. Udokumentowane awarie AI i incydenty cichego wydawania, które stoją za takimi porównaniami jak to, są zebrane w OrcaRouter AI Incident Archive gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i oznaczenie sporności.

To sprawia, że jest to porównanie dwóch rzeczy naraz: dwóch różnych zakładów o to, do czego służy otwarty model multimodalny, i dwóch różnych nawyków wydawania takiego modelu. Druga część jest bardziej użyteczna, niż brzmi, bo to papiery mówią, czy możesz wdrożyć to coś w zwykły wtorek. Wszystko poniżej pochodzi z obu repozytoriów i ich kart modeli. Liczby Minga pochodzą od samego inclusionAI; liczby InternLuminy pochodzą od Shanghai AI Lab, a jej własna karta określa je jako „wstępne, częściowe wyniki”. Żadna strona trzecia nie oceniła żadnego z nich.

Dwa harmonogramy wydań, zestawione obok siebie

Daty to najbardziej obiektywny dowód, jaki tu mamy, więc zacznij od nich.

• 1 września 2026, 04:03 UTC — repozytorium GitHub InternLM/InternLumina-U2 zostaje utworzone. Trzynaście minut później pojawia się repozytorium Hugging Face o tej samej nazwie, zawierające .gitattributes oraz szkielet README. Wydanie tego dnia to kod: jeden skrypt sterujący z sekcją dla każdego zadania, README w języku angielskim i chińskim oraz plan działania.

• 3 września 2026, 11:45 i 11:49 UTC — inclusionAI tworzy Ming-3.0-audio-tiny i Ming-3.0-audio-flash na Hugging Face. Dziewięć minut później na repozytorium flash trafia 25 shardów. Dołączony do nich README nosił tytuł „Ming Audio V3” i opisywał wyłącznie ścieżkę ASR.

• od 13 do 19 października 2026 — repozytoria Ming zmieniają się cztery razy w ciągu siedmiu dni: konfiguracja, która podnosi kontekst z 8,192 do 131,072, ponowne wgranie, które usuwa wariant wideo-językowy, folder z presetami głosu, a na koniec karta, zasoby i ponowne licencjonowanie na MIT. inclusionAI/Ming-3.0-audio-flash pojawia się na GitHubie 15 października.

• Gdzieś po 24 września 2026 — internlm/InternLumina-U2 na Hugging Face przestaje być atrapą i zyskuje dwa drzewa checkpointów, ascend/ i nvidia/, po siedem shardów każde, około 67,6 GB pamięci łącznie, mniej więcej 33,8 GB na drzewo sprzętowe. Repozytorium zostało ostatnio zmodyfikowane 24 września. Bez przepisywania karty, bez tabeli benchmarków z liczbami, bez raportu technicznego.

Schemat jest odwrócony, a praktyczna konsekwencja również jest odwrócona. Wagi Minga można było uruchomić od początku września — wystarczyło, że ktoś zechciał przeczytać plik konfiguracyjny; jego dokumentacja nie istniała. Dokumentacja InternLuminy istniała od pierwszego dnia; jej wag nie było, a kiedy się pojawiły, pojawiły się bez tabel porównawczych, które obiecywała karta.

Do czego każdy model jest faktycznie stworzony

Ming-3.0-audio-flash to natywna mieszanka ekspertów audio-językowych: łącznie 126 miliardów parametrów, 6,5 miliarda aktywnych na krok wnioskowania, koder audio i projektor zasilające 42-warstwowy rdzeń z 512 ekspertami i 8 aktywnymi na token, słownik o rozmiarze 157 184 tokenów oraz wieża audio w stylu Whisper o 32 warstwach i szerokości 1280 z 128 przedziałami mel. Danymi wejściowymi jest audio plus instrukcje tekstowe. Danymi wyjściowymi jest tekst lub tekst plus mowa syntezowana przez opcjonalny moduł Talker z wbudowanymi głosami chińskimi i dwoma klipami referencyjnymi w repozytorium. Deklarowany kontekst wynosi 128K, a profil serwowania karty to osiem układów H800 o pojemności 80 GB w równoległości tensorowej.

InternLumina-U2 to rzadki model mieszaniny ekspertów o 16 miliardach parametrów, z 1 miliardem aktywnych parametrów, zbudowany jako dyfuzyjny model językowy, a nie autoregresyjny — udoskonala całą sekwencję równolegle, zamiast generować tokeny od lewej do prawej. Jego reprezentacja wizualna jest w pełni dyskretna: osiem codebooków tokenów wizualnych z tokenizatora AToken firmy Apple, łączonych w jeden token szkieletowy na pozycję po stronie wejścia i przewidywanych codebook po codebooku po stronie wyjścia. Sedno tego rozwiązania to unifikacja: odpowiadanie na pytania tekstowe, rozumienie obrazów, edycja obrazów, generowanie obrazów z tekstu, rozumienie wideo i rozumienie 3D — wszystko przebiega przez ten sam słownik i te same wagi, w oparciu o dyfuzyjny szkielet LLaDA-2.0.

Przeczytaj oba opisy razem, a porównanie sprowadza się do jednego zdania. Ming-3.0-audio-flash to specjalista, który jest bardzo duży i dogłębnie obsługuje jedną modalność. InternLumina-U2 to generalista, który pod względem łącznej liczby parametrów jest mały i stara się robić pięć rzeczy wystarczająco dobrze. Żaden z tych projektów nie jest kompromisem względem drugiego; są odpowiedziami na różne pytania.

Zamiana każdego z nich na tokeny — to jest prawdziwa różnica.

Gdybyś patrzył wyłącznie na liczbę parametrów, doszedłbyś do wniosku, że Ming to ośmiokrotnie większy model. Takie odczytanie jest błędne w obu kierunkach, a powodem jest interfejs, który każdy z nich udostępnia.

• Wejście — Ming-3.0-audio-flash: dźwięk i tekst. InternLumina-U2: tekst, obrazy, klatki wideo i zasoby 3D.

• Dane wyjściowe — Ming-3.0-audio-flash: tekst, opcjonalnie mowa. InternLumina-U2: tekst, obrazy, edytowane obrazy; bez dźwięku, bez wideo, bez generowania 3D.

• Dekodowanie — Ming-3.0-audio-flash: autoregresyjnie po słowniku liczącym 157 184 tokeny. InternLumina-U2: dyfuzja blokowa po dyskretnym wielokodeksowym słowniku wizualnym.

• Parametry całkowite a aktywne — Ming-3.0-audio-flash: 126B całkowitych, 6,5B aktywnych. InternLumina-U2: 16B całkowitych, 1B aktywnych.

• Wagi na dysku — Ming-3.0-audio-flash: około 259 GB w 25 shardach oraz Talker i VAE. InternLumina-U2: 67,6 GB w repozytorium, podzielone na dwa drzewa sprzętowe po siedem shardów i około 33,8 GB każde.

• Licencja — obie pod względem ducha bliskie MIT, ale w praktyce różne: Ming-3.0-audio-flash jest objęty licencją MIT zgodnie z jej kartą, InternLumina-U2 jest objęty licencją Apache-2.0 zgodnie z jego repozytorium i kartą.

• Niezależna ocena — brak dla obu.

Sprzęt — i to właśnie tutaj oba najbardziej się różnią.

Najciekawszym twierdzeniem inżynieryjnym InternLumina-U2 nie jest architektura; to opowieść o backendzie. Repozytorium zawiera zarówno drzewo Ascend, jak i drzewo NVIDIA, a laboratorium twierdzi, że trening, ewaluacja i wnioskowanie zostały dostosowane zarówno do NPU Huawei, jak i GPU NVIDIA, z wyrównaniem numerycznym na poziomie operatorów między nimi. Dla każdego, czyj proces zakupowy przechodzi przez akceleratory inne niż NVIDIA, to realny wyróżnik i można go sprawdzić w drzewie plików: dwa kompletne katalogi checkpointów, każdy z własną konfiguracją, tokenizerem i planem równoległości.

Ming-3.0-audio-flash nie ma takiego scenariusza. Jego profil referencyjny to osiem H800 80 GB; jego zweryfikowaną alternatywą jest profil SGLang na cztery GPU, który zwraca wyłącznie tekst. W repozytorium nie ma ścieżki NPU, a maleńki model siostrzany o łącznej liczbie 9,3 mld parametrów i 2,7 mld aktywnych jest odpowiedzią dla każdego, kto nie może przeznaczyć całego węzła.

Oba modele są, we współczesnym sensie, projektami wdrożeniowymi, a nie instalacjami przez pip. Materiały własne InternLuminy wyraźnie wskazują, że ścieżka generowania nie jest standardowa: API generate z dyfuzją blokową nie jest interfejsem Transformers, tokenizer AToken wymaga FlashAttention, a pipeline 3D oczekuje Blendera 4.5 do renderowania zasobów GLB do widoków przed tokenizacją. Ścieżka Minga jest bardziej konwencjonalna — AutoProcessor plus AutoModelForCausalLM z trust_remote_code=True — ale próg pamięci jest osiem razy wyższy.

Co mówią liczby dostawcy, a czego nie mogą powiedzieć

Nie można porównać żadnej z tych tabel z drugą, ponieważ te dwa modele nie mają ani jednego wspólnego benchmarku. To nie jest wymijanie; to uczciwy kształt dowodów.

Na obrazach ewaluacyjnych inclusionAI Ming-3.0-audio-flash podaje średni współczynnik błędu dla chińskiego ASR wynoszący 3.45, średnią dla angielskiego 3.69, średnią dla dialektów 9.40, MMAR 74.40 i BigBenchAudio 99.40. Te same obrazy pokazują, gdzie traci: błąd diaryzacji AMI 25.29 wobec 11.16 dla MiMo-V2.6 Pro oraz wynik Chain dla długiego audio 12.31 wobec 34.54 dla Qwen3.8-Omni Flash. Jego testy tekstowe są najsłabszą sekcją karty — GPQA Diamond 82.45, MMLU-Pro 80.00, IFBench 59.00 — co pokazuje, jak wygląda specjalista ds. audio z 6.5B aktywnych parametrów, gdy poprosi się go o rozumowanie w prozie.

Karta InternLumina-U2 podaje 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 i GenEval 0,81 — a potem sama sobie przeczy, ponieważ własna tabela na stronie projektu pokazuje LLaDA2.0-Uni z GenEval 0,89, lepiej niż model, który twierdzi, że go przewyższa. Główne zastrzeżenie z karty: „Wstępne, częściowe wyniki. Pełne tabele porównawcze pojawią się w nadchodzącym raporcie technicznym” — pozostaje prawdziwe do dziś. Raportu technicznego nie ma.

Odczytane razem, oba zestawy liczb opisują uzupełniające się mocne strony i jedną wspólną słabość: żadnego z nich nie odtworzył nikt spoza laboratorium, które go wytrenowało.

Który z nich, dla jakiego czytelnika

Jeśli Twój produkt obejmuje głos — transkrypcję spotkań z pokryciem dialektów, audio z centrów obsługi, odpowiedzi mówione, dubbing — Ming-3.0-audio-flash jest jedynym z tych dwóch, który ma zastosowanie, i szczerze mówiąc jedynym modelem z otwartymi wagami w swojej klasie z opublikowanymi tak konkretnymi liczbami dotyczącymi dialektów. Zaplanuj użycie węzła albo zacznij od małego odpowiednika i zaakceptuj jego słabsze wyniki dla długiego audio.

Jeśli Twój produkt obejmuje obrazy — czytanie dokumentów, odpowiadanie na pytania dotyczące wykresów, edycję, opisywanie zasobów 3D lub pojedynczy model, który zarówno czyta, jak i rysuje — InternLumina-U2 jest jedynym, który wchodzi w grę, a drzewo Ascend to prawdziwy powód, by się przyjrzeć, jeśli nie kupujesz NVIDIA. Przygotuj się na walkę z tokenizerem.

Jeśli potrzebujesz obu, uruchamiasz dwa modele, a ciekawe pytanie staje się operacyjne: dwa checkpointy, dwa łańcuchy narzędzi, dwa zestawy warunków licencyjnych, jeden produkt multimodalny. To normalny stan pracy z otwartymi wagami pod koniec 2026 roku i dlatego istnieje routing.

Warstwa routingu, ujęta wąsko

OrcaRouter nie udostępnia żadnego z tych checkpointów. Ming-3.0-audio-flash i InternLumina-U2 to oba modele z otwartymi wagami, które uruchamiasz samodzielnie; żaden z nich nie znajduje się w naszym katalogu i żaden nie pojawi się w wywołaniu naszego API. Zapewniamy natomiast otaczającą pracę tekstową: prompt, który oprawia instrukcję edycji obrazu, sumaryzator, który zamienia transkrypcję Ming w ustrukturyzowane notatki, oraz klasyfikator, który decyduje, do którego z tych dwóch modeli powinien trafić przychodzący zasób.

Ten ostatni element wart jest nazwania. Potok obsługujący zarówno mowę, jak i obraz ostatecznie podejmuje decyzję o routingu — dźwięk trafia do węzła Ming, obrazy do węzła InternLumina — a ta decyzja to wywołanie modelu jak każde inne. Umieszczenie jej za jednym API dla ponad 200 modeli przy 0% marży, w którym cena katalogowa dostawcy przechodzi bezpośrednio, utrzymuje dyspozytor na tym samym kluczu co wszystko inne. Automatyczne przełączanie awaryjne również ma tu znaczenie — nie dla samodzielnie hostowanych checkpointów, lecz dla kroku klasyfikacji, który je zasila: jeśli model routera jest zdegradowany, rozwiązanie awaryjne powinno być innym modelem, a nie zepsutym potokiem.

Nic z tego nie sprawia, że checkpoint o rozmiarze 259 GB staje się usługą hostowaną, a sugerowanie czegoś innego byłoby mylące.

Co obejrzeć dalej

Dla Ming-3.0-audio-flash brakującymi elementami są plik licencji w repozytorium (MIT obecnie znajduje się w metadanych karty modelu) oraz integracja serwowania dla ścieżki audio-językowej; vLLM-Omni obsługuje poprzednią generację Ming i ma otwarty pull request dla modelu TTS 7.9B, ale nic nie scalono dla czytnika 126B. Dla InternLumina-U2 brakującym elementem jest raport techniczny i pełne tabele, które obiecuje; do tego czasu wiersz GenEval w zestawieniu z LLaDA2.0-Uni jest jedynym porównaniem między modelami, które ktokolwiek może sprawdzić, i nie przemawia ono na korzyść nowszego modelu.

To, co łączy oba wydania, jest bardziej użyteczne niż którakolwiek z tych luk. Dwa zdolne laboratoria opublikowały pokaźne multimodalne modele z otwartymi wagami i nikomu o tym nie powiedziały. To nie jest oznaka, że modele są złe — to oznaka, że ogłoszenie wydania stało się opcjonalne, a repozytorium jest teraz głównym źródłem. Przeczytaj je.