Ming-3.0-audio-flash против InternLumina U2: два тихих корабля, противоположная документация

Обе эти модели были опубликованы без пресс-релиза, и примерно на этом сходство заканчивается. Ming-3.0-audio-flash появилась на Hugging Face 3 сентября 2026 года в виде 259 ГБ весов почти без документации, а настоящая карточка модели появилась только 19 октября. InternLumina-U2 пошла другим путём: Shanghai AI Laboratory опубликовала код инференса и страницу проекта 1 сентября 2026 года, пообещала веса и выпустила их позже в папках для конкретного оборудования. Одна команда сначала выложила артефакт, а объяснение — через шесть недель. Другая сначала написала объяснение и заставила ждать артефакт. Ни одна из них ничего не анонсировала, ни у одной нет независимого бенчмарка, и ни одна не заменяет другую — одна слышит, другая видит и рисует. Задокументированные сбои ИИ и случаи тихого выпуска, стоящие за подобными сравнениями, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, оценку уверенности и флаг спорности.

Получается, это сравнение сразу по двум вещам: двух разных ставок на то, для чего нужна открытая мультимодальная модель, и двух разных привычек выпускать её. Вторая половина полезнее, чем кажется, потому что именно документация говорит о том, можно ли развернуть эту штуку во вторник. Всё нижеследующее взято из двух репозиториев и их карточек. {{1}}Цифры Ming — собственные данные inclusionAI; цифры InternLumina — данные Shanghai AI Lab, и в её собственной карточке они обозначены как «предварительные, частичные результаты». Ни одна третья сторона не оценивала ни те, ни другие.{{/1}}

Два графика выпуска — бок о бок

Даты — это самые объективные доказательства, которые здесь есть, поэтому начните с них.

• 1 сентября 2026 года, 04:03 UTC — репозиторий GitHub InternLM/InternLumina-U2 создаётся. Тринадцать минут спустя появляется репозиторий Hugging Face с тем же именем, содержащий .gitattributes и заглушку README. Релиз в тот день — это код: один скрипт-драйвер с разделом на каждую задачу, README на английском и китайском языках и дорожная карта.

• 3 сентября 2026 г., 11:45 и 11:49 UTC — inclusionAI создаёт Ming-3.0-audio-tiny и Ming-3.0-audio-flash на Hugging Face. Девять минут спустя 25 шардов появляются в репозитории flash. README, прилагавшийся к ним, назывался «Ming Audio V3» и описывал только путь ASR.

• С 13 по 19 октября 2026 года — репозитории Ming меняются четыре раза за семь дней: конфигурация, повышающая контекст с 8 192 до 131 072, повторная загрузка, убирающая видео-языковой вариант, папка голосовых пресетов и, наконец, карточка, ресурсы и перелицензирование под MIT. inclusionAI/Ming-3.0-audio-flash появляется на GitHub 15 октября.

• В какой-то момент после 24 сентября 2026 года — internlm/InternLumina-U2 на Hugging Face перестаёт быть заглушкой и получает два дерева контрольных точек, ascend/ и nvidia/, по семь шардов в каждом, всего около 67,6 ГБ хранилища, примерно 33,8 ГБ на каждое аппаратное дерево. Репозиторий последний раз изменялся 24 сентября. Ни переписанной карточки, ни таблицы бенчмарков с числами, ни технического отчёта.

Схема перевёрнута, и практическое следствие тоже перевёрнуто. {{1}}Веса Ming можно было запустить с начала сентября любому, кто готов был прочитать файл конфигурации{{/1}}; документации не существовало. {{2}}Документация InternLumina существовала с первого дня{{/2}}; весов не было, и {{3}}когда они появились, то появились без сравнительных таблиц, которые обещала карточка{{/3}}.

Для чего на самом деле создана каждая модель

Ming-3.0-audio-flash — это нативная аудио-языковая смесь экспертов: всего 126 млрд параметров, 6,5 млрд активных на каждом шаге инференса, аудиокодер и проектор, подающие данные в 42-слойный бэкбон с 512 экспертами и 8 активными на токен, словарь на 157 184 токена и аудиостек в стиле Whisper на 32 слоя шириной 1 280 с 128 мел-бинами. На вход подаются аудио и текстовые инструкции. На выходе — текст или текст плюс синтезированная речь через опциональный модуль Talker со встроенными китайскими голосами и двумя референсными клипами в репозитории. Заявленный контекст — 128K, а профиль обслуживания в карточке — восемь H800 с 80 ГБ в тензорном параллелизме.

InternLumina-U2 — это разреженная смесь экспертов с 16 млрд параметров, из которых активен 1 млрд, построенная как диффузионная языковая модель, а не авторегрессионная: она уточняет всю последовательность параллельно, а не выдаёт токены слева направо. Её визуальное представление полностью дискретно: восемь кодовых книг визуальных токенов из токенизатора AToken от Apple, объединяемых в один токен опорной модели на каждую позицию на входе и предсказываемых кодовая книга за кодовой книгой на выходе. Смысл этого дизайна — унификация: ответы на вопросы по тексту, понимание изображений, редактирование изображений, генерация изображений по тексту, понимание видео и понимание 3D — всё работает через один и тот же словарь и одни и те же веса на диффузионной основе LLaDA-2.0.

Прочитайте оба описания вместе, и сравнение сводится к одному предложению. Ming-3.0-audio-flash — это специалист, который очень велик и глубоко работает с одной модальностью. InternLumina-U2 — универсал, небольшой по общему числу параметров, который пытается адекватно выполнять пять задач. Ни один из этих вариантов дизайна не является компромиссом по отношению к другому; они отвечают на разные вопросы.

Превращение каждого из них в токены — вот в чём настоящая разница.

Если смотреть только на количество параметров, можно заключить, что Ming — это модель в восемь раз крупнее. Такая трактовка неверна в обе стороны, и причина тому — интерфейс, который предоставляет каждая из них.

• Входные данные — Ming-3.0-audio-flash: аудио и текст. InternLumina-U2: текст, изображения, видеокадры и 3D-ассеты.

• Вывод — Ming-3.0-audio-flash: текст, опционально речь. InternLumina-U2: текст, изображения, отредактированные изображения; без аудио, без видео, без 3D-генерации.

• Декодирование — Ming-3.0-audio-flash: авторегрессия по словарю из 157 184 токенов. InternLumina-U2: блочная диффузия по дискретному визуальному словарю с несколькими кодовыми книгами.

• Общее число параметров по сравнению с активными — Ming-3.0-audio-flash: 126B всего, 6.5B активных. InternLumina-U2: 16B всего, 1B активных.

• Веса на диске — Ming-3.0-audio-flash: примерно 259 ГБ на 25 шардах плюс Talker и VAE. InternLumina-U2: 67,6 ГБ в репозитории, разделённые на два аппаратных дерева по семь шардов в каждом и примерно по 33,8 ГБ каждое.

• Лицензия — обе близки к MIT по духу, но на деле различаются: Ming-3.0-audio-flash — MIT согласно её карточке, InternLumina-U2 — Apache-2.0 согласно её репозиторию и карточке.

• Независимая оценка — ни для одного из них.

Аппаратное обеспечение — именно здесь эти двое расходятся сильнее всего.

Самое интересное инженерное утверждение InternLumina-U2 — не архитектура, а история с бэкендом. В репозитории присутствуют как дерево Ascend, так и дерево NVIDIA, причём лаборатория заявляет, что обучение, оценка и инференс были адаптированы как к NPU Huawei, так и к GPU NVIDIA, с численным согласованием на уровне операторов между ними. Для тех, чьи закупки идут через ускорители не NVIDIA, это реальное конкурентное преимущество, и его можно проверить по дереву файлов: два полных каталога контрольных точек, каждый со своим конфигом, токенизатором и планом параллелизма.

У Ming-3.0-audio-flash такой истории нет. Её эталонный профиль — восемь H800 по 80 ГБ; её проверенная альтернатива — профиль SGLang на четырёх GPU, который возвращает только текст. В репозитории нет пути для NPU, а крошечный собрат с 9,3 млрд параметров всего и 2,7 млрд активных — это ответ для всех, кто не может выделить узел.

В современном понимании обе модели — это проекты развёртывания, а не установки через pip. В собственных материалах InternLumina прямо сказано, что путь генерации нестандартный: API генерации блочной диффузии — это не generate-интерфейс Transformers, токенизатору AToken требуется FlashAttention, а 3D-конвейер ожидает Blender 4.5, чтобы отрендерить GLB-ассеты в виды до токенизации. Путь Ming более традиционен — AutoProcessor плюс AutoModelForCausalLM с trust_remote_code=True — но минимальный объём памяти в восемь раз выше.

Что говорят цифры от поставщика — и о чём они говорить не могут

Ни одну из таблиц нельзя сопоставить с другой, поскольку у двух моделей нет ни одного общего бенчмарка. Это не отговорка; это честная картина доказательств.

На оценочных изображениях inclusionAI модель Ming-3.0-audio-flash демонстрирует средний уровень ошибок ASR на китайском — 3,45, на английском — 3,69, на диалектах — 9,40, MMAR — 74,40 и BigBenchAudio — 99,40. Те же изображения показывают, где она проигрывает: ошибка диаризации AMI — 25,29 против 11,16 у MiMo-V2.6 Pro, а оценка Chain для длинного аудио — 12,31 против 34,54 у Qwen3.8-Omni Flash. Её текстовые бенчмарки — самый слабый раздел карточки: GPQA Diamond — 82,45, MMLU-Pro — 80,00, IFBench — 59,00; так выглядит аудиоспециалист с 6,5 млрд активных параметров, когда его просят рассуждать в прозе.

В карточке InternLumina-U2 указаны 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 и GenEval 0.81 — а затем она сама себя подрывает, ведь собственная таблица на странице проекта показывает LLaDA2.0-Uni с GenEval 0.89 — лучше, чем модель, которую он якобы превосходит. Главная оговорка в карточке — «Предварительные, частичные результаты. Полные таблицы сравнения появятся в готовящемся техническом отчёте» — остаётся верной и сегодня. Технического отчёта нет.

В совокупности эти два набора чисел описывают взаимодополняющие сильные стороны и одну общую слабость: ни один из них не был воспроизведён кем-либо за пределами лаборатории, которая его обучила.

Какой именно — для какого читателя

Если ваш продукт связан с голосом — транскрипция встреч с поддержкой диалектов, аудио кол-центра, голосовые ответы, дубляж — Ming-3.0-audio-flash — единственная из двух, которая подходит, и, честно говоря, единственная open-weight модель в своём классе с настолько конкретными опубликованными цифрами по диалектам. Рассчитывайте на вычислительный узел или начните с крошечного собрата и смиритесь с его более слабыми показателями на длинном аудио.

Если ваш продукт связан с изображениями — чтением документов, вопросами по графикам, редактированием, описанием 3D-ассетов или единой моделью, которая одновременно и читает, и рисует, — то InternLumina-U2 — единственный подходящий вариант, а ветка Ascend — реальный повод присмотреться, если вы не покупаете NVIDIA. Готовьтесь сражаться с токенизатором.

Если вам нужно и то и другое, вы запускаете две модели, и тогда на первый план выходит интересный вопрос — организационный: два чекпоинта, два набора инструментов, два комплекта условий лицензирования, один мультимодальный продукт. Это обычное состояние работы с открытыми весами в конце 2026 года, и именно поэтому существует маршрутизация.

Слой маршрутизации, в узкой формулировке

OrcaRouter не обслуживает ни один из этих чекпоинтов. Ming-3.0-audio-flash и InternLumina-U2 — обе модели с открытыми весами, которые вы запускаете самостоятельно; ни одной из них нет в нашем каталоге, и ни одна из них не появится в вызове нашего API. Мы предоставляем сопутствующую текстовую работу: промпт, который задаёт рамку для инструкции по редактированию изображения, суммаризатор, который превращает транскрипт Ming в структурированные заметки, и классификатор, который решает, к какой из двух моделей следует направить входящий актив.

Последняя деталь — та, которую стоит назвать. Пайплайн, который обрабатывает и голос, и изображения, в итоге приходит к решению о маршрутизации — аудио идёт на узел Ming, изображения — на узел InternLumina — и это решение является таким же вызовом модели, как и любой другой. Размещение его за единым API для более чем 200 моделей с наценкой 0%, где прайс-лист провайдера передаётся напрямую, оставляет диспетчер на том же ключе, что и всё остальное. Автоматическое переключение при сбое здесь тоже важно — не для контрольных точек, размещённых на собственных серверах, а для этапа классификации, который их питает: если модель маршрутизатора деградирует, резервным вариантом должна быть другая модель, а не сломанный пайплайн.

Ничто из этого не превращает чекпоинт объёмом 259 ГБ в хостинговый сервис, и было бы заблуждением утверждать обратное.

Что посмотреть дальше

Для Ming-3.0-audio-flash недостающие элементы — это файл лицензии в репозитории (сейчас MIT указан в метаданных карточки) и интеграция для обслуживания аудио-языкового пути; vLLM-Omni поддерживает предыдущее поколение Ming и имеет открытый pull request для 7.9B-модели TTS, но для 126B-ридера ничего не смёржено. Для InternLumina-U2 недостающий элемент — технический отчёт и полные таблицы, которые он обещает; до тех пор строка GenEval против LLaDA2.0-Uni остаётся единственным межмодельным сравнением, которое может проверить любой желающий, и оно не в пользу более новой модели.

То общее, что объединяет оба релиза, полезнее, чем любой из пробелов по отдельности. Две сильные лаборатории опубликовали крупные открытые мультимодальные модели — и никому об этом не сказали. Это не признак того, что модели плохи, — это признак того, что анонс релиза стал необязательным, а репозиторий теперь первоисточник. Читайте его.