Ming-3.0-audio-flash vs MiniCPM-V 4.7: model, który słyszy, i model, który mieści się w kieszeni

Jeśli wybierasz między Ming-3.0-audio-flash a MiniCPM-V 4.7 35B-A3B, decyzja nie jest bliska na żadnej osi, którą normalnie byś rozważał, ponieważ nie konkurują o to samo miejsce. Jeden to model audio-językowy typu mixture of experts o 126 miliardach parametrów — 6,5 mld aktywnych — który inclusionAI przesłał 3 września 2026 r. i udokumentował sześć tygodni później, a w konfiguracji referencyjnej wymaga ośmiu GPU po 80 GB. Drugi to rzadki model wizyjno-językowy o 35,2 mld parametrów, który OpenBMB udostępnił na Hugging Face wieczorem 6 października 2026 r. zupełnie bez karty modelu, opublikował kartę 12 października i twierdzi, że dekoduje ponad 13 tokenów na sekundę na iPhone'ie 17 Pro Max, zużywając około 3 GB pamięci. Jeden słucha i stoi w szafie rack. Drugi patrzy i mieści się w dłoni. To, co sprawia, że warto umieścić je na jednej stronie, to fakt, że oba zostały po cichu wydane przez chińskie laboratoria w ciągu tych samych sześciu tygodni, oba mają otwarte wagi i oba są oceniane przez zespoły, które mają dokładnie jedno miejsce w swojej architekturze. Udokumentowane awarie AI i incydenty wdrożeniowe stojące za takimi porównaniami są zebrane w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom dotkliwości, ocenę pewności i oznaczenie sporu.

Najpierw reguła decyzyjna, potem dowody na jej poparcie. Jeśli dane wejściowe są dźwiękiem — rozmowy telefoniczne, spotkania, dialekty, muzyka, wygenerowany lektor, który trzeba zweryfikować — tylko jeden z tych modeli może rozpocząć pracę. Jeśli dane wejściowe są obrazem, dokumentem, wykresem, zrzutem ekranu lub klatką wideo, może to zrobić tylko ten drugi. Część wspólna to potok przetwarzania, który obsługuje oba przypadki, a w tym potoku są to dwa etapy, a nie dwóch kandydatów. Wszystkie liczby poniżej są podane przez dostawców: dane inclusionAI pochodzą z jego własnych obrazów ewaluacyjnych, dane OpenBMB z karty opublikowanej 12 października, a żadne z nich nie zostało odtworzone przez stronę trzecią.

Czego każdy z nich odmawia zrobienia

Najszybciej dostrzec różnicę, wymieniając to, czego każdy model nie zaakceptuje, bo listy specyfikacji są pisane po to, by to ukryć.

• Ming-3.0-audio-flash nie będzie patrzeć na nic. Jego danymi wejściowymi są polecenia audio i tekstowe; w repozytorium nie ma enkodera obrazu, w konfiguracji nie ma wieży wizyjnej, a od ponownego przesłania 15 października nie ma ścieżki wideo, ponieważ usunięto wariant wideo-językowy i jego token patch. Jeśli klatka ma znaczenie, ten model jest na nią ślepy.

MiniCPM-V 4.7 35B-A3B nie będzie słuchał niczego. Jest oznaczony jako image-text-to-text, jego procesor obsługuje obrazy i klatki wideo, a w 70,4 GB wag nie ma nigdzie wieży audio, ścieżki ASR ani głowicy T​TS. Plik WAV nie jest wejściem, dla którego model miałby reprezentację.

• Ming-3.0-audio-flash nie wygeneruje obrazu, edycji ani zasobu 3D. Jego opcjonalnym wynikiem poza tekstem jest mowa — za pośrednictwem modułu Talker z wbudowanymi głosami i głosami referencyjnymi.

• MiniCPM-V 4.7 35B-A3B nie mówi. Odczytuje stronę i odpowiada tekstem. Aby uzyskać głos, trzeba by podpiąć osobny syntezator, co jest odrębną decyzją produktową.

Taki jest cały kształt tego porównania. Wszystko inne — kontekst, rzadkość, licencjonowanie, sprzęt — schodzi na dalszy plan wobec faktu, że zbiory modalności się nie przecinają.

Dwa bardzo różne sposoby na rzadkość

Oba modele to konstrukcje typu mixture-of-experts, a to słowo kryje przeciwstawne założenia inżynierskie.

Ming-3.0-audio-flash jest rzadki, ponieważ jest ogromny: 42 warstwy, rozmiar ukryty 2 560, 512 ekspertów z 8 wybieranymi na token, 126B łącznie i 6,5B aktywnych, plus enkoder audio w stylu Whispera z 32 warstwami i szerokością 1 280 oraz 128 binami mel. Rzadkość zapewnia przepustowość modelowi, którego w przeciwnym razie nie dałoby się wytrenować ani udostępniać. Nie zapewnia jednak małego rozmiaru. Dwadzieścia pięć shardów bfloat16 plus para Talker i VAE zajmują około 259 GB na dysku, a profil obsługi 128K dostawcy to równoległość tensorowa na ośmiu H800 z 80 GB.

MiniCPM-V 4.7 35B-A3B jest rzadki z przeciwnego powodu: 35,2 mld przechowywanych parametrów z routingiem 8 z 256 na token, ponad 40 warstw tekstowych ze schematem uwagi „trzy liniowe do jednej pełnej”, za 27-warstwową wieżą wizyjną o rozmiarze ukrytym 1152, wstawianą na 6. warstwie stosu tekstowego. Twierdzenie związane z tym projektem to nie przepustowość w klastrze, lecz wykonalność na telefonie. Lookahead Expert Scheduling od OpenBMB przewiduje, których ekspertów będzie potrzebować następna warstwa, pobiera ich z wyprzedzeniem i przeplata wczytywanie z obliczeniami — to rodzaj triku, który wymyśla się tylko wtedy, gdy wąskim gardłem jest przepustowość pamięci na telefonie, a nie FLOP-y w centrum danych.

• Łączna liczba parametrów — Ming-3.0-audio-flash 126B; MiniCPM-V 4.7 35B-A3B 35.2B.

• Aktywne parametry — 6,5B wobec około 3B (8 z 256 ekspertów plus wspólny ekspert).

• Kontekst — 131 072 tokeny w porównaniu do 262 144.

• Wagi na dysku — około 259 GB w porównaniu z 70,4 GB w 16 shardach.

• Sprzęt referencyjny — osiem H800 80 GB kontra iPhone 17 Pro Max przy 13+ tokenach na sekundę i około 3 GB.

Licencje — MIT kontra Apache-2.0, obie zadeklarowane w odpowiednich kartach.

W czym faktycznie różni się praca w języku chińskim

Oba modele powstały w chińskich laboratoriach i oba są najsilniejsze w języku chińskim, ale są mocne w różnych obszarach, a tabele dostawców pokazują to wyjątkowo wyraźnie.

Ming-3.0-audio-flash jest najsilniejszy dokładnie tam, gdzie mowa staje się trudna. Na własnych obrazach ewaluacyjnych raportuje średni wskaźnik błędu ASR dla języka chińskiego na poziomie 3,45 oraz średnią dla dialektów 9,40 — kantoński 4,09, szanghajski 11,15, hokkien 12,84, hubejski 9,46, hunański 8,76 — wobec referencyjnego wyniku Gemini 3.8 Flash wynoszącego 48,41 w średniej dla dialektów. Te same obrazy pokazują, że przegrywa w diaryzacji mówców (AMI 25,29 wobec 11,16 dla MiMo-V2.6 Pro) oraz w rozumowaniu na długich nagraniach audio (wynik Chain 12,31 wobec 34,54 dla Qwen3.8-Omni Flash). Uczciwa interpretacja jest więc taka: doskonały w transkrypcji z akcentem, przeciętny w ustalaniu, kto mówił i co oznaczało nagranie.

MiniCPM-V 4.7 35B-A3B jest najmocniejszy w gęstych chińskich treściach wizualnych: 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 — wszystko z własnego wykresu OpenBMB, wszystko niezreprodukowane, a kilka wierszy oznaczono jako przewyższające modele Qwen i Gemma klasy 35B niewielkimi marginesami. Mechanizmem jest mieszane podpróbkowanie tokenów 4x/16x w wieży wizyjnej: 16x łączy tokeny dla szybkości, 4x zachowuje czterokrotnie więcej dla drobnych szczegółów, a to ustawienie trzeba przekazać zarówno do procesora, jak i do generate(), w przeciwnym razie te dwa się nie zgadzają.

Zakres pokrywania się możliwości w języku chińskim jest zatem wąski, ale realny: zeskanowany chiński dokument z dołączoną notatką głosową to problem wymagający dwóch modeli, a żaden z nich nie obsługuje drugiej połowy.

Ile kosztuje wdrożenie któregokolwiek z nich do produkcji

To nie są porównywalne liczby, a udawanie, że jest inaczej, to typowy błąd tego rodzaju tekstu.

Ming-3.0-audio-flash wymaga jednego węzła. Osiem kart H800 z 80 GB to profil dostawcy dla kontekstu 128K; zweryfikowana alternatywa SGLang używa czterech GPU i zwraca tylko tekst. Pokrewny model Ming-3.0-audio-tiny — 9,3 mld parametrów łącznie i 2,7 mld aktywnych — mieści się na jednej dużej karcie, ale jego publikowane wyniki są konsekwentnie gorsze w tych samych tabelach — long-audio Chain 10,56 wobec 12,31, LongAudioSpan 35,45 wobec 41,12, URO-Bench-Pro 54,15 wobec 81,92 — więc to inny produkt, a nie tańszy.

MiniCPM-V 4.7 35B-A3B potrzebuje telefonu, jednego GPU albo zupełnie niczego, jeśli użytkownicy przyniosą własne urządzenie. Ma aktywny ekosystem, którego Ming nie ma: warianty GGUF, FP8, int4, GPTQ i AWQ opublikowane w ciągu kilku dni, model roboczy DSpark do dekodowania spekulatywnego, wsparcie w llama.cpp i Ollama oraz w vLLM i SGLang, 76 000 pobrań i ponad tysiąc polubień w głównym repozytorium. Niezależnie od tego, co jeszcze jest prawdą, to model, który inni już uruchamiają.

Ta różnica w adopcji to fakt najbardziej istotny dla decyzji w całym artykule i nie ma nic wspólnego z jakością. Model z 76 000 pobrań ma społeczność, która już natrafiła na twój błąd. Model z 22 pobraniami ma repozytorium i kartę modelu.

Więc gdzie się spotykają?

W dokładnie jednej architekturze: aplikacja, która musi zarówno słyszeć, jak i widzieć. Oczywisty przypadek to pipeline obsługi klienta lub zgodności — nagrana rozmowa w języku mandaryńskim z osobą mówiącą dialektem, plus zeskanowany formularz przesłany przez dzwoniącego i podsumowanie, które musi połączyć jedno z drugim. Ming transkrybuje i odpowiada na pytania dotyczące audio; MiniCPM odczytuje formularz i wyodrębnia pola. Żadne nie potrafi wykonać połowy pracy drugiego, a łącznikiem między nimi jest tekst.

To złączenie to element, który większość zespołów bagatelizuje. Dwa checkpointy z otwartymi wagami oznaczają dwie weryfikacje licencji, dwa scenariusze wdrożenia, dwa tryby awarii i jeszcze jedno wywołanie modelu, które zdecyduje, który dokument trafi gdzie. Ścieżka Minga to Transformers z trust_remote_code=True i minimalne zapotrzebowanie na pamięć rzędu setek gigabajtów; ścieżka MiniCPM to skwantyzowany plik na laptopie. Kontrast operacyjny między dwiema połowami tego samego potoku jest większy niż kontrast między większością konkurujących modeli.

Warstwa routingu i jej ograniczenia

OrcaRouter nie hostuje żadnego z checkpointów. Oba to otwarte wagi, które uruchamiasz samodzielnie; żaden nie znajduje się w naszym katalogu i żadnego zdania tutaj nie należy odczytywać jako oferty endpointu. To, do czego router rzeczywiście dociera, to tkanka łączna: klasyfikator, który decyduje, czy przychodzący zasób jest dźwiękiem, czy obrazem, i wysyła go do właściwego węzła, prompt, który nadaje ramy ekstrakcji, oraz sumaryzator, który łączy oba wyniki w jeden raport.

To zwykłe wywołania tekstowe, a argument za umieszczeniem ich za jednym API dla ponad 200 modeli przy 0% marży jest prosty — cena katalogowa dostawcy jest przekazywana dalej, więc obniżka ceny przez dostawcę obowiązuje u nas tego samego dnia, jeden klucz zamiast trzech umów. DSL routingu to element, który pasuje do tego konkretnego problemu: potok z gałęzią dla audio i gałęzią dla obrazów jest problemem routingu, zanim staje się problemem modelu, a automatyczne przełączanie awaryjne pozwala dyspozytorowi działać dalej, gdy model klasyfikacji się zaciśnie, co jest jedynym wywołaniem w łańcuchu, na którego utratę nie można sobie pozwolić.

Ograniczenie jest równie proste. Routing nie sprawia, że checkpoint o rozmiarze 259 GB jest hostowany, ani nie zamienia modelu wizyjnego wielkości telefonu w system ASR.

Krótka wersja

Ming-3.0-audio-flash jest bardziej ambitnym modelem, a zarazem tym mniej użytecznym dzisiaj: lepsze rozpoznawanie chińskiej mowy dialektalnej niż cokolwiek innego z opublikowanymi liczbami w swojej klasie, brak niezależnej weryfikacji, brak scalonej integracji z serwowaniem i wymagania sprzętowe, które stawiają go poza zasięgiem każdego, kto nie dysponuje węzłem GPU. MiniCPM-V 4.7 35B-A3B to bardziej dopracowany produkt: karta modelu, kwantyzacje, wsparcie frameworków, naprawdę nowatorska koncepcja działania na urządzeniu oraz społeczność. Jest to również model wizyjny, co oznacza, że nie potrafi robić tego, do czego istnieje ten drugi.

Wybierz ze względu na modalność, a porównanie zajmie trzydzieści sekund. Wybierz ze względu na ambicję, a spędzisz miesiąc, odkrywając, że ten ambitny ma 22 pobrania.