Ming-3.0-audio-flash กับ MiniCPM-V 4.7: โมเดลที่ฟังได้ และโมเดลที่พกใส่กระเป๋าได้

หากคุณกำลังเลือกระหว่าง Ming-3.0-audio-flash กับ MiniCPM-V 4.7 35B-A3B คำตอบไม่ได้ใกล้เคียงกันเลยในทุกแกนที่คุณ обычноใช้ชั่งน้ำหนัก เพราะทั้งสองไม่ได้แข่งขันกันในช่องเดียวกัน ตัวหนึ่งเป็นโมเดลผสมผู้เชี่ยวชาญ (mixture of experts) ด้านเสียงและภาษา ขนาด 126,000 ล้านพารามิเตอร์ — เปิดใช้งาน 6,500 ล้านพารามิเตอร์ — ซึ่ง inclusionAI อัปโหลดเมื่อวันที่ 3 กันยายน 2026 และเผยแพร่เอกสารประกอบหกสัปดาห์ต่อมา และต้องใช้ GPU ขนาด 80 GB ถึงแปดตัวในการกำหนดค่าอ้างอิง ส่วนอีกตัวเป็นโมเดลภาพ-ภาษาแบบเบาบางขนาด 35,200 ล้านพารามิเตอร์ ที่ OpenBMB ปล่อยลง Hugging Face ในเย็นวันที่ 6 ตุลาคม 2026 โดยไม่มีโมเดลการ์ดเลย เผยแพร่การ์ดในวันที่ 12 ตุลาคม และอ้างว่าถอดรหัสได้มากกว่า 13 โทเคนต่อวินาทีบน iPhone 17 Pro Max โดยใช้หน่วยความจำประมาณ 3 GB ตัวหนึ่งฟังและตั้งอยู่ในแร็ค อีกตัวหนึ่งมองเห็นและพอดีกับฝ่ามือ สิ่งที่ทำให้ทั้งสองคู่ควรแก่การนำมาไว้ในหน้าเดียวกันก็คือ ทั้งคู่ถูกปล่อยอย่างเงียบ ๆ โดยห้องแล็บจีนในช่วงหกสัปดาห์เดียวกัน ทั้งคู่เป็นโอเพนเวต และทั้งคู่กำลังถูกประเมินโดยทีมที่มีช่องเพียงช่องเดียวในสถาปัตยกรรมของตน ความล้มเหลวของ AI และเหตุการณ์ด้านการปรับใช้ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปรียบเทียบเช่นนี้ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความมั่นใจ และสถานะข้อโต้แย้งของตัวเอง

นี่คือกฎการตัดสินใจไว้ก่อน แล้วตามด้วยหลักฐานสำหรับกฎนั้น หากอินพุตเป็นเสียง — สายเรียกเข้า การประชุม ภาษาถิ่น เพลง เสียงบรรยายที่สร้างขึ้นซึ่งคุณต้องตรวจสอบ — มีเพียงหนึ่งในโมเดลเหล่านี้เท่านั้นที่เริ่มได้ หากอินพุตเป็นภาพ เอกสาร แผนภูมิ ภาพหน้าจอ หรือเฟรมวิดีโอ มีเพียงอีกโมเดลหนึ่งเท่านั้นที่ทำได้ ส่วนที่คาบเกี่ยวกันคือไปป์ไลน์ที่จัดการได้ทั้งสองแบบ และในไปป์ไลน์นั้นทั้งสองเป็นสองขั้นตอนมากกว่าจะเป็นสองตัวเลือก ตัวเลขทุกตัวด้านล่างนี้เป็นข้อมูลที่ผู้ขายรายงานเอง: ของ inclusionAI มาจากภาพประเมินของตัวเอง ของ OpenBMB มาจากการ์ดที่เผยแพร่เมื่อวันที่ 12 ตุลาคม และยังไม่มีฝ่ายที่สามรายใดทำซ้ำผลของทั้งสองได้

สิ่งที่แต่ละคนปฏิเสธที่จะทำ

วิธีที่เร็วที่สุดในการเห็นความแตกต่างคือการระบุสิ่งต่างๆ ที่แต่ละรุ่นจะไม่ยอมรับ เพราะรายการสเปกถูกเขียนขึ้นเพื่อปิดบังเรื่องนี้

• Ming-3.0-audio-flash จะไม่มองอะไรเลย อินพุตของมันคือเสียงและคำสั่งข้อความ ไม่มีตัวเข้ารหัสรูปภาพในรีโพซิทอรี ไม่มีวิสชันทาวเวอร์ในคอนฟิก และไม่มีเส้นทางวิดีโอตั้งแต่การอัปโหลดใหม่เมื่อวันที่ 15 ตุลาคมซึ่งลบตัวแปรภาษาวิดีโอและโทเคนแพตช์ของมันออกไป หากเฟรมใดมีความสำคัญ โมเดลนี้มองไม่เห็นมัน

• MiniCPM-V 4.7 35B-A3B จะไม่สามารถฟังสิ่งใดได้เลย มันถูกติดแท็กเป็น image-text-to-text โปรเซสเซอร์ของมันจัดการรูปภาพและเฟรมวิดีโอ และไม่มี audio tower ไม่มีเส้นทาง ASR และไม่มี TTS head อยู่ที่ใดเลยในน้ำหนักขนาด 70.4 GB ไฟล์ WAV ไม่ใช่ข้อมูลนำเข้าที่มันมีการแทนข้อมูลรองรับ

• Ming-3.0-audio-flash จะไม่สร้างภาพ การแก้ไขภาพ หรือแอสเซ็ต 3D เอาต์พุตเสริมจากข้อความคือเสียงพูด ผ่านโมดูล Talker ที่มีเสียงในตัวและเสียงอ้างอิง

• MiniCPM-V 4.7 35B-A3B จะไม่พูดออกเสียง มันอ่านหน้าและตอบเป็นข้อความ สำหรับเสียง คุณจะต้องเสริมตัวสังเคราะห์เสียงแยกต่างหาก ซึ่งเป็นการตัดสินใจด้านผลิตภัณฑ์ที่แตกต่างออกไป

นั่นคือภาพรวมทั้งหมดของการเปรียบเทียบ สิ่งอื่น ๆ ทั้งหมด — บริบท ความเบาบาง การอนุญาตสิทธิ์ ฮาร์ดแวร์ — ล้วนเป็นรองจากข้อเท็จจริงที่ว่าชุดโมดัลลิตีไม่ทับซ้อนกัน

สองวิธีที่แตกต่างกันอย่างมากในการทำให้เบาบาง

โมเดลทั้งสองเป็นดีไซน์แบบ mixture-of-experts และคำนี้ซ่อนการเดิมพันทางวิศวกรรมที่สวนทางกันไว้

Ming-3.0-audio-flash เป็นแบบ sparse เพราะมีขนาดใหญ่มาก: 42 เลเยอร์, hidden size 2,560, experts 512 ตัว โดยเลือก 8 ตัวต่อโทเคน, รวม 126B และ active 6.5B พร้อมตัวเข้ารหัสเสียงสไตล์ Whisper ที่ 32 เลเยอร์และความกว้าง 1,280 พร้อม mel bins 128 ช่อง ความ sparsity ช่วยเพิ่ม throughput ให้กับโมเดลที่ถ้าไม่เช่นนั้นจะฝึกและให้บริการไม่ได้ แต่มันไม่ได้ทำให้โมเดลมีขนาดเล็ก Shards แบบ bfloat16 จำนวน 25 ชิ้นพร้อมคู่ Talker และ VAE รวมแล้วประมาณ 259 GB บนดิสก์ และโปรไฟล์การให้บริการ 128K ของผู้ขายใช้ tensor parallelism บน H800 ขนาด 80 GB จำนวนแปดตัว

MiniCPM-V 4.7 35B-A3B มีความเบาบางด้วยเหตุผลตรงกันข้าม: พารามิเตอร์ที่จัดเก็บไว้ 35.2 พันล้านตัวถูกกำหนดเส้นทางแบบ 8 จาก 256 ต่อโทเคน ครอบคลุมเลเยอร์ข้อความมากกว่า 40 เลเยอร์ ด้วยรูปแบบแอตเทนชันแบบสามเชิงเส้นต่อหนึ่งเต็ม อยู่เบื้องหลังหอภาพ 27 เลเยอร์ที่ขนาดซ่อน 1,152 ซึ่งแทรกที่เลเยอร์ 6 ของสแตกข้อความ ข้ออ้างที่ผูกกับดีไซน์นั้นไม่ใช่ปริมาณงานบนคลัสเตอร์ แต่คือความเป็นไปได้ในการใช้งานบนโทรศัพท์ Lookahead Expert Scheduling ของ OpenBMB ทำนายว่าเลเยอร์ถัดไปจะต้องใช้ผู้เชี่ยวชาญใด ดึงข้อมูลเหล่านั้นล่วงหน้า และซ้อนทับการโหลดกับการคำนวณ — เป็นกลเม็ดที่คุณคิดขึ้นได้ก็ต่อเมื่อคอขวดคือแบนด์วิดท์หน่วยความจำบนอุปกรณ์พกพา ไม่ใช่ FLOPs ในศูนย์ข้อมูล

• จำนวนพารามิเตอร์ทั้งหมด — Ming-3.0-audio-flash 126B; MiniCPM-V 4.7 35B-A3B 35.2B

• พารามิเตอร์ที่ใช้งานอยู่ — 6.5B เทียบกับประมาณ 3B (ผู้เชี่ยวชาญ 8 จาก 256 ราย บวกผู้เชี่ยวชาญที่ใช้ร่วมกัน)

• บริบท — 131,072 โทเค็น เทียบกับ 262,144

• น้ำหนักบนดิสก์ — ประมาณ 259 GB เทียบกับ 70.4 GB กระจายใน 16 ชาร์ด

• ฮาร์ดแวร์อ้างอิง — H800 ขนาด 80 GB จำนวนแปดตัว เทียบกับ iPhone 17 Pro Max ที่ 13+ โทเค็นต่อวินาที และประมาณ 3 GB

• สัญญาอนุญาต — MIT เทียบกับ Apache-2.0 โดยทั้งคู่ระบุไว้ในการ์ดของแต่ละรายการ

จุดที่งานภาษาจีนแตกต่างออกไปจริง ๆ

โมเดลทั้งสองถูกสร้างโดยห้องแล็บจีน และทั้งคู่แข็งที่สุดในภาษาจีน แต่พวกมันเก่งคนละด้าน และตารางของผู้ขายก็ทำให้เห็นเรื่องนี้ชัดเจนเป็นพิเศษ

Ming-3.0-audio-flash แข็งแกร่งที่สุดในจุดที่งานเสียงพูดยากที่สุดพอดี จากภาพผลการประเมินของตัวเอง รายงานว่าค่าเฉลี่ยอัตราความผิดพลาดของ ASR ภาษาจีนอยู่ที่ 3.45 และค่าเฉลี่ยภาษาถิ่นอยู่ที่ 9.40 — กวางตุ้ง 4.09, เซี่ยงไฮ้ 11.15, ฮกเกี้ยน 12.84, หูเป่ย์ 9.46, หูหนาน 8.76 — เทียบกับค่าอ้างอิง Gemini 3.8 Flash ที่ 48.41 ในค่าเฉลี่ยภาษาถิ่น ภาพเดียวกันยังแสดงว่าแพ้ในด้าน speaker diarization (AMI 25.29 เทียบกับ 11.16 ของ MiMo-V2.6 Pro) และด้านการให้เหตุผลกับเสียงยาว (คะแนน Chain 12.31 เทียบกับ 34.54 ของ Qwen3.8-Omni Flash) ดังนั้นการตีความตามจริงคือ: เก่งมากในการถอดเสียงที่มีสำเนียง ปกติในการแยกว่าใครพูดและบันทึกมีความหมายว่าอะไร

MiniCPM-V 4.7 35B-A3B แข็งแกร่งที่สุดในงานภาพภาษาจีนที่มีข้อมูลหนาแน่น: 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 — ทั้งหมดเป็นชาร์ตของ OpenBMB เอง ทั้งหมดยังไม่มีการทำซ้ำ และหลายแถวถูกระบุว่าชนะโมเดลระดับ 35B อย่าง Qwen และ Gemma ด้วยส่วนต่างเพียงเล็กน้อย กลไกคือการดาวน์แซมเปลิงโทเค็นแบบผสม 4x/16x ของ vision tower: 16x รวมโทเค็นเพื่อความเร็ว ส่วน 4x เก็บโทเค็นไว้มากกว่าสี่เท่าเพื่อรายละเอียดปลีกย่อย และต้องส่งการตั้งค่านี้ไปยังทั้ง processor และ generate() มิฉะนั้นทั้งสองจะไม่ตรงกัน

ดังนั้น การทับซ้อนของความสามารถด้านภาษาจีนจึงมีขอบเขตแคบและเป็นเรื่องจริง: เอกสารภาษาจีนที่สแกนแล้วซึ่งมีบันทึกเสียงแนบมาด้วยเป็นปัญหาที่ต้องใช้สองโมเดล และไม่มีโมเดลใดรับมืออีกครึ่งหนึ่งได้

ต้นทุนในการนำตัวใดตัวหนึ่งขึ้นใช้งานจริง

ตัวเลขเหล่านี้เทียบกันไม่ได้ และการเสแสร้งว่าเทียบกันได้ก็คือความล้มเหลวตามปกติของงานเขียนประเภทนี้

Ming-3.0-audio-flash ใช้ทรัพยากรหนึ่งโหนด H800s ขนาด 80 GB จำนวนแปดใบคือโปรไฟล์ของผู้จำหน่ายสำหรับคอนเท็กซ์ 128K ส่วนทางเลือก SGLang ที่ผ่านการตรวจสอบแล้วใช้ GPU สี่ใบและให้ผลลัพธ์เป็นข้อความเท่านั้น Ming-3.0-audio-tiny ซึ่งเป็นรุ่นพี่น้องที่มีพารามิเตอร์รวม 9.3B และเปิดใช้งาน 2.7B พอดีกับการ์ดขนาดใหญ่เพียงใบเดียว แต่ตัวเลขที่เผยแพร่ของรุ่นนี้แย่กว่าอย่างสม่ำเสมอบนตารางเดียวกัน — long-audio Chain 10.56 เทียบกับ 12.31, LongAudioSpan 35.45 เทียบกับ 41.12, URO-Bench-Pro 54.15 เทียบกับ 81.92 — ดังนั้นมันจึงเป็นผลิตภัณฑ์ที่แตกต่างออกไป ไม่ใช่รุ่นที่ถูกกว่า

MiniCPM-V 4.7 35B-A3B มีต้นทุนเท่ากับโทรศัพท์หนึ่งเครื่อง หรือ GPU เพียงตัวเดียว หรือไม่เสียค่าใช้จ่ายเลยหากผู้ใช้ของคุณนำอุปกรณ์มาเอง มันมีระบบนิเวศที่คึกคักซึ่ง Ming ไม่มี ได้แก่ ตัวแปร GGUF, FP8, int4, GPTQ และ AWQ ที่เผยแพร่ภายในไม่กี่วัน โมเดลร่างสำหรับ speculative decoding ชื่อ DSpark การรองรับใน llama.cpp และ Ollama รวมถึง vLLM และ SGLang ยอดดาวน์โหลด 76,000 ครั้ง และถูกใจกว่าหนึ่งพันครั้งบน repository หลัก ไม่ว่าความจริงอื่นจะเป็นอย่างไร นี่คือโมเดลที่คนอื่นกำลังรันอยู่แล้ว

ความแตกต่างด้านการนำไปใช้นั้นเป็นข้อเท็จจริงที่เกี่ยวกับการตัดสินใจมากที่สุดในบทความ และมันไม่เกี่ยวกับคุณภาพเลย โมเดลที่มียอดดาวน์โหลด 76,000 ครั้งมีชุมชนที่เจอบั๊กของคุณไปแล้ว ส่วนโมเดลที่มียอดดาวน์โหลด 22 ครั้งมีรีโพซิทอรีและการ์ดโมเดล

แล้วพวกเขาพบกันที่ไหน

ในสถาปัตยกรรมเดียวเท่านั้น: แอปพลิเคชันที่ต้องทั้งได้ยินและมองเห็น กรณีที่ชัดเจนคือไปป์ไลน์ด้านซัพพอร์ตหรือการปฏิบัติตามข้อกำหนด — สายที่บันทึกไว้เป็นภาษาจีนกลางโดยมีผู้พูดที่เป็นเจ้าของภาษาถิ่น บวกกับแบบฟอร์มที่สแกนซึ่งผู้โทรอัปโหลด และบทสรุปที่ต้องเชื่อมโยงทั้งสองเข้าด้วยกัน Ming ถอดเสียงและตอบคำถามเกี่ยวกับเสียง ส่วน MiniCPM อ่านแบบฟอร์มและดึงข้อมูลฟิลด์ ทั้งสองฝ่ายไม่สามารถทำงานอีกครึ่งหนึ่งของกันและกันได้ และจุดเชื่อมระหว่างทั้งสองคือข้อความ

จุดเชื่อมนี้คือส่วนที่หลายทีมประเมินต่ำเกินไป เช็กพอยต์แบบ open-weight สองตัวหมายถึงการตรวจสอบสัญญาอนุญาตสองครั้ง แนวทางการดีพลอยสองแบบ รูปแบบความล้มเหลวสองแบบ และการเรียกโมเดลเพิ่มอีกหนึ่งครั้งเพื่อตัดสินว่าเอกสารใดไปที่ใด เส้นทางของ Ming คือ Transformers ที่ใช้ trust_remote_code=True และพื้นหน่วยความจำระดับหลายร้อยกิกะไบต์ ส่วนของ MiniCPM คือไฟล์ควอนไทซ์บนแล็ปท็อป ความต่างเชิงปฏิบัติการระหว่างสองครึ่งของไปป์ไลน์เดียวกันนั้นมากกว่าความต่างระหว่างโมเดลคู่แข่งส่วนใหญ่เสียอีก

เลเยอร์การกำหนดเส้นทาง และข้อจำกัดของมัน

OrcaRouter ไม่ได้โฮสต์ checkpoint ทั้งสองตัว ทั้งคู่เป็น open weights ที่คุณรันเอง ไม่มีตัวใดอยู่ในแคตตาล็อกของเรา และไม่ควรตีความประโยคใด ๆ ที่นี่ว่าเป็นการเสนอ endpoint สิ่งที่เราเตอร์เข้าถึงได้จริงคือส่วนเชื่อมประสาน: ตัวจำแนกที่ตัดสินว่าแอสเซ็ตขาเข้าเป็นเสียงหรือภาพ แล้วส่งไปยังโหนดที่ถูกต้อง พรอมป์ต์ที่กำหนดกรอบการสกัด และตัวสรุปที่รวมเอาต์พุตทั้งสองเป็นรายงานฉบับเดียว

สิ่งเหล่านั้นคือการเรียกข้อความทั่วไป และเหตุผลในการวางสิ่งเหล่านี้ไว้เบื้องหลัง API เดียวสำหรับโมเดลมากกว่า 200 รายการในมาร์กอัป 0%นั้นเรียบง่าย — ราคาตามรายการของผู้ให้บริการถูกส่งผ่านไปโดยตรง ดังนั้นเมื่อผู้ขายลดราคา ฝั่งเราก็อัปเดตทันทีในวันเดียวกัน ใช้คีย์เดียวแทนสัญญาสามฉบับ DSL สำหรับการจัดเส้นทางคือส่วนที่เหมาะกับปัญหานี้โดยเฉพาะ: ไปป์ไลน์ที่มีสาขาสำหรับเสียงและสาขาสำหรับรูปภาพเป็นปัญหาเรื่องการจัดเส้นทางก่อนที่จะเป็นปัญหาเรื่องโมเดล และ การสลับไปใช้งานสำรองอัตโนมัติช่วยให้ตัวจัดส่งยังทำงานอยู่เมื่อโมเดลจำแนกประเภทเกิดสะดุด ซึ่งเป็นการเรียกหนึ่งครั้งในเชนที่คุณขาดไม่ได้

ขีดจำกัดก็เรียบง่ายพอ ๆ กัน การทำ routing ไม่ได้ทำให้ checkpoint ขนาด 259 GB ถูกโฮสต์ และไม่ได้ทำให้โมเดลวิชันขนาดเท่าโทรศัพท์กลายเป็นระบบ ASR

เวอร์ชันสั้น

Ming-3.0-audio-flash เป็นโมเดลที่ทะเยอทะยานกว่าและเป็นรุ่นที่ใช้งานได้น้อยกว่าในปัจจุบัน: การรู้จำเสียงภาษาจีนถิ่นได้ดีกว่าสิ่งอื่นใดในระดับเดียวกันที่มีตัวเลขเผยแพร่ ไม่มีการตรวจสอบอิสระ ไม่มีงานรวมระบบให้บริการที่ถูก merge และมีข้อกำหนดฮาร์ดแวร์ที่ทำให้คนที่ไม่มี GPU node เข้าไม่ถึง MiniCPM-V 4.7 35B-A3B เป็นผลิตภัณฑ์ที่สมบูรณ์กว่า: มี model card, quant, การรองรับเฟรมเวิร์ก, เรื่องราวการใช้งานบนอุปกรณ์ที่ใหม่จริง และมีชุมชน แต่ก็ยังเป็นโมเดลภาพ ซึ่งหมายความว่ามันทำสิ่งที่มีไว้สำหรับอีกโมเดลหนึ่งไม่ได้

เลือกตามโมดัลลิตี้ แล้วการเปรียบเทียบจะใช้เวลาสามสิบวินาที เลือกตามความทะเยอทะยาน แล้วคุณจะต้องใช้เวลาหนึ่งเดือนกว่าจะค้นพบว่าตัวที่ทะเยอทะยานกว่านั้นมีคนดาวน์โหลด 22 ครั้ง