Ming-3.0-audio-flash против MiniCPM-V 4.7: модель, которая слышит, и модель, которая помещается в карман

Если вы выбираете между Ming-3.0-audio-flash и MiniCPM-V 4.7 35B-A3B, то решение не будет близким ни по одной из осей, которые вы обычно учитываете, потому что они не претендуют на один и тот же слот. Одна — это 126-миллиардная по числу параметров аудио-языковая смесь экспертов, из которых активно 6,5 млрд, которую inclusionAI выложила 3 сентября 2026 года и задокументировала шесть недель спустя, и для эталонной конфигурации которой требуются восемь GPU по 80 ГБ. Другая — разреженная визуально-языковая модель с 35,2 млрд параметров, которую OpenBMB выложила на Hugging Face вечером 6 октября 2026 года вообще без карточки, 12 октября опубликовала карточку и заявляет о декодировании со скоростью более 13 токенов в секунду на iPhone 17 Pro Max с использованием около 3 ГБ памяти. Одна слушает и стоит в стойке. Другая смотрит и помещается в руке. Что делает их достойными того, чтобы поставить их на одну страницу, — это то, что обе были тихо выпущены китайскими лабораториями за одни и те же шесть недель, обе имеют открытые веса, и обе оцениваются командами, у которых в архитектуре есть ровно один слот. Документированные сбои ИИ и инциденты при развертывании, стоящие за подобными сравнениями, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьезности, степень уверенности и флаг спорности.

Вот правило принятия решения сразу, а затем доказательства в его пользу. Если на входе звук — звонки, встречи, диалекты, музыка, сгенерированная озвучка, которую нужно проверить, — запускаться может только одна из этих моделей. Если на входе изображение, документ, диаграмма, скриншот или кадр видео, запускаться может только другая. Пересечение — это конвейер, который обрабатывает и то и другое, и в этом конвейере они представляют собой две стадии, а не двух кандидатов. Все приведённые ниже цифры сообщены производителями: у inclusionAI — из его собственных изображений для оценки, у OpenBMB — из карточки, опубликованной 12 октября, и ни одна из них не была воспроизведена третьей стороной.

Что каждый из них отказывается делать

Самый быстрый способ увидеть разницу — перечислить то, что каждая модель не примет, потому что списки характеристик составляются так, чтобы это скрыть.

• Ming-3.0-audio-flash ни на что не смотрит. Его входные данные — аудио и текстовые инструкции; в репозитории нет кодировщика изображений, в конфигурации нет vision-башни, а путь для видео отсутствует с тех пор, как при повторной загрузке 15 октября был удалён видео-языковой вариант и его токен патча. Если кадр имеет значение, эта модель его не видит.

• MiniCPM-V 4.7 35B-A3B не будет ничего слушать. Он помечен как image-text-to-text, его процессор обрабатывает изображения и кадры видео, и нигде в 70,4 ГБ весов нет ни аудиомодуля, ни пути ASR, ни TTS-головы. WAV-файл не относится к входам, для которых у него есть представление.

• Ming-3.0-audio-flash не будет генерировать изображение, результат редактирования или 3D-ассет. Помимо текста, его опциональный вывод — речь, создаваемая через модуль Talker со встроенными и референсными голосами.

• MiniCPM-V 4.7 35B-A3B не говорит. Он читает страницу и отвечает текстом. Для голоса вам пришлось бы подключить отдельный синтезатор, а это уже другое продуктовое решение.

В этом и заключается вся суть сравнения. Всё остальное — контекст, разреженность, лицензирование, аппаратное обеспечение — вторично по отношению к тому, что наборы модальностей не пересекаются.

Два очень разных способа быть разреженным

Обе модели построены по схеме mixture-of-experts, и за этим словом скрываются противоположные инженерные ставки.

Ming-3.0-audio-flash разрежена, потому что она огромна: 42 слоя, размер скрытого слоя 2 560, 512 экспертов, из которых 8 выбираются на токен, 126 млрд параметров всего и 6,5 млрд активных, плюс аудиокодер в стиле Whisper на 32 слоях с шириной 1 280 и 128 мел-бинами. Разреженность обеспечивает пропускную способность для модели, которую иначе было бы невозможно ни обучить, ни обслуживать. Но компактности она не даёт. Двадцать пять шардов bfloat16 плюс пара Talker и VAE занимают примерно 259 ГБ на диске, а профиль обслуживания 128K от поставщика — это тензорный параллелизм на восьми H800 с 80 ГБ.

MiniCPM-V 4.7 35B-A3B разрежена по противоположной причине: 35,2 млрд хранимых параметров, маршрутизируемых по схеме 8 из 256 на токен, более 40 текстовых слоёв с паттерном внимания «три линейных — один полный», за 27-слойной визуальной башней при скрытой размерности 1 152, которая вставляется на 6-м слое текстового стека. Утверждение, связанное с этим дизайном, — не пропускная способность в кластере, а жизнеспособность на телефоне. Lookahead Expert Scheduling от OpenBMB предсказывает, какие эксперты понадобятся следующему слою, выполняет их предварительную выборку и совмещает загрузку с вычислениями — трюк, который придумываешь только тогда, когда узкое место — пропускная способность памяти на портативном устройстве, а не FLOPs в дата-центре.

• Общее число параметров — Ming-3.0-audio-flash 126B; MiniCPM-V 4.7 35B-A3B 35.2B.

• Активные параметры — 6,5 млрд против примерно 3 млрд (8 из 256 экспертов плюс один общий эксперт).

• Контекст — 131 072 токена против 262 144.

• Веса на диске — примерно 259 ГБ против 70,4 ГБ по 16 шардам.

• Эталонное оборудование — восемь H800 по 80 ГБ против iPhone 17 Pro Max с 13+ токенами в секунду и около 3 ГБ.

• Лицензии — MIT против Apache-2.0, обе указаны в соответствующих карточках.

Где работа на китайском языке действительно отличается

Обе модели созданы китайскими лабораториями, и обе сильнее всего проявляют себя в китайском языке, но сильны они в разных вещах, и таблицы от поставщиков делают это на удивление наглядно.

Ming-3.0-audio-flash сильнее всего именно там, где речь становится сложной. На собственных оценочных изображениях он сообщает средний показатель ошибок китайского ASR 3,45 и средний показатель по диалектам 9,40 — кантонский 4,09, шанхайский 11,15, хоккиен 12,84, хубэйский 9,46, хунаньский 8,76 — при эталонном значении Gemini 3.8 Flash 48,41 по среднему показателю для диалектов. Те же изображения показывают, что он проигрывает в диаризации говорящих (AMI 25,29 против 11,16 у MiMo-V2.6 Pro) и в рассуждениях по длинному аудио (Chain score 12,31 против 34,54 у Qwen3.8-Omni Flash). Так что честная интерпретация такова: отлично справляется с транскрипцией речи с акцентом, но посредственен в определении того, кто говорил, и того, что означала запись.

MiniCPM-V 4.7 35B-A3B сильнее всего проявляет себя на плотном визуальном китайском: 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 — всё это из собственной таблицы OpenBMB, всё не воспроизведено, и несколько строк помечены как превосходящие модели класса 35B Q​wen и G​emma с небольшим отрывом. Механизм — смешанный даунсэмплинг токенов 4x/16x в визуальном энкодере: 16x объединяет токены ради скорости, 4x сохраняет вчетверо больше токенов для мелких деталей, и этот параметр нужно передавать и в processor, и в generate(), иначе они разойдутся.

Поэтому пересечение возможностей в работе с китайским языком узкое и реальное: отсканированный китайский документ с прикреплённой голосовой заметкой — это задача для двух моделей, и ни одна из них не справляется с другой половиной.

Во сколько обойдётся внедрение любого из них в производство

Это несопоставимые цифры, и делать вид, что это не так, — типичная ошибка подобных материалов.

Ming-3.0-audio-flash занимает один узел. Восемь 80-ГБ H800 — это конфигурация производителя для контекста 128K; проверенная альтернатива на SGLang использует четыре GPU и возвращает только текст. Родственная модель Ming-3.0-audio-tiny с 9,3 млрд параметров всего и 2,7 млрд активных помещается на одну большую карту, но её опубликованные показатели стабильно хуже в тех же таблицах — long-audio Chain 10,56 против 12,31, LongAudioSpan 35,45 против 41,12, URO-Bench-Pro 54,15 против 81,92 — так что это другой продукт, а не более дешёвый.

MiniCPM-V 4.7 35B-A3B стоит как телефон, как один GPU или не стоит ничего, если устройство приносят ваши пользователи. У него есть активная экосистема, которой нет у Ming: варианты GGUF, FP8, int4, GPTQ и AWQ, опубликованные в течение нескольких дней, драфт-модель спекулятивного декодирования DSpark, поддержка в llama.cpp и Ollama, а также в vLLM и SGLang, 76 000 загрузок и более тысячи лайков в основном репозитории. Как бы там ни было, это модель, которую другие люди уже запускают.

Эта разница в распространённости — самый важный для принятия решения факт в статье, и она никак не связана с качеством. У модели с 76 000 скачиваний есть сообщество, которое уже наткнулось на ваш баг. У модели с 22 скачиваниями есть репозиторий и карточка.

Тогда где они встречаются?

В одной конкретной архитектуре: приложение, которое должно и слышать, и видеть. Очевидный случай — конвейер поддержки или комплаенса: записанный звонок на мандаринском языке с носителем диалекта, плюс отсканированная форма, загруженная звонящим, и резюме, которое должно связать эти два источника. Ming транскрибирует аудио и отвечает на вопросы о нём; MiniCPM читает форму и извлекает поля. Ни один из них не может выполнить половину работы другого, и связующим звеном между ними является текст.

Именно эту стыковку большинство команд недооценивает. Две контрольные точки с открытыми весами означают две проверки лицензий, два сценария развёртывания, два режима отказа и ещё один вызов модели, чтобы решить, какой документ куда идёт. Путь Ming — это Transformers с trust_remote_code=True и минимальный объём памяти в сотни гигабайт; путь MiniCPM — квантованный файл на ноутбуке. Эксплуатационный разрыв между двумя половинами одного и того же конвейера больше, чем разрыв между большинством конкурирующих моделей.

Слой маршрутизации и его ограничения

OrcaRouter не размещает ни один из чекпойнтов. Оба представляют собой открытые веса, которые вы запускаете самостоятельно; ни один из них не входит в наш каталог, и ни одно предложение здесь не следует воспринимать как предложение эндпоинта. Что маршрутизатор действительно охватывает, так это связующую ткань: классификатор, который определяет, является ли входящий ресурс аудио или изображением, и направляет его в нужный узел, промпт, который задаёт рамки извлечения, и суммаризатор, который объединяет два выхода в один отчёт.

Это обычные текстовые запросы, и аргумент в пользу того, чтобы поставить их за одним API для более чем 200 моделей с наценкой 0%, прост: цена из прайс-листа провайдера передаётся как есть, поэтому снижение цены вендором действует на нашей стороне в тот же день, один ключ вместо трёх контрактов.DSL маршрутизации — это именно та деталь, которая подходит для этой задачи: пайплайн с веткой для аудио и веткой для изображений — это в первую очередь задача маршрутизации, а уже потом задача модели, и автоматическое переключение при сбое не даёт диспетчеру упасть, когда модель классификации даёт сбой, а это единственный вызов в цепочке, который нельзя позволить себе потерять.

Предел столь же прост. Маршрутизация не делает 259-гигабайтный чекпоинт размещённым на хостинге и не превращает vision-модель размером с телефон в ASR-систему.

Краткая версия

Ming-3.0-audio-flash — более амбициозная модель и при этом менее пригодная к использованию сегодня: распознавание диалектной китайской речи лучше, чем у любой другой модели с опубликованными показателями в её классе, независимой проверки нет, интеграция с сервингом не влита, а требования к оборудованию делают её недоступной для всех, у кого нет GPU-узла. MiniCPM-V 4.7 35B-A3B — более завершённый продукт: карточка модели, квантованные версии, поддержка фреймворков, по-настоящему новая история работы на устройстве и сообщество. Это ещё и визуальная модель, а значит, она не может делать то, для чего существует другая.

Выбирайте по модальности — и сравнение займёт тридцать секунд. Выбирайте по амбициозности — и потратите месяц, чтобы выяснить, что у амбициозного варианта 22 скачивания.