Обе эти модели были опубликованы без пресс-релизов, и на этом их сходство примерно заканчивается. Модель Ming-3.0-audio-flash появилась на Hugging Face 3 сентября 2026 года в виде 259 ГБ весов практически без какой-либо документации, а полноценную карточку модели получила только 19 октября. InternLumina-U2 пошла по обратному пути: Шанхайская лаборатория искусственного интеллекта опубликовала код инференса и страницу проекта 1 сентября 2026 года, пообещала выпустить веса и выложила их позже в папках для конкретного оборудования. Одна команда сначала выложила артефакт, а объяснение — шесть недель спустя. Другая сначала написала объяснение и заставила ждать артефакт. Ни одна из команд ничего не анонсировала, ни у одной нет независимых бенчмарков, и ни одна из моделей не является заменой другой: одна слышит, другая видит и рисует. Задокументированные сбои ИИ и инциденты с тихими релизами, стоящие за подобными сравнениями, собираются в архиве инцидентов ИИ OrcaRouter, где каждая запись имеет собственные источники, степень серьезности, оценку достоверности и статус спорности.
Таким образом, это сравнение касается двух вещей одновременно: двух разных подходов к тому, для чего нужна открытая мультимодальная модель, и двух разных привычек их выпускать. Вторая часть полезнее, чем кажется, поскольку именно документация показывает, сможете ли вы запустить модель в продакшн уже во вторник. Все приведенное ниже взято из двух репозиториев и их карточек моделей. Цифры для Ming принадлежат самой inclusionAI; для InternLumina — Шанхайской лаборатории ИИ, причем в ее собственной карточке они обозначены как «предварительные, частичные результаты». Никакая третья сторона не оценивала ни одну из моделей.
Два графика релизов, сопоставленные вместе
Даты — это самые объективные доказательства, доступные здесь, поэтому начнем с них.
• 1 сентября 2026 г., 04:03 UTC — создан репозиторий GitHub InternLM/InternLumina-U2. Тринадцать минут спустя на Hugging Face появляется репозиторий с тем же именем, содержащий .gitattributes и заглушку README. В тот день релиз состоял из кода: один драйвер-скрипт с разделом для каждой задачи, README на английском и китайском языках, а также дорожная карта.
• 3 сентября 2026 г., 11:45 и 11:49 UTC — inclusionAI создает на Hugging Face репозитории Ming-3.0-audio-tiny и Ming-3.0-audio-flash. Девять минут спустя в репозиторий flash загружаются 25 шардов. Прилагавшийся к ним файл README назывался «Ming Audio V3» и описывал только путь распознавания речи (ASR).
• с 13 по 19 октября 2026 г. — репозитории Ming меняются четыре раза за семь дней: добавляется конфиг, увеличивающий контекст с 8192 до 131072, происходит перезагрузка с удалением видеотекстового варианта, добавляется папка с пресетами голоса и, наконец, появляются карточка модели, ассеты и лицензия MIT. Репозиторий inclusionAI/Ming-3.0-audio-flash появляется на GitHub 15 октября.
• Какое-то время после 24 сентября 2026 г. — репозиторий internlm/InternLumina-U2 на Hugging Face перестает быть заглушкой и получает два дерева чекпоинтов: ascend/ и nvidia/, по семь шардов каждое, общим объемом около 67,6 ГБ, примерно по 33,8 ГБ на каждое аппаратное дерево. Репозиторий последний раз изменялся 24 сентября. Никакого переписывания карточки, никакой таблицы бенчмарков с цифрами, никакого технического отчета.
Паттерн инвертирован, и практические последствия также инвертированы. Веса Ming были пригодны для запуска с начала сентября для всех, кто готов прочитать файл конфигурации; документации у модели не существовало. Документация InternLumina существовала с первого дня; веса — нет, а когда они прибыли, то оказались без таблиц сравнения, обещанных в карточке модели.
Для чего на самом деле создана каждая модель
Ming-3.0-audio-flash — это нативная аудио-текстовая смесь экспертов (MoE): всего 126 миллиардов параметров, 6,5 миллиардов активных за один шаг инференса, аудиокодер и проектор, подающие данные в 42-слойный бэкбоун с 512 экспертами (из них 8 активных на токен), словарь размером 157 184 токена, а также аудиобашня в стиле Whisper на 32 слоя с шириной 1280 и 128 мел-бинс. На вход подаются аудио и текстовые инструкции. На выходе получается текст или текст вместе с синтезированной речью через опциональный модуль Talker со встроенными китайскими голосами и двумя референсными клипами в репозитории. Заявленный контекст составляет 128K, а профиль обслуживания в карточке модели предполагает восемь карт H800 по 80 ГБ с тензорным параллелизмом.
InternLumina-U2 — это разреженная смесь экспертов с 16 миллиардами параметров (из них 1 миллиард активных), созданная скорее как диффузионная языковая модель, а не авторегрессионная: она уточняет всю последовательность целиком параллельно, а не генерирует токены слева направо. Ее визуальное представление полностью дискретно: восемь кодобуков визуальных токенов от токенизатора AToken компании Apple, объединенных в один токен бэкбоуна на каждую позицию со стороны входа и предсказываемых кодобук за кодобуком на стороне выхода. Смысл такого дизайна заключается в унификации: ответы на текстовые вопросы, понимание изображений, редактирование изображений, генерация текста в изображения, понимание видео и понимание 3D работают через один и тот же словарь и те же веса на диффузионном бэкбоуне LLaDA-2.0.
Если прочитать оба описания вместе, то сравнение сводится к одному предложению. Ming-3.0-audio-flash — это узкоспециализированная модель огромного размера, которая глубоко работает с одной модальностью. InternLumina-U2 — это универсал с небольшим общим количеством параметров, который пытается делать пять вещей одинаково приемлемо. Ни один дизайн не является компромиссом по отношению к другому; это ответы на разные вопросы.
Превращение каждой модели в токены — в этом и заключается главная разница
Если вы будете судить только по количеству параметров, то решите, что Ming превосходит другую модель в восемь раз. Такой вывод неверрен в обе стороны, и причина кроется в интерфейсе, который предоставляет каждая модель.
• Вход — Ming-3.0-audio-flash: аудио и текст. InternLumina-U2: текст, изображения, видеокадры и 3D-ассеты.
• Выход — Ming-3.0-audio-flash: текст, опционально речь. InternLumina-U2: текст, изображения, отредактированные изображения; нет аудио, нет видео, нет генерации 3D.
• Декодирование — Ming-3.0-audio-flash: авторегрессионное по словарю из 157 184 токенов. InternLumina-U2: блочная диффузия по дискретному визуальному словарю из нескольких кодобуков.
• Общие и активные параметры — Ming-3.0-audio-flash: 126 млрд всего, 6,5 млрд активных. InternLumina-U2: 16 млрд всего, 1 млрд активных.
• Веса на диске — Ming-3.0-audio-flash: примерно 259 ГБ в 25 шардах плюс Talker и VAE. InternLumina-U2: 67,6 ГБ в репозитории, разделенные на два аппаратных дерева по семь шардов и примерно по 33,8 ГБ каждое.
• Лицензия — обе близки к MIT по духу, но различаются на практике: у Ming-3.0-audio-flash указана лицензия MIT согласно карточке, у InternLumina-U2 указана Apache-2.0 согласно репозиторию и карточке.
• Независимая оценка — отсутствует для обеих моделей.
Аппаратное обеспечение — то, в чем эти модели расходятся сильнее всего
Самое интересное инженерное заявление InternLumina-U2 касается не архитектуры, а бэкенда. В репозитории представлены как дерево для Ascend, так и дерево для NVIDIA, причем лаборатория заявляет, что обучение, оценка и инференс были адаптированы как для NPU Huawei, так и для GPU NVIDIA с покомпонентным численным выравниванием между ними. Для всех, у кого закупки проходят через не-NVIDIA ускорители, это реальное отличие, которое можно проверить в файловом дереве: две полные директории чекпоинтов, каждая со своей конфигурацией, токенизатором и планом распараллеливания.
У Ming-3.0-audio-flash нет такой истории. Его эталонный профиль — восемь H800 по 80 ГБ; проверенная альтернатива — профиль SGLang на четырех GPU, который возвращает только текст. В репозитории нет пути для NPU, а крошечный «младший брат» с 9,3 млрд параметров всего и 2,7 млрд активных — это решение для тех, кто не может выделить целый узел.
Обе модели, в современном понимании, являются проектами для развертывания, а не просто пакетами для установки через pip. В собственных материалах InternLumina прямо указано, что путь генерации нестандартен: API block-diffusion generate — это не интерфейс генерации Transformers, токенизатор AToken требует FlashAttention, а 3D-конвейер ожидает Blender 4.5 для рендеринга GLB-активов в представления перед токенизацией. Путь Ming более традиционен — AutoProcessor плюс AutoModelForCausalLM с параметром trust_remote_code=True, — но требования к памяти в восемь раз выше.
Что говорят цифры вендора и чего они сказать не могут
Ни одну из таблиц нельзя сравнивать с другой, поскольку у этих двух моделей нет ни одного общего бенчмарка. Это не уловка; это честное описание имеющихся данных.
Согласно оценочным изображениям inclusionAI, Ming-3.0-audio-flash показывает средний уровень ошибок распознавания речи (ASR) для китайского языка 3,45, для английского — 3,69, для диалектов — 9,40, MMAR — 74,40 и BigBenchAudio — 99,40. Те же изображения показывают, где модель проигрывает: ошибка диаризации AMI составляет 25,29 против 11,16 у MiMo-V2.6 Pro, а показатель длинных аудиозаписей Chain score — 12,31 против 34,54 у Qwen3.8-Omni Flash. Текстовые бенчмарки — самая слабая часть карточки: GPQA Diamond 82,45, MMLU-Pro 80,00, IFBench 59,00. Именно так выглядит аудиоспециалист с 6,5 млрд активных параметров, когда его просят рассуждать в прозе.
В карточке InternLumina-U2 указаны показатели 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 модель сама себе противоречит, поскольку в таблице на странице проекта указано, что LLaDA2.0-Uni имеет показатель GenEval 0,89, что лучше, чем у модели, которая претендует на превосходство над ней. Главное предостережение в карточке: «Предварительные, частичные результаты. Полные сравнительные таблицы появятся в предстоящем техническом отчете», — остается актуальным и сегодня. Технического отчета нет.
Если рассматривать их вместе, оба набора цифр описывают взаимодополняющие сильные стороны и одну общую слабость: ни один из них не был воспроизведен никем за пределами лаборатории, которая их обучала.
Что выбрать и для какого читателя
Если ваш продукт связан с голосом — транскрибация встреч с учетом диалектов, аудио для колл-центров, голосовые ответы, дубляж, — Ming-3.0-audio-flash — единственная из двух подходящих моделей и, честно говоря, единственная модель с открытыми весами в своем классе с опубликованными столь специфичными данными по диалектам. Планируйте использование узла или начните с крошечного «младшего брата» и смиритесь с его более слабыми результатами на длинных аудиозаписях.
Если ваш продукт связан с изображениями — чтение документов, ответы по графикам, редактирование, описание 3D-активов или одна модель, которая одновременно читает и рисует, — InternLumina-U2 — единственный подходящий вариант, а архитектура Ascend — веская причина присмотреться к ней, если вы не покупаете NVIDIA. Готовьтесь к борьбе с токенизатором.
Если вам нужно и то, и другое, вы запускаете две модели, и интересный вопрос становится операционным: два чекпоинта, два набора инструментов, два набора условий лицензирования, один мультимодальный продукт. Это нормальное состояние работы с моделями с открытыми весами в конце 2026 года, и именно поэтому существует маршрутизация.
Уровень маршрутизации, если говорить узко
OrcaRouter не обслуживает ни один из этих чекпоинтов. Ming-3.0-audio-flash и InternLumina-U2 — это модели с открытыми весами, которые вы запускаете самостоятельно; ни одна из них не входит в наш каталог, и ни одна не появится в вызове нашего API. Что мы предоставляем, так это сопутствующую работу с текстом: промпт, который оформляет инструкцию по редактированию изображения, суммаризатор, который превращает транскрипт Ming в структурированные заметки, классификатор, который решает, какой из двух моделей должен быть передан входящий актив.
Последний элемент заслуживает упоминания. Конвейер, который обрабатывает и голос, и зрение, в конечном итоге принимает решение о маршрутизации — аудио идет на узел Ming, изображения — на узел InternLumina, — и это решение является таким же вызовом модели, как и любой другой. Размещение этого процесса за одним API для более чем 200 моделей с 0% наценкой, где цена провайдера передается напрямую, позволяет диспетчеру использовать тот же ключ, что и для всего остального. Автоматическое переключение при сбоях здесь также важно, не для самостоятельно размещенных чекпоинтов, а для этапа классификации, который их питает: если модель маршрутизатора деградирует, резервным вариантом должна быть другая модель, а не сломанный конвейер.
Ничто из этого не превращает чекпоинт размером 259 ГБ в хостинг-сервис, и было бы вводить в заблуждение утверждать обратное.
За чем следить дальше
Для Ming-3.0-audio-flash недостающими элементами являются файл лицензии в репозитории (MIT в настоящее время указана только в метаданных карточки) и интеграция обслуживания для аудио-языкового пути; vLLM-Omni поддерживает предыдущее поколение Ming и имеет открытый запрос на включение (pull request) для модели TTS 7.9B, но для модели 126B ничего не объединено. Для InternLumina-U2 недостающим элементом является технический отчет и полные таблицы, которые он обещает; до тех пор строка GenEval в сравнении с LLaDA2.0-Uni — единственное кросс-модельное сравнение, которое можно проверить, и оно не в пользу более новой модели.
То, что есть общего у обоих релизов, полезнее, чем любой из пробелов. Две компетентные лаборатории опубликовали существенные мультимодальные модели с открытыми весами и никому об этом не сказали. Это не признак того, что модели плохие — это признак того, что анонс релиза стал необязательным, а репозиторий теперь является основным источником. Читайте его.
