Ming-3.0-asr-tiny ohne Ankündigung veröffentlicht: Was das Repository tatsächlich sagt

Die Gewichte für Ming-3.0-asr-tiny wurden am 14. Oktober 2026 um 09:27 UTC auf Hugging Face veröffentlicht, und fünf Tage später zeigte das Repository weiterhin 35 Downloads. Was auch immer der Anbieter mit diesem Upload bezwecken wollte, es ist nicht eingetreten. Der Code folgte am 19. Oktober um 02:38 UTC. Die Projektseite – eine einzige scrollbare Seite mit einem Release-Film und vier Benchmark-Diagrammen – ging am selben Tag um 12:30 UTC online. Niemand kündigte irgendetwas davon an. Es gibt keinen vom Repository verlinkten technischen Bericht, kein auf der Model Card angegebenes Veröffentlichungsdatum und keinen Launch-Beitrag der dahinterstehenden Organisation. Alles in diesem Artikel stammt aus den Dateien selbst, dem Commit-Log und den Diagrammen des Anbieters selbst und ist bewusst von den Teilen getrennt, die noch unbekannt sind. Die dokumentierten KI-Ausfälle und Agent-Vorfälle hinter Releases wie diesem sind im OrcaRouter AI Incident Archive gesammelt, wobei jeder Eintrag seine eigenen Quellen, Schweregrad, Vertrauensstufe und Kennzeichnung als umstritten enthält.

Diese Unterscheidung ist hier wichtiger als sonst. Ein Modell, das seit fünf Tagen öffentlich ist und 35 Downloads hat, ist kein Produkt, mit dem man planen kann; es ist eine Sammlung von Gewichten mit einer Konfigurationsdatei und einer bytegenauen Darstellung, wie es zusammengesetzt wurde. Die Konfiguration ist ungewöhnlich informativ. Die Diagramme sind ungewöhnlich konkret. Die Lücken sind ungewöhnlich groß.

Fünf Tage zwischen den Gewichten und der Geschichte

Die Commit-Historie ist das, was in diesem Release einer Ankündigung am nächsten kommt, also lohnt es sich, sie als eine solche zu lesen. Der erste Hugging-Face-Commit ist die Erstellung des Repositorys selbst am 14. Oktober um 09:27 UTC. Eine Stunde später lud der Anbieter einen Checkpoint hoch, und die Commit-Nachricht nennt ihn: iter_0011500. Das ist ein Zähler für Trainingsiterationen, keine Versionsnummer, und er sagt Ihnen, dass der Lauf 1,15 Millionen Schritte überschritten hatte, ohne Ihnen auch nur das Geringste über die Daten zu verraten, die diese Schritte verbraucht haben.

Die nächsten vier Tage wurden nicht mit Training, sondern mit Veröffentlichungen verbracht. Am 15. Oktober wurden das Modellpaket und die zweisprachige Dokumentation online gestellt. Am 16. Oktober veröffentlichte der Anbieter die von ihm als validiert bezeichneten reinen Audio-Gewichte. Am 18. Oktober erhielt die Modellkarte eine Anleitung zur Bereitstellung mit SGLang, und die Benchmark-Zahlen wurden zweimal aktualisiert. Am 19. Oktober wurde das Repository mit einem GitHub-Code-Release verlinkt, dann mit einem SGLang-Cookbook, dann mit einem Release-Film, dann mit Zitationsmetadaten und schließlich, um 14:04 und 14:05 UTC, wurden die öffentlichen, internen und Context-ASR-Diagramme erneut aktualisiert – etwa neunzig Minuten bevor dieser Artikel geschrieben wurde.

Das GitHub-Repository ist noch neuer: erstellt am 19. Oktober um 02:38 UTC, zwanzig Commits, fünf Sterne, keine Forks und ein leerer Releases-Tab. Das Video, das die Karte als Release-Film bezeichnet, ist überhaupt nicht an dieses Repository angehängt. Es liegt als Release-Asset in einem separaten GitHub-Pages-Repository, erstellt am selben Tag um 12:22 UTC, unter einem Tag mit dem buchstäblichen Namen media-2026-10-19. Die am besten zitierbare Konsequenz: Das einzige Datum irgendwo in diesem Release ist das Datum der Seite, die den Film hostet.

Was die Konfiguration festlegt und worauf sie nur hindeutet

Der safetensors-Index meldet 8.865.800.992 Parameter: 8.865.797.920 in BF16 über zwei Shards, plus 3.072 in F32. Das sind rund 17,7 GB an Gewichten. Die Grafiken des Anbieters bezeichnen das Modell als 8.6B-A2B, eine Kurzform für insgesamt 8,6 Milliarden mit etwa 2 Milliarden aktiven pro Token; der Index ist die belastbarere Zahl und liegt etwa 270 Millionen über der Bezeichnung. Keine der beiden Zahlen ist falsch, aber nur eine von ihnen ist eine Messung, die man überprüfen kann, ohne der Rundung des Anbieters zu vertrauen.

Der Decoder ist ein 24-Schichten-Mixture-of-Experts-Stack: 128 Experten, acht pro Token geroutet, ein gemeinsam genutzter Experte, die erste Schicht dicht, Hidden Size 1.536, 16 Attention-Heads mit einem 128-dimensionalen Head und komprimierte Attention über q_lora_rank 256 und kv_lora_rank 512. Das Vokabular umfasst 157.184 Tokens und der Kontext 8.192 Positionen. Die Projektseite ergänzt ein Detail, das die Konfiguration allein nicht explizit angibt: Der Stack wechselt zwischen drei Kimi-Delta-Attention-Schichten und einer Gated-MLA-Schicht ab, ein 3:1-Hybrid. Das ist ein Sprachmodell mit einem angehängten Audio-Frontend, und das Verhältnis der Arbeitslast zwischen den beiden Hälften ist unausgewogen.

Die Audioseite ist ein 32-schichtiger Encoder mit 1.280 versteckten Dimensionen, 20 Heads und 128 Mel-Eingaben – die Form des Encoders von Whisper large-v3, eine Abstammung, die das Repository eingesteht, indem es eine Datei namens modeling_whisper_encoder.py und eine separate WHISPER_LICENSE mit O​penAIs MIT-Hinweis ausliefert. Der Encoder ist außerdem mit großem Abstand der kleinere Teil des Modells. Zwei nützliche Felder in derselben Datei: Die Audio-Token-ID ist 157.168, und asr_output_format ist auf plain gesetzt.

Was die Diagramme behaupten, und gegen wen

Die Karte enthält keine Zahlen im Fließtext. Alle davon stehen in vier PNG-Diagrammen, und die Projektseite wiederholt sie. Nach den eigenen Zahlen der Anbieter erzielt Ming-3.0-asr-tiny einen chinesischen durchschnittlichen CER von 3,55 und einen englischen durchschnittlichen WER von 3,99; einen Durchschnitt über 15 Dialekte von 8,42; einen internen Durchschnitt über fünf Domänen von 1,67; und einen Context-ASR-Gesamtwert von 4,36. Jede dieser Angaben stammt vom Anbieter, und keine wurde unabhängig reproduziert.

Die Vergleichsgruppe auf der Projektseite besteht aus Qwen2.5-Omni, Qwen3-Omni-30B-A3B, Qwen3-ASR-1.7B, Fun-ASR 1.5 und Qwen3-ASR-Flash, wobei die letzten beiden als Closed-Source gekennzeichnet sind. Die Dialekt-Zeile ist die Stelle, an der die Lücke am größten ist: Ming bei 8,42, Qwen3-ASR-1.7B bei 15,30, Fun-ASR 1.5 bei 8,00. Die chinesische Zeile ist die Stelle, an der sie am engsten ist: Ming liegt mit 3,55 zwischen Qwen3-Omni mit 3,33 und Qwen3-ASR-1.7B mit 3,66. Die Kontext-Zeile ist diejenige, für die das Modell entwickelt wurde, und dort liegt Ming mit 4,36 um zwei Hundertstel eines Punktes hinter Qwen3-Omni mit 4,34 auf dem zweiten Platz.

Drei Warnhinweise gehören neben diese Zahlen, und zwei davon liefern die Änderungen des Anbieters selbst. Die Punktzahl über fünf Domänen ist ein ungewichtetes arithmetisches Mittel über Chat, Verwaltung, Gesundheit, Wissen und lokales Leben – fünf interne Testsätze mit ungeklärtem Verhältnis zu den Trainingsdaten, gemittelt, als hätte jeder im eigenen Traffic dasselbe Gewicht. Außerdem ist auf der Projektseite in einem Commit vom 19. Oktober um 12:39 UTC festgehalten, dass eine Punktzahl für verrauschte Sprache von der Seite entfernt wurde, während der Durchschnitt der sauberen Domänen blieb. Und die Diagramme wurden um 14:04 UTC noch aktualisiert. Ein Zahlensatz, der am Tag seiner Veröffentlichung bearbeitet wird, ist ein Zahlensatz, den man vor dem Zitieren noch einmal lesen sollte.

Was ist nicht im Repository?

Die Liste der Abwesenheiten ist länger als die Liste der Anwesenheiten, und jede Abwesenheit hat eine praktische Konsequenz.

• Trainingsdaten — keine Datensatzliste, keine Stunden, keine Sprachmischung, keine Filterbeschreibung. Der Checkpoint wird ausschließlich nach der Iterationszahl benannt und sonst nichts.

• Ein Veröffentlichungsdatum – die Karte nennt keines. Der Erstellungszeitstempel des Repositories ist das einzige verlässliche Datum, und der Anbieter hat ihn nicht als Veröffentlichungsdatum bestätigt.

• Ein technischer Bericht — keiner ist verlinkt. Die Architekturbeschreibung auf der Projektseite ist vier Sätze lang.

• Unabhängige Bewertung – bisher gibt es keine. Bei 35 Downloads und fünf Likes hat es praktisch niemand außerhalb des Labors ausprobiert.

• Zeitstempel auf Wortebene und Sprecherdiarisierung — die Nutzungshinweise der Karte geben klar an, dass die Ausgabe ausschließlich Transkriptionstext ist. Das ist dokumentiert, nicht verborgen, und es schließt Untertitel-, Alignment- und Diarisierungspipelines sofort aus.

• Streaming — das mitgelieferte Beispiel akzeptiert ganze Clips. Langes Audio kann mit --audio-chunk-frames im Hinblick auf den Kontext mit 8.192 Positionen in Abschnitte aufgeteilt werden, was nicht dasselbe ist wie Streaming mit geringer Latenz.

• Auswertungscode — die Diagramme sind Bilder. Es gibt kein Skript im Repository, das sie aus Audiodaten neu erzeugt.

Eine Abwesenheit verdient es, separat benannt zu werden, weil sie die gesamte Rahmung prägt: Es gibt keine Ankündigung, für die man zu spät kommen könnte. Ein Release-Film, eine Projektseite und ein GitHub-Repository, die am 19. Oktober mit weniger als zehn Stunden Abstand zueinander veröffentlicht wurden, sind ein Launch in jeder Hinsicht – außer der Pressemitteilung. Die Gewichte kamen einfach fünf Tage früher an, unbemerkt, während der Rest aufgebaut wurde.

Lesen Sie diese Commit-Liste von oben nach unten, und das Release setzt sich vor Ihren Augen von selbst zusammen: ein Code-Drop, dann Dokumentation auf Englisch, dann ein Serving-Pfad, dann ein Film, dann eine Citation, dann ein zweiter Durchgang durch die Zahlen. Zwanzig Commits, keiner davon ein Versions-Tag, und am Ende ein leerer Releases-Tab.

Warum ein leises Schiff trotzdem auf Ihrem Radar gehört

Bei unauffälligen Releases wird die Routing-Frage interessant, denn das übliche Kaufsignal – ein Launch, ein Preis, ein Benchmark, den alle zitieren – fehlt, und die einzige Möglichkeit, etwas zu erfahren, besteht darin, die Sache auszuprobieren. Genau dafür gibt es das Failover von OrcaRouter. Sie können einen Teil des Traffics durch ein Kandidatenmodell leiten, während das bisherige Modell den Rest bedient, und wenn der neue Pfad ausfällt oder eine Zeitüberschreitung hat, greift die Anfrage auf einen Fallback zurück, statt den Nutzer scheitern zu lassen. Ein API-Schlüssel deckt über 200 gehostete Modelle ab, sodass eine zweite Meinung nicht einen zweiten Vertrag und einen zweiten Satz Zugangsdaten bedeutet.

Die ehrliche Grenze: Ming-3.0-asr-tiny ist nicht im OrcaRouter-Katalog, und die ASR-Modelle, mit denen seine Diagramme verglichen werden, sind es ebenfalls nicht. Von den auf der Projektseite genannten Modellen ist dasjenige, das heute über OrcaRouter verfügbar ist, google/gemini-2.5-pro, das im Kontext-ASR-Vergleich mit 6.30 erscheint. Der realistische Einsatz einer Routing-Schicht ist hier also nicht „Ming über uns aufrufen“, sondern eine gehostete Baseline und einen selbst gehosteten Kandidaten hinter einer Schnittstelle zu legen, während man sich entscheidet. Die Preisgestaltung für die gehostete Seite wird zum Listenpreis des Anbieters mit 0 % Aufschlag durchgereicht, und das ist der Punkt, der zählt, wenn der Vergleich Kosten pro Stunde Audio betrifft.

Was würde dies von einer Kuriosität zu einem Kandidaten machen?

Eine kurze Liste, in der Reihenfolge, in der sie wahrscheinlich eintreffen wird. Ein genanntes Veröffentlichungsdatum und eine Offenlegung der Trainingsdaten würden die Benchmark-Zahlen interpretierbar machen statt bloß zitierbar. Ein unabhängiger Lauf auf einem gemeinsamen Testset würde klären, ob die Dialektlücke real ist, denn das ist die eine Behauptung, bei der der Vorsprung des Anbieters gegenüber der nächsten offenen Baseline groß genug ist, dass ein Irrtum offensichtlich wäre. Ein Zeitstempel- oder Diarisierungspfad würde die Menge der Pipelines erweitern, die es überhaupt nutzen können. Und ein vLLM- oder SGLang-Rezept, das nicht an einen einzelnen Commit gepinnt ist, würde zeigen, dass der Anbieter beabsichtigt, dies bereitzustellen statt es nur zu demonstrieren.

Bis dahin ist die treffende Beschreibung unglamourös und konkret: 8,87 Milliarden Parameter, überwiegend Sprachmodell, ein geliehener Whisper-Encoder, eine echte Wette auf chinesische Dialekte und Hotword-Konditionierung, veröffentlicht ohne Paper, ohne Datum und mit Diagrammen, an denen noch am Nachmittag ihrer Veröffentlichung gearbeitet wurde. Das ist kein Grund, es zu ignorieren. Es ist ein Grund, es zu testen, bevor man es zitiert.