Ming-3.0-audio-tiny เทียบกับ Qwen-Audio 3.1: หน้าต่างที่คุณคำนวณได้ กับแคตตาล็อกที่คุณคำนวณไม่ได้

นี่คือตัวเลขที่ตรวจสอบง่ายแต่ใช้งานยาก: แบ็กโบนข้อความด้านใน Ming-3.0-audio-tiny ถูกกำหนดค่าให้รองรับ 131,072 ตำแหน่ง และ audio tower ด้านหน้าของมันรับครั้งละ 3,000 เฟรมพร้อม 128 mel bins Qwen-Audio 3.1 ในทางกลับกัน ไม่เปิดเผยความยาวบริบทเลย — ไม่ว่าบนดัชนีโมเดล หรือในคำอธิบายบรรทัดเดียวที่แนบมากับ ID โมเดลสามรายการของมัน ฝ่ายหนึ่งยื่นตัวเลขให้คุณแล้วปล่อยให้คุณตีความเอง อีกฝ่ายยื่นชื่อผลิตภัณฑ์สามชื่อให้คุณแล้วปล่อยเรื่องฮาร์ดแวร์ให้ Alibaba ความไม่สมมาตรนี้คือการเปรียบเทียบทั้งหมด และมันไม่ใช่การเปรียบเทียบว่าโมเดลไหนได้ยินดีกว่า แต่เป็นการเปรียบเทียบว่าคุณประเมินขนาดของตัวไหนได้ก่อนที่คุณจะใช้จ่ายอะไรเลย ความล้มเหลวของ AI และเหตุการณ์ของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และแฟล็กข้อโต้แย้งของตัวเอง

เริ่มด้วยวันที่ก่อน เพราะโมเดลนี้มีลำดับเวลาที่ชวนฉงน เวตเบื้องหลัง Ming-3.0-audio-tiny ถูกเผยแพร่บน Hugging Face เมื่อวันที่ 3 กันยายน 2026 โดย repository ถูกสร้างเมื่อเวลา 11:45 UTC และไฟล์ safetensors สองชาร์ดตามมาอีกสี่นาทีต่อมา สิ่งที่เปลี่ยนไปเมื่อเร็ว ๆ นี้ไม่ใช่ checkpoint ระหว่างวันที่ 16 ถึง 19 ตุลาคม 2026 repository ถูกเขียนใหม่โดยมี checkpoint นี้เป็นศูนย์กลาง — คอนฟิกที่ในที่สุดก็อธิบายโมเดลเสียงแทนที่จะเป็นโมเดลวิดีโอ-ภาษา, Talker สำหรับเอาต์พุตเสียงพูด, คลิปเสียงอ้างอิงสองคลิปพร้อมถอดความ, โปรไฟล์การดีพลอยสามแบบบน GitHub และเมื่อวันที่ 19 ตุลาคม เวลา 13:19 UTC การ์ดโมเดลแรกที่ repository นี้เคยมี ไม่มีใครประกาศเรื่องนี้ ดังนั้นคำถามที่ยุติธรรมจึงไม่ใช่ว่าอะไรเปิดตัวในเดือนกันยายน แต่คือสิ่งที่คุณคำนวณได้ตอนนี้เกี่ยวกับการรันมัน และแคตตาล็อกของ Alibaba เปิดและไม่เปิดให้คุณคำนวณอะไรเกี่ยวกับทางเลือกอื่น

เปลี่ยน 131,072 โทเค็นให้เป็นนาที

ตัวเลขนี้เป็นของจริงและสามารถทดสอบได้ ซึ่งเป็นสิ่งที่พูดได้มากกว่าคำกล่าวอ้างเรื่อง context ส่วนใหญ่ คอนฟิกข้อความประกาศ max_position_embeddings 131,072, MLA attention ที่มี KV latent กว้าง 512 และ rotary base ที่ 6,000,000 แต่หน้าต่าง context ในหน่วยโทเค็นจะกลายเป็นประโยชน์ก็ต่อเมื่อคุณรู้ว่าเสียงหนึ่งวินาทีกินโทเค็นเท่าใด และผู้ขายไม่ได้บอกไว้ คุณสามารถอนุมานได้จากตัวเลขของ audio tower เอง

• อินพุตของเอนโคเดอร์ — 3,000 เฟรมของ mel bins 128 ช่อง ซึ่งเป็นหน้าต่าง 30 วินาทีเดียวกันกับที่ Whisper ใช้ที่ hop 10 มิลลิวินาที

• ดาวน์แซมเปลอร์ — เคอร์เนล [3,3,3] พร้อมสไตรด์ [2,2,2] ดังนั้นหนึ่งหน้าต่างจะยุบตัวลงด้วยปัจจัยแปด

• โทเคนต่อหน้าต่าง — 3,000 หารด้วย 8 คือ 375 โทเคนเสียงสำหรับเสียงประมาณ 30 วินาที

• สิ่งที่หมายความว่า — 131,072 หารด้วย 375 ได้ประมาณ 349 วินโดว์ หรือน้อยกว่าสามชั่วโมงของเสียงเล็กน้อย หากไปป์ไลน์ป้อนสตรีมต่อเนื่องเพียงสตรีมเดียว แทนที่จะบัฟเฟอร์ใหม่ระหว่างวินโดว์

ข้อกำหนดสุดท้ายนั้นมีน้ำหนักมาก และฉันต้องการพูดให้ชัดเจนเกี่ยวกับเรื่องนี้ ตัวเลขสามชั่วโมงเป็นการคำนวณจากค่าการตั้งค่าที่เผยแพร่แล้วสองค่า ไม่ใช่คำกล่าวอ้างของผู้ขาย และตัวเลขนี้จะผิดหากโปรเซสเซอร์รีเซ็ตตำแหน่งระหว่างคลิป ซึ่งเป็นสิ่งที่โปรไฟล์การสร้างซ้ำของ ASR บ่งชี้อย่างชัดเจนเมื่อจำกัดเสียงไว้ที่หนึ่งคลิปต่อพรอมป์ต์ ให้ถือว่ามันเป็นขอบเขตบนที่ต้องทดสอบ ไม่ใช่ข้อกำหนดที่จะอ้างอิง

สิ่งที่ไม่ใช่การคำนวณคือผลกระทบด้านหน่วยความจำ MLA เก็บ KV latent แทนคีย์และค่าต่อหัว ซึ่งเป็นเหตุผลว่าทำไมหน้าต่าง 131K จึงพอเป็นไปได้บนการ์ดใบเดียว โปรไฟล์ข้อความอ้างอิงจอง 0.92 ของ GPU ตัวเดียวด้วย max_num_batched_tokens 32,768 ซึ่งเป็นการจองที่คำนวณขนาดสำหรับหน้าต่างเต็มพร้อมแบตช์ขนาดใหญ่ ไม่ใช่ค่าขั้นต่ำ ลด max_model_len ลง แล้วการจองก็จะลดลงตามไปด้วย ชาร์ดของ Thinker รวมเป็น 17.74 GB ดังนั้นการ์ด 24 GB จึงเก็บน้ำหนักได้โดยยังมีพื้นที่เหลือ

อีกฝ่ายตอบคำถามเดียวกันด้วยการแยกผลิตภัณฑ์

ดัชนี Model Studio ของ Alibaba ระบุ Qwen-Audio 3.1 เป็น ID โมเดลสามรายการ แทนที่จะเป็นโมเดลเดียวที่มีฟิลด์บริบท โดย qwen-audio-3.1-asr-flash-streaming และ qwen-audio-3.1-asr-flash-filetrans อยู่ภายใต้การรู้จำเสียงพูด ส่วน qwen-audio-3.1-realtime-plus อยู่ภายใต้ speech-to-speech และอธิบายว่าเป็นการสนทนาด้วยเสียงแบบ end-to-end โดยไม่ต้องเรียก ASR และ TTS แยกกัน บนหน้านั้นไม่มีน้ำหนักโมเดล จำนวนพารามิเตอร์ ความยาวบริบท หรือราคา เอกสารรายละเอียดสำหรับแต่ละ ID ไม่สามารถเข้าถึงได้เมื่อตรวจสอบ

จงมองการแยกนั้นว่าเป็นคำตอบสำหรับปัญหาออดิโอความยาวมาก มากกว่าจะเป็นความบังเอิญของการจัดแพ็กเกจผลิตภัณฑ์ SKU สำหรับถอดเสียงจากไฟล์คือวิธีที่ผู้ให้บริการขายออดิโอหนึ่งชั่วโมง: คุณอัปโหลดไฟล์ บริการจะแบ่งไฟล์เป็นชิ้นตามใจชอบ และหน้าต่างบริบทก็กลายเป็นปัญหาทางวิศวกรรมของคนอื่น SKU แบบสตรีมมิ่งคือวิธีที่ผู้ให้บริการขายสายโทรศัพท์ ไม่มี SKU ใดเปิดเผยตัวเลขที่ Ming เปิดเผย ซึ่งหมายความว่าคุณไม่สามารถสร้างแบบจำลองความจุสำหรับ Qwen-Audio 3.1 ได้แบบเดียวกับที่ทำได้สำหรับ Ming-3.0-audio-tiny คุณทำได้เพียงสร้างบิล และแม้แต่สิ่งนั้นก็ยังต้องใช้คอนโซล

• สิ่งที่คุณตรวจสอบได้ — Ming: คอนฟิก สถาปัตยกรรม ใบอนุญาต ไฟล์ safetensors สี่ไฟล์ ภาพ benchmark สามภาพ และ YAML สำหรับการติดตั้งใช้งาน Qwen: ตัวระบุสามรายการ พร้อมคำอธิบายรายการละหนึ่งประโยค

• สิ่งที่คุณประเมินขนาดได้ — Ming: น้ำหนักโมเดล 17.74 GB และ GPU หนึ่งตัวสำหรับข้อความ สองตัวสำหรับเสียงพูด Qwen: ไม่ทราบจนกว่าคุณจะได้ดูใบอัตราค่าบริการที่มองไม่เห็นจากตรงนี้

• สิ่งที่คุณแคชได้ — Ming: KV cache ของคุณเอง ที่ max_model_len ของคุณเอง Q​wen: สิ่งที่ endpoint ทำภายในโดยมองไม่เห็น

• โหมดความล้มเหลว — Ming: OOM ที่คุณก่อขึ้นและแก้ไขได้ Qwen: โควตา ภูมิภาค หรือหน้าเอกสารที่ไม่ส่งคืนสิ่งใดเลย

• สัญญาอนุญาต — Ming: MIT ในเมทาดาทาของการ์ดและในไฟล์ LICENSE ของรีโพซิทอรี GitHub แม้ว่าควรสังเกตว่าคลัง Hugging Face ไม่มีไฟล์ LICENSE ของตัวเองก็ตาม Qwen: ข้อกำหนดทางการค้าของ Model Studio เนื่องจากไม่มีสัญญาอนุญาตของน้ำหนักโมเดลให้อ่าน

คำถาม benchmark ที่ไม่มีใครตอบอย่างตรงไปตรงมาได้

Ming-3.0-audio-tiny มาพร้อมภาพการประเมินสามภาพใน assets/ และทุกช่องในภาพเหล่านั้นคือ inclusionAI ที่วัด inclusionAI เอง การ์ดระบุแถวที่ประเมินเองด้วยเครื่องหมายดอกจัน และยอมรับว่าโมเดลที่ใช้เปรียบเทียบถูกทำซ้ำภายใต้พรอมป์และการตั้งค่าการถอดรหัสของตัวเอง นั่นเป็นการเปิดเผยตามปกติ และควรค่าแก่การเชื่อตามที่ระบุไว้: สิ่งเหล่านี้เป็นเป้าหมายการออกแบบ ไม่ใช่ผลลัพธ์

สำหรับการเปรียบเทียบครั้งนี้ ตัวเลขยิ่งน่าอึดอัดเป็นทวีคูณ เพราะคอลัมน์ที่มีประโยชน์ไม่ใช่คอลัมน์ที่มีอยู่ ในด้านการรู้จำภาษาจีน โมเดลขนาดเล็กมีค่าเฉลี่ยความผิดพลาดระดับอักขระ 3.79 เทียบกับ 3.45 ของรุ่นพี่ที่ใหญ่กว่า และในด้านภาษาถิ่นอยู่ที่ 10.29 เทียบกับ 9.40 ในด้านความสามารถเชิงเสียง оноเสียเปรียบอย่างชัดเจน — MMAU 75.90 เทียบกับ 82.00, MMAU-Pro 56.42 เทียบกับ 66.41 และการทรุดตัวของการโต้ตอบด้วยเสียงบน URO-Bench-Pro จาก 81.92 เหลือ 54.15 ทั้งหมดนั้นเล็กน้อยเมื่อเทียบกับ flash ไม่มีส่วนใดเล็กน้อยเมื่อเทียบกับ Qwen-Audio 3.1 เพราะ Qwen-Audio 3.1 ไม่ได้เผยแพร่คะแนนที่เทียบเคียงได้ และไม่มีชุดทดสอบร่วมกัน ไม่มีการกำหนดค่าการถอดรหัสร่วมกัน และไม่มีบุคคลที่สามรายใดที่รันทั้งสองตัว

มีช่องว่างที่สองที่ควรค่าแก่การระบุไว้ เพราะตรวจสอบได้ภายในสิบวินาที การ์ดระบุว่าตัวเลขที่แชร์รวมถึงผลลัพธ์ของทั้งสองรุ่นย่อย Ming ซึ่งเป็นจริงสำหรับภาพการรู้จำและภาพด้านปัญญาเสียง ภาพด้านปัญญาข้อความมีสี่คอลัมน์ และโมเดลขนาดเล็กไม่ได้อยู่ในนั้น — คอลัมน์ของภาพนั้นคือ Ming-3.0-audio-flash, Qwen3.8-Omni Flash, Qwen3.5-Omni Plus และ Qwen3.5-Omni Flash หากคำถามของคุณคือแบ็กโบนที่ใช้งานจริง 2.7B สามารถสนทนาเชิงเหตุผลเกี่ยวกับเสียงได้หรือไม่ inclusionAI ยังไม่ได้ตอบคำถามนั้นในภาพดังกล่าว ไม่ว่าประโยคเหนือภาพจะกล่าวว่าอย่างไร

สองรูปทรงนี้ล้มเหลวต่างกันอย่างไรเมื่อครบสามชั่วโมง

เสียงยาวคือจุดที่ความแตกต่างระหว่างผลิตภัณฑ์ไม่ใช่แค่เรื่องผิวเผินอีกต่อไป checkpoint เดียวที่มีหน้าต่าง 131K คือคำสัญญาว่าโมเดลเดียวจะอ่านบันทึกทั้งไฟล์และจดจำสิบห้านาทีแรกได้เมื่อไปถึงนาทีสุดท้าย คำสัญญานี้มีรูปแบบความล้มเหลวที่เฉพาะเจาะจง: ทุกอย่างเสื่อมลงไปพร้อมกัน หากเสียงล้นเกินหน้าต่าง คุณต้องแบ่งเป็นชิ้น และการแบ่งชิ้นคือจุดที่การให้เหตุผลข้ามชิ้นเงียบๆ ตายไป — ผู้พูดที่ถูกแนะนำในนาทีที่สองกลายเป็นคนแปลกหน้าอีกครั้งในนาทีที่สี่สิบ

เอสเคยูถอดเสียงไฟล์นั้นปกปิดปัญหานั้นไว้ และสืบทอดปัญหาอีกแบบที่ต่างออกไป คุณไม่ได้ควบคุมการแบ่งชังก์ (chunking) ดังนั้นคุณจึงไม่สามารถสร้างทรานสคริปต์ที่แย่ซ้ำได้ คุณไม่อาจบอกได้ว่าบริการเก็บบริบทข้ามชังก์ไว้หรือเย็บหน้าต่างที่เป็นอิสระต่อกัน และเมื่อเอาต์พุตเปลี่ยนไประหว่างการอัปโหลดสองครั้งที่เหมือนกัน คุณก็ไม่มีตัวแปรใดให้แยกแยะ เอสเคยูแบบสตรีมมิ่งซื่อตรงกับข้อจำกัดของมันตั้งแต่ในชื่อ: มันถูกสร้างมาเพื่อปล่อยผลลัพธ์ออกมาขณะเสียงมาถึง ซึ่งเป็นรูปแบบที่เหมาะสำหรับคำบรรยาย และเป็นรูปแบบที่ผิดสำหรับการตรวจสอบด้านการปฏิบัติตามกฎระเบียบของการโทรเก้าสิบนาที

ดังนั้นการตัดสินใจจึงไม่ใช่ “อันไหนแม่นกว่ากัน” — ไม่มีฝ่ายไหนให้ตัวเลขที่ช่วยยุติเรื่องนี้ได้ มันคือ “ความล้มเหลวแบบไหนที่ฉันดีบักได้” ถ้าคุณต้องสร้างทรานสคริปต์ซ้ำแบบไบต์ต่อไบต์ ให้เป็นเจ้าของ checkpoint เอง ถ้าคุณต้องได้ทรานสคริปต์ภายในยี่สิบนาทีและมีคนอื่นคอยรับ pager ให้ ก็เช่า SKU ไป

จุดที่เราเตอร์พิสูจน์คุณค่าในไปป์ไลน์นี้

OrcaRouter ไม่ได้ให้บริการ Ming-3.0-audio-tiny โมเดลนี้ไม่อยู่ในแคตตาล็อกของเรา และเราไม่สามารถให้ endpoint สำหรับโมเดลนี้ได้ ไม่มีสิ่งใดในที่นี้เป็นข้อเสนอที่จะให้บริการดังกล่าว สิ่งที่เราเตอร์เข้าถึงได้คือส่วนของไปป์ไลน์เสียงความยาวมากที่ไม่ใช่ตัวโมเดลเสียง ได้แก่ การตัดสินใจว่าการบันทึกเสียงใดจะไปยังโมเดล 2.7B ภายในเครื่อง และรายการใดจะไปยังโมเดลที่ใหญ่กว่า การเขียนสรุปจากข้อความถอดเสียง การดึงรายการสิ่งที่ต้องดำเนินการ และการติดแท็กการโทร สิ่งเหล่านี้เป็นการเรียกแบบข้อความ และ โมเดลมากกว่า 200 โมเดลภายใต้คีย์เดียวเป็นเส้นทางที่สั้นกว่าสัญญาผู้ให้บริการสี่ฉบับ — ในราคาตามรายการของผู้ให้บริการโดยบวกมาร์กอัป 0% ดังนั้นเมื่อผู้ให้บริการลดราคา จำนวนที่คุณจ่ายจะเปลี่ยนในวันเดียวกัน การ failover อัตโนมัติมีความสำคัญกว่าปกติในกรณีนี้: งานถอดเสียงที่ล้มเหลวที่นาทีที่แปดสิบของไฟล์ความยาวเก้าสิบนาที ควรลองใหม่บนเส้นทางที่สอง ไม่ใช่เริ่มต้นใหม่ทั้งหมด

เส้นแบ่งนี้ควรพูดออกมาดัง ๆ เราเตอร์จัดเส้นทางการเรียก แต่ไม่ได้เปลี่ยนเช็กพอยต์ขนาด 17.74 GB ให้กลายเป็นเอนด์พอยต์ที่โฮสต์ไว้ และไม่ได้บอกคุณว่าหน้าต่าง 131K ของ Ming เป็นของจริงหรือไม่ มีเพียงไฟล์เสียงหนึ่งชั่วโมงของคุณเองเท่านั้นที่ทำแบบนั้นได้

การทดลองที่ชี้ขาดเรื่องนี้

เลือกไฟล์บันทึกเสียงหนึ่งไฟล์ที่คุณรู้คำตอบอยู่แล้ว — เช่นการประชุมที่มีผู้พูดสามคน ซึ่งหนึ่งในนั้นสลับภาษากลางประโยค — แล้วรันผ่านทั้งสองตัว สำหรับ Ming-3.0-audio-tiny ให้โหลดด้วย trust_remote_code=True ใช้ ASR prompt ที่การ์ดโมเดลตรวจสอบแล้ว (ระบุภาษา กดแท็บ จากนั้นตามด้วยข้อความถอดเสียง — แท็บนั้นคือ parser ของคุณ) และตั้ง max_model_len ให้เท่ากับความยาวที่คุณต้องการพอดี แทนที่จะใช้ค่าเริ่มต้น สำหรับ Qwen-Audio 3.1 ให้รันไฟล์เดียวกันผ่านทั้ง SKU สำหรับถอดเสียงจากไฟล์และ SKU แบบเรียลไทม์ เพราะเป็นผลิตภัณฑ์คนละตัวและจะไม่ให้ผลตรงกัน

จากนั้นเปรียบเทียบสามสิ่ง ซึ่งไม่มีสิ่งใดเป็นคะแนน benchmark โมเดลรักษาตัวตนของผู้พูดได้ตลอดทั้งไฟล์หรือไม่? มันผ่านการสลับภาษาโดยไม่ทับศัพท์หรือไม่? และคุณอธิบายผลลัพธ์ได้ดีพอที่จะเปลี่ยนตัวแปรหนึ่งตัวแล้วรันอีกครั้งหรือไม่? คำถามสุดท้ายคือคำถามที่ตัดสินว่าคุณกำลังประเมินโมเดลหรือกำลังออดิชันผู้ขาย และเป็นจุดเดียวที่สองสิ่งนี้ไม่ใกล้เคียงกัน