Ming-3.0-audio-flash vs InternLumina U2: Hai con tàu lặng lẽ, giấy tờ trái ngược

Cả hai mô hình này đều được công bố mà không có thông cáo báo chí, và đó gần như là nơi những điểm tương đồng kết thúc. Ming-3.0-audio-flash được đưa lên Hugging Face vào ngày 3 tháng 9 năm 2026 dưới dạng 259 GB trọng số với gần như không có tài liệu, và chỉ nhận được một thẻ mô hình thực sự vào ngày 19 tháng 10. InternLumina-U2 đi theo hướng ngược lại: Shanghai AI Laboratory công bố mã suy luận và một trang dự án vào ngày 1 tháng 9 năm 2026, hứa sẽ phát hành trọng số, rồi phát hành chúng sau đó trong các thư mục riêng theo phần cứng. Một nhóm đưa sản phẩm lên trước và đưa ra lời giải thích sáu tuần sau. Nhóm kia viết lời giải thích trước và khiến bạn phải chờ sản phẩm. Cả hai đều không công bố bất cứ điều gì, cả hai đều không có đánh giá chuẩn độc lập, và không cái nào thay thế được cái kia — một cái nghe, cái kia nhìn và vẽ. Những thất bại AI được ghi chép và các sự cố phát hành âm thầm đằng sau những so sánh như thế này được tập hợp trong OrcaRouter AI Incident Archive nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Điều đó khiến đây trở thành một so sánh về hai thứ cùng lúc: hai đặt cược khác nhau về mục đích của một mô hình đa phương thức mở, và hai thói quen khác nhau khi phát hành một mô hình như vậy. Nửa sau hữu ích hơn vẻ ngoài của nó, vì giấy tờ chính là thứ cho bạn biết liệu bạn có thể triển khai thứ này vào một ngày thứ Ba hay không. Mọi thứ dưới đây đến từ hai kho lưu trữ và thẻ của chúng. Số liệu của Ming là của chính inclusionAI; số liệu của InternLumina là của Shanghai AI Lab, và thẻ của chính nó ghi chúng là "kết quả sơ bộ, một phần." Chưa có bên thứ ba nào chấm điểm cả hai.

Hai dòng thời gian phát hành, đặt cạnh nhau

Ngày tháng là bằng chứng khách quan nhất hiện có ở đây, vì vậy hãy bắt đầu với chúng.

• 1 tháng 9 năm 2026, 04:03 UTC — kho lưu trữ GitHub InternLM/InternLumina-U2 được tạo. Mười ba phút sau, một kho lưu trữ Hugging Face cùng tên xuất hiện, chứa một tệp .gitattributes và một phần khung README. Bản phát hành ngày hôm đó là mã nguồn: một tập lệnh điều khiển với một phần riêng cho mỗi tác vụ, một README bằng tiếng Anh và tiếng Trung, cùng một lộ trình phát triển.

• Ngày 3 tháng 9 năm 2026, 11:45 và 11:49 UTC — inclusionAI tạo Ming-3.0-audio-tiny và Ming-3.0-audio-flash trên Hugging Face. Chín phút sau, 25 shard được đưa lên kho lưu trữ flash. README đi kèm có tiêu đề "Ming Audio V3" và chỉ mô tả luồng ASR.

• 13 đến 19 tháng 10 năm 2026 — các kho lưu trữ Ming dịch chuyển bốn lần trong bảy ngày: một cấu hình nâng ngữ cảnh từ 8.192 lên 131.072, một lần tải lên lại loại bỏ biến thể ngôn ngữ video, một thư mục preset giọng nói, và cuối cùng là thẻ, các tài nguyên và một lần cấp phép lại theo MIT. inclusionAI/Ming-3.0-audio-flash xuất hiện trên GitHub vào ngày 15 tháng 10.

• Vào khoảng sau ngày 24 tháng 9 năm 2026 — internlm/InternLumina-U2 trên Hugging Face không còn là một trang sơ khai nữa và có thêm hai cây checkpoint, ascend/ và nvidia/, mỗi cây bảy shard, tổng dung lượng lưu trữ khoảng 67,6 GB, tương đương khoảng 33,8 GB cho mỗi cây phần cứng. Repository được sửa đổi lần cuối vào ngày 24 tháng 9. Không có việc viết lại card, không có bảng benchmark chứa số liệu, không có báo cáo kỹ thuật.

Mô thức bị đảo ngược, và hệ quả thực tiễn cũng bị đảo ngược. Trọng số của Ming đã có thể chạy được từ đầu tháng Chín bởi bất kỳ ai chịu đọc một tệp cấu hình; tài liệu của nó thì không hề tồn tại. Tài liệu của InternLumina đã có ngay từ ngày đầu tiên; trọng số của nó thì không, và khi chúng xuất hiện, chúng xuất hiện mà không có những bảng so sánh mà tấm thẻ đã hứa.

Mỗi mô hình thực sự được tạo ra để làm gì

Ming-3.0-audio-flash là một mô hình hỗn hợp chuyên gia âm thanh–ngôn ngữ native: tổng cộng 126 tỷ tham số, 6,5 tỷ tham số hoạt động mỗi bước suy luận, một bộ mã hóa âm thanh và projector đưa vào xương sống 42 lớp với 512 chuyên gia và 8 chuyên gia hoạt động mỗi token, bộ từ vựng 157.184 token, và một tháp âm thanh kiểu Whisper gồm 32 lớp, độ rộng 1.280 với 128 bin mel. Đầu vào là âm thanh cùng chỉ dẫn văn bản. Đầu ra là văn bản, hoặc văn bản cùng giọng nói tổng hợp thông qua một mô-đun Talker tùy chọn với giọng tiếng Trung tích hợp sẵn và hai đoạn clip tham chiếu trong kho lưu trữ. Ngữ cảnh được công bố là 128K, và cấu hình phục vụ trong thẻ mô hình là tám H800 80 GB ở chế độ song song tensor.

InternLumina-U2 là một hỗn hợp chuyên gia thưa 16 tỷ tham số với 1 tỷ tham số hoạt động, được xây dựng như một mô hình ngôn ngữ khuếch tán thay vì mô hình tự hồi quy — nó tinh chỉnh toàn bộ chuỗi song song thay vì phát ra token từ trái sang phải. Biểu diễn thị giác của nó hoàn toàn rời rạc: tám codebook token thị giác từ tokenizer AToken của Apple, được ghép nối thành một token xương sống cho mỗi vị trí ở phía đầu vào và được dự đoán theo từng codebook ở phía đầu ra. Mục đích của thiết kế đó là thống nhất: hỏi đáp văn bản, hiểu hình ảnh, chỉnh sửa hình ảnh, tạo hình ảnh từ văn bản, hiểu video và hiểu 3D đều chạy qua cùng một từ vựng và cùng một bộ trọng số, trên một xương sống khuếch tán LLaDA-2.0.

Đọc hai phần mô tả cùng nhau và phép so sánh sẽ đọng lại thành một câu duy nhất. Ming-3.0-audio-flash là một chuyên gia rất lớn, đi sâu vào một phương thức duy nhất. InternLumina-U2 là một mô hình tổng quát nhỏ xét theo tổng số tham số và cố gắng làm năm việc ở mức đủ tốt. Không thiết kế nào là sự thỏa hiệp của thiết kế kia; chúng là câu trả lời cho những câu hỏi khác nhau.

Chuyển từng cái thành token, đó mới là khác biệt thực sự

Nếu chỉ đọc số lượng tham số, bạn sẽ kết luận rằng Ming là mô hình lớn gấp tám lần. Cách hiểu đó sai ở cả hai hướng, và lý do nằm ở giao diện mà mỗi mô hình thể hiện.

• Đầu vào — Ming-3.0-audio-flash: âm thanh và văn bản. InternLumina-U2: văn bản, hình ảnh, khung hình video và tài nguyên 3D.

• Đầu ra — Ming-3.0-audio-flash: văn bản, tùy chọn giọng nói. InternLumina-U2: văn bản, hình ảnh, hình ảnh đã chỉnh sửa; không có âm thanh, không có video, không tạo 3D.

• Giải mã — Ming-3.0-audio-flash: tự hồi quy trên bộ từ vựng 157.184 token. InternLumina-U2: khuếch tán theo khối trên bộ từ vựng thị giác đa sổ mã rời rạc.

• Tổng số tham số so với tham số hoạt động — Ming-3.0-audio-flash: tổng 126B, hoạt động 6,5B. InternLumina-U2: tổng 16B, hoạt động 1B.

• Trọng số trên đĩa — Ming-3.0-audio-flash: khoảng 259 GB trải trên 25 phân đoạn (shard), cộng thêm một Talker và VAE. InternLumina-U2: 67.6 GB trong kho lưu trữ, được chia thành hai nhánh phần cứng, mỗi nhánh gồm bảy phân đoạn và khoảng 33.8 GB.

• Giấy phép — cả hai đều gần với tinh thần của MIT, nhưng thực tế lại khác: Ming-3.0-audio-flash là MIT theo thẻ của nó, InternLumina-U2 là Apache-2.0 theo kho lưu trữ và thẻ của nó.

• Đánh giá độc lập — không có cho cả hai.

Phần cứng, lĩnh vực mà hai bên khác biệt mạnh mẽ nhất

Tuyên bố kỹ thuật thú vị nhất của InternLumina-U2 không phải là kiến trúc; mà là câu chuyện backend. Kho mã nguồn cung cấp cả nhánh Ascend lẫn nhánh NVIDIA, với việc phòng thí nghiệm tuyên bố rằng quá trình huấn luyện, đánh giá và suy luận đã được điều chỉnh cho cả NPU Huawei và GPU NVIDIA, kèm theo căn chỉnh số học ở cấp toán tử giữa chúng. Đối với bất kỳ ai mà hoạt động mua sắm của họ dựa trên các bộ tăng tốc không phải NVIDIA, đó là một điểm khác biệt thực sự và có thể kiểm chứng trong cây tệp: hai thư mục checkpoint hoàn chỉnh, mỗi thư mục có cấu hình, tokenizer và kế hoạch song song riêng.

Ming-3.0-audio-flash không có câu chuyện như vậy. Cấu hình tham chiếu của nó là tám GPU H800 80 GB; phương án thay thế đã được xác thực là cấu hình SGLang bốn GPU chỉ trả về văn bản. Không có lộ trình hỗ trợ NPU nào trong kho mã, và mô hình anh em tí hon với tổng 9,3B tham số và 2,7B tham số hoạt động chính là câu trả lời cho những ai không thể dành trọn một node.

Xét theo nghĩa đương đại, cả hai mô hình đều là dự án triển khai chứ không phải bản cài đặt pip. Tài liệu của chính InternLumina nói rõ rằng quy trình sinh không theo chuẩn: API generate block-diffusion không phải giao diện generate của Transformers, tokenizer AToken yêu cầu FlashAttention, và pipeline 3D mong đợi Blender 4.5 kết xuất tài sản GLB thành các khung nhìn trước khi token hoá. Cách của Ming truyền thống hơn — AutoProcessor cộng với AutoModelForCausalLM cùng trust_remote_code=True — nhưng mức bộ nhớ tối thiểu cao hơn gấp tám lần.

Những con số của nhà cung cấp nói lên điều gì, và điều gì chúng không thể nói

Không thể so sánh bảng này với bảng kia, vì hai mô hình không có chung một tiêu chí đánh giá nào. Đó không phải là né tránh; đó chính là hình hài trung thực của bằng chứng.

Trên các hình ảnh đánh giá của inclusionAI, Ming-3.0-audio-flash báo cáo tỷ lệ lỗi trung bình ASR tiếng Trung là 3.45, trung bình tiếng Anh là 3.69, trung bình phương ngữ là 9.40, MMAR 74.40 và BigBenchAudio 99.40. Cùng những hình ảnh đó cho thấy nơi nó thua kém: lỗi phân tách người nói AMI là 25.29 so với 11.16 của MiMo-V2.6 Pro, và điểm Chain âm thanh dài là 12.31 so với 34.54 của Qwen3.8-Omni Flash. Các benchmark văn bản là phần yếu nhất trên thẻ — GPQA Diamond 82.45, MMLU-Pro 80.00, IFBench 59.00 — đúng như hình mẫu một chuyên gia âm thanh 6.5B active khi được yêu cầu suy luận bằng văn xuôi.

Thẻ mô hình của InternLumina-U2 báo cáo 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 và GenEval 0.81 — rồi lại tự làm suy yếu chính mình, vì bảng trên chính trang dự án cho thấy LLaDA2.0-Uni đạt GenEval 0.89, tốt hơn mô hình vốn tuyên bố vượt qua nó. Lưu ý nổi bật trên thẻ, “Kết quả sơ bộ, một phần. Các bảng so sánh đầy đủ sẽ xuất hiện trong báo cáo kỹ thuật sắp tới”, vẫn đúng cho đến hôm nay. Không có báo cáo kỹ thuật nào.

Đọc cùng nhau, hai bộ số liệu mô tả những điểm mạnh bổ trợ lẫn nhau và một điểm yếu chung: cả hai đều chưa được bất kỳ ai bên ngoài phòng thí nghiệm đã huấn luyện chúng tái tạo lại.

Cái nào, dành cho độc giả nào

Nếu sản phẩm của bạn liên quan đến giọng nói — chuyển biên bản cuộc họp có bao phủ phương ngữ, âm thanh tổng đài, câu trả lời bằng giọng nói, lồng tiếng — thì Ming-3.0-audio-flash là mô hình duy nhất trong hai mô hình phù hợp, và thật lòng mà nói là mô hình trọng số mở duy nhất trong phân khúc của nó có các con số phương ngữ được công bố cụ thể đến vậy. Hãy tính đến việc dùng một node, hoặc bắt đầu với mô hình anh em tí hon và chấp nhận điểm số âm thanh dài yếu hơn của nó.

Nếu sản phẩm của bạn liên quan đến hình ảnh — đọc tài liệu, QA biểu đồ, chỉnh sửa, mô tả tài sản 3D, hoặc một mô hình duy nhất vừa đọc vừa vẽ — thì InternLumina-U2 là lựa chọn duy nhất phù hợp, và Ascend tree là lý do chính đáng để cân nhắc nếu bạn không mua NVIDIA. Hãy chuẩn bị tinh thần vật lộn với tokenizer.

Nếu bạn cần cả hai, bạn đang chạy hai mô hình, và câu hỏi thú vị trở thành vấn đề vận hành: hai checkpoint, hai bộ công cụ, hai bộ điều khoản giấy phép, một sản phẩm đa phương thức. Đó là trạng thái bình thường của công việc trọng số mở vào cuối năm 2026, và đó là lý do định tuyến tồn tại.

Lớp định tuyến, xét theo nghĩa hẹp

OrcaRouter không phục vụ checkpoint nào trong hai checkpoint. Ming-3.0-audio-flash và InternLumina-U2 đều là các mô hình trọng số mở do bạn tự vận hành; cả hai đều không có trong danh mục của chúng tôi và sẽ không xuất hiện trong lệnh gọi đến API của chúng tôi. Điều chúng tôi cung cấp là phần việc văn bản xung quanh: prompt định khung một chỉ dẫn chỉnh sửa hình ảnh, bộ tóm tắt chuyển bản ghi Ming thành ghi chú có cấu trúc, bộ phân loại quyết định tài sản đầu vào nên được đưa đến mô hình nào trong hai mô hình.

Mảnh cuối cùng đó chính là thứ đáng được gọi tên. Một pipeline xử lý cả giọng nói lẫn thị giác rốt cuộc sẽ có một quyết định định tuyến — âm thanh đi đến nút Ming, hình ảnh đến nút InternLumina — và quyết định đó là một lệnh gọi mô hình như bất kỳ lệnh gọi nào khác. Đặt nó phía sau một API cho hơn 200 mô hình với 0% phụ phí, nơi giá niêm yết của nhà cung cấp được chuyển thẳng qua, giữ bộ điều phối trên cùng một khóa với mọi thứ khác. Chuyển đổi dự phòng tự động cũng quan trọng ở đây, không phải cho các checkpoint tự lưu trữ mà cho bước phân loại cung cấp dữ liệu cho chúng: nếu mô hình của bộ định tuyến bị suy giảm, phương án dự phòng phải là một mô hình khác, chứ không phải một pipeline bị hỏng.

Không có điều nào trong số đó biến một checkpoint 259 GB thành một dịch vụ được lưu trữ, và sẽ là gây hiểu lầm nếu ám chỉ điều ngược lại.

Xem gì tiếp theo

Đối với Ming-3.0-audio-flash, những phần còn thiếu là một tệp giấy phép trong kho mã nguồn (hiện MIT nằm trong metadata của model card) và một tích hợp serving cho nhánh âm thanh–ngôn ngữ; vLLM-Omni hỗ trợ thế hệ Ming trước đó và có một pull request đang mở cho mô hình TTS 7.9B, nhưng chưa có gì được hợp nhất cho mô hình reader 126B. Đối với InternLumina-U2, phần còn thiếu là báo cáo kỹ thuật và các bảng đầy đủ mà báo cáo này hứa hẹn; cho đến lúc đó, dòng GenEval so với LLaDA2.0-Uni là phép so sánh liên mô hình duy nhất mà mọi người có thể kiểm tra, và nó không ủng hộ mô hình mới hơn.

Điểm chung giữa hai bản phát hành hữu ích hơn cả hai khoảng trống. Hai phòng thí nghiệm có năng lực đã công bố những mô hình đa phương thức trọng số mở đáng kể mà chẳng thông báo cho ai. Đó không phải dấu hiệu cho thấy các mô hình kém — đó là dấu hiệu cho thấy thông báo phát hành đã trở thành tùy chọn, và kho lưu trữ giờ đây là nguồn chính. Hãy đọc nó.