Ming-3.0-audio-flash vs Qwen-Audio-3.1: папка, которую можно скачать, против каталога, к которому можно только обратиться

Есть версия этого сравнения, которую было бы легко написать, и она была бы неверной. Она бы поставила в один ряд Ming-3.0-audio-flash и Q​wen-Audio-3.1 как две китайские аудиомодели, выписала бы их количества параметров в строку и объявила победителя. Проблема в том, что Q​wen-Audio-3.1 не существует как чекпоинт, который можно взвесить. Он существует как набор идентификаторов размещённых моделей в каталоге Model Studio компании A​libaba — qwen-audio-3.1-realtime-plus, qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.1-asr-flash-filetrans — без опубликованных весов на Hugging Face и без публично указанного количества параметров. Ming-3.0-audio-flash — противоположность: 126 млрд параметров всего, 6,5 млрд активных, лицензия MIT, лежит в репозитории, который вы клонируете. Один — папка. Другой — линейка продуктов, которую вы арендуете по вызову. Любой содержательный вопрос об этих двух следует из этой асимметрии, и ни на один из обычных вопросов из таблиц бенчмарков вообще нельзя ответить. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive где каждая запись содержит собственные источники, степень серьёзности, уровень уверенности и флаг спорности.

Эта генеалогия заслуживает отдельного абзаца, потому что объясняет, почему две модели кажутся сопоставимыми, хотя это не так. Ming-3.0-audio-flash появилась по принципу «сначала веса»: загружена на Hugging Face 3 сентября 2026 года без объявления, а затем оставалась непригодной для использования в течение шести недель, пока с 15 по 19 октября не выложили код для обслуживания и примеры. Q​wen-Audio-3.1 появилась по принципу «сначала каталог»: три идентификатора моделей перечислены в документации Model Studio A​libaba Cloud в разделах распознавания речи и преобразования речи в речь, каждый описан одной строкой, при этом на страницах с подробностями нет технических характеристик. Это два доминирующих подхода к релизам 2026 года в одном противостоянии — открытая лаборатория, которая публикует репозиторий и позволяет миру заметить, и облако, которое выпускает SKU и позволяет документации стать запуском.

Что каждый из них на самом деле даёт вам

• Что вы получаете — Ming: MoE-чекпоинт примерно на 126B параметров, процессор, токенизатор, ресурсы Talker, скрипты обслуживания и примеры. Q​wen-Audio-3.1: учётные данные API и три названия эндпоинтов.

• Что можно проверить — Ming: архитектура, лицензия, панели бенчмарков, YAML развертывания, голосовые пресеты. Q​wen-Audio-3.1: метка категории и описание в одно предложение для каждого SKU.

• Лицензия — Ming: MIT, веса и код. Q​wen-Audio-3.1: коммерческие условия Model Studio; лицензии на веса нет, потому что весов нет.

• Где это работает — Ming: ваши GPU, ваша стойка, ваша физическая изоляция. Q​wen-Audio-3.1: инфраструктура A​libaba в обслуживаемых ею регионах.

• Режим отказа — Ming: пейджер за тобой. Qwen-Audio-3.1: проблема с квотой, регионом или аккаунтом — это тикет в поддержку.

• Цена — Ming: аппаратное обеспечение. Qwen-Audio-3.1: не опубликована в индексе моделей; нужны страницы с подробностями или консоль.

Последняя строка — не уклонение. В индексе моделей Model Studio три идентификатора Q​wen-Audio-3.1 перечислены в соответствующих категориях, но на этой странице нет информации о ценах, контекстном окне или языковом покрытии. Связанная подробная документация не открылась при проверке. Фраза «Q​wen-Audio-3.1 стоит X» была бы выдумыванием числа, а характер продукта означает, что число всё равно изменилось бы.

Эти три SKU — не одна модель, и это важно.

Вот что упускает большинство сравнений. Q​wen-Audio-3.1 — это не одна вещь, которую можно протестировать. Каталог делит её на три части:

qwen-audio-3.1-asr-flash-streaming — это распознавание речи, предоставляемое в виде потока; честный сценарий использования — живые субтитры или транскрипт звонка, который появляется, пока звонок ещё идёт.

qwen-audio-3.1-asr-flash-filetrans — это та же задача распознавания, выполняемая пакетно для файла. «Flash» в обоих названиях указывает скорее на уровень скорости и стоимости, чем на уровень качества, хотя A​libaba не документирует это различие на странице индекса.

qwen-audio-3.1-realtime-plus — вот это самое интересное. В индексе он описан как «сквозной голосовой разговор без отдельных вызовов ASR и TTS» — эндпоинт speech-to-speech, а plus подразумевает, что это более полный из двух уровней realtime.

Ming-3.0-audio-flash сводит всё это к одному артефакту. Распознавание, понимание длинных аудиозаписей, аудиорезонирование и опциональный речевой вывод — это режимы одного и того же чекпоинта, выбираемые с помощью промпта и профиля обслуживания, а не путём выбора другого SKU. В репозитории поставляются профиль ASR, текстовый профиль и профиль аудиовывода; промпт ASR просит модель указать язык речи и поставить табуляцию между меткой и транскрипцией.

От того, что вы создаёте, зависит, какая схема лучше. Три SKU означают, что вы платите за распознавание, когда вам нужно только распознавание, и не несёте затраты на инференс 126B-модели для задачи транскрипции. Один чекпоинт означает, что транскрипт и анализ транскрипта исходят от одной и той же модели, без потерь при сериализации между ними — без режима отказа «ASR сказал "their", модель рассуждений угадала неправильно», потому что второй модели нет.

Почему здесь нет честного бенчмарка

Ming-3.0-audio-flash публикует три панели оценки — распознавание речи, аудиоинтеллект, текст — в виде изображений в своём репозитории на GitHub. Все значения указаны в процентах; более высокое значение лучше, если стрелка не указывает иное, а результаты со звёздочкой — собственные результаты команды. В репозитории добавлено примечание: модели для сравнения воспроизводились в рамках оценочной конфигурации inclusionAI и могут отличаться от официальных отчётов этих моделей из-за промптов, настроек декодирования, версий и пайплайнов.

Q​wen-Audio-3.1 не публикует таблицу бенчмарков на своей индексной странице. В её подробной документации она также не представлена. Поэтому нет ни общего тестового набора, ни общей конфигурации декодирования, ни независимой стороны, которая оценила бы обе.

Единственное защитимое утверждение — отрицательное: ни у одной из сторон нет числа, с которым можно было бы сравнить другую. Если сравнительная статья показывает Ming-3.0-audio-flash и Qwen-Audio-3.1 в соседних столбцах с процентами, значит, она объединила самооценку вендора с неизмеренным API, и убеждает здесь именно расположение столбцов.

Вопрос стоимости, переосмысленный

Поскольку тарифы Qwen-Audio-3.1 за токен или за секунду не указаны в публичном индексе, полезное сравнение — это не цена против цены, а структура затрат против структуры затрат.

Оплата за каждый вызов имеет одно огромное преимущество: она точно отражает ваше использование и равна нулю, когда ваше использование равно нулю. Для продукта с резкими всплесками трафика — команды по комплаенсу, которая расшифровывает тысячу звонков в последний день квартала и ничего не делает одиннадцать недель, — это решающий фактор. Вам не превзойти оплату за каждый вызов с собственными GPU на нагрузке с резкими всплесками, потому что GPU продолжают генерировать расходы в течение простаивающих недель.

Собственные веса обладают зеркальным преимуществом: маржинальная стоимость тысячного часа почти нулевая и не меняется, когда поставщик пересматривает цены. Для продукта с равномерной нагрузкой — контакт-центра, работающего на 60% мощности каждый будний день, — фиксированные затраты амортизируются, и стоимость часа падает ниже любого прайс-листа. Точка перехода — это расчёт загрузки, а не бенчмарк, и для каждой команды она своя.

Аппаратный минимум Ming — это число, которое всё решает. Референсный профиль для полного контекста 128K с речевым выводом — это тензорный параллелизм на восьми H800 с 80 ГБ. Есть проверенный профиль SGLang на четырёх GPU, но он только для текста — вы теряете Talker. На четырёх GPU сравнение идёт между Ming в роли транскрибатора и ASR-SKU Qwen; на восьми — между Ming в роли собеседника и qwen-audio-3.1-realtime-plus. Это два разных решения, и принимать их следует отдельно.

Именно на этапе проб роутер здесь оправдывает своё место. Вам ведь не хочется обнаружить, что открытый чекпоинт хуже справляется с вашим аудио, уже купив стойку. Запуск хостинговых SKU и кандидата на self-hosted за одним эндпоинтом позволяет сравнивать их A/B на одном и том же трафике: более 200 моделей по одному ключу, цена провайдера по прайс-листу передаётся без наценки, автоматическое переключение при сбое, если один из путей деградирует. Когда self-hosted сторона выигрывает на ваших собственных записях, вы сдвигаете процент; когда нет — ничего не ломается.

Языки, диалекты и то, что говорят обе карточки

Ming-3.0-audio-flash указывает китайский и английский языки, «включая разнообразные акценты и диалекты», а в его ключевых особенностях отдельно отмечены записи с несколькими говорящими и шумные условия. Эта формулировка достаточно конкретна, чтобы её можно было проверить, и достаточно расплывчата, чтобы вам стоило это сделать: «разнообразные акценты и диалекты» в китайской аудиомодели обычно означают региональные акценты путунхуа и по крайней мере одну-две разновидности юэ, но в карточке они не перечислены.

Языковой охват Qwen-Audio-3.1 не указан в записи индекса. Более широкая аудиолинейка Alibaba исторически охватывала широкий набор языков и китайских диалектов, но охват родственного продукта — это не документация данного продукта, и разумная позиция состоит в том, что это число неизвестно, пока на странице с подробностями не будет указано иное.

Обе модели созданы в китайских лабораториях, и обе будут сильнее всего там, где их обучающие данные были наиболее плотными. Ни одна из карточек не содержит утверждений, которые можно опровергнуть, не прогнав через модель аудио. Вот и тест: возьмите двадцать минут своих худших записей — шумной, с переключением языков, той, где трое перебивают друг друга, — и прогоните их через обе. Это скажет вам больше, чем любой график, который публикует любая из этих лабораторий.

Что бы изменило картину?

Два события. Во-первых, если A​libaba опубликует веса Q​wen-Audio-3.1 — линейка Q​wen уже неоднократно открывала веса для текстовых и визуальных моделей, так что это не фантазия — всё сравнение сведётся к «два чекпоинта под MIT или Apache, сравните их на своём железе», а противопоставление «каталог против папки» отпадёт. Во-вторых, если провайдер инференса предложит Ming-3.0-audio-flash через OpenAI-совместимый эндпоинт с опубликованным тарифом, порог в восемь GPU перестанет быть проблемой читателя, и два продукта станут напрямую сравнимыми по цене за час аудио.

Ни то, ни другое не произошло. На момент написания этого текста семейство Q​wen-Audio-3.1 можно вызывать, но его веса недоступны; Ming-3.0-audio-flash имеет доступные веса, но вызвать его нельзя, кроме как на предоставленном вами оборудовании. Вот и всё противостояние, и оно касается дистрибуции, а не качества звука.

Как принять решение на этой неделе

Если вам уже сегодня нужен эндпоинт преобразования речи в текст и вы уже используете Alibaba Cloud, то ASR-SKU Qwen-Audio-3.1 — это кратчайший путь, а операционный риск здесь — это квота, а не пейджер. Если вам нужно преобразование речи в речь в том же стеке, qwen-audio-3.1-realtime-plus — это документированный вариант, а его цена — вопрос к консоли, а не к блогу.

Если вам нужно владеть моделью — из-за регуляторных требований, изолированной сети или просто убеждённости, что ваше аудио — это актив, а модель не должна сдаваться в аренду, — Ming-3.0-audio-flash единственная из этих двух, которая это позволяет. Заложите восемь H800 для полного профиля, четыре для режима только текста и неделю на собственную оценку, прежде чем поверите хоть чему-то на изображениях с бенчмарками.

А если вы не уверены, к какому из этих типов относитесь, ответ — пока ни к какому. Прогоните свой аудио через размещённую конечную точку, измерьте уровень ошибок, с которым можете мириться, и пусть эта цифра подскажет, стоит ли покупать оборудование. Выбор модели — следствие этого измерения, а не его причина.