Ming-3.0-audio-flash wurde sechs Wochen vor seiner eigenen Model Card veröffentlicht.

Ein Audio-Sprachmodell mit 126 Milliarden Parametern ist seit dem 3. September 2026 bei Hugging Face herunterladbar, und es kann gerade einmal 22 Downloads und acht Likes vorweisen. Bis zu dieser Woche war die einzige dem Repository beigefügte Beschreibung eine veraltete Model Card, die sich selbst „Ming Audio V3“ nannte und besagte, das Repo „dokumentiere derzeit den ASR-Pfad“. Ming-3.0-audio-flash ist der Name, den es jetzt trägt. Die Gewichte sind nicht neu. Was zwischen dem 13. und 19. Oktober 2026 kam, ist alles, was einen Checkpoint für jemanden nutzbar macht, der ihn nicht trainiert hat: eine Konfiguration, die endlich einen 128K-Kontext beansprucht, ein erneuter Upload, der aus einem Video-Sprache-Audio-Modell ein reines Audiomodell auf einem Transformers-5-Codepfad macht, ein Voice-Pack mit zwei Referenzclips und die erste echte Model Card, die das Repository je hatte. inclusionAI hat nichts davon angekündigt. Kein Dritter hat auch nur eine einzige Kennzahl für das Modell veröffentlicht, daher ist alles Folgende entweder direkt aus der Commit-Historie abgelesen oder aus den eigenen Evaluationsbildern des Anbieters zitiert — weshalb es sich lohnt, gleich zu Beginn zu sagen, dass das Modell aus September stammt und nur die Dokumentation aus dieser Woche. Die dokumentierten KI-Fehlfunktionen und Agenten-Vorfälle hinter Releases wie diesem sind in dem OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Vertrauensstufe und ein Flag für umstrittene Fälle enthält.

Was hat sich geändert, und wann

Das Commit-Log ist ungewöhnlich gut lesbar und erzählt eine Geschichte, die die Modellkarte nicht erzählt. Das Repository wurde am 3. September 2026 um 11:49 UTC mit einer einzigen Datei darin erstellt, einer .gitattributes. Neun Minuten später landeten 25 Safetensors-Shards mit insgesamt 257 GB unter einem Commit mit dem Titel „Add files using upload-large-folder tool“ – die typische Signatur eines Trainingsteams, das einen Checkpoint hochlädt, nicht eines Produktteams, das einen Launch vorbereitet. Die beigefügte README gab Apache 2.0 an, versah das Repo mit dem Tag automatic-speech-recognition und forderte dazu auf, das Modell mit trust_remote_code=False zu instanziieren.

Dann wurde es sechs Wochen lang still um das Repository. Als es sich wieder bewegte, bewegte es sich viermal in sieben Tagen.

• 13. Oktober, 12:17 UTC – „Upload config.json.“ Eine Datei, und die interessante: max_position_embeddings steigt von 8.192 auf 131.072. Sonst ändert sich nichts im Repository, sodass das Repo zwei Tage lang einen 128K-Kontext bewarb, ohne dass Modellierungscode ihn nutzen konnte.

• 15. Oktober, 09:35 und 09:40 UTC — „Veraltete Dateien entfernen“, gefolgt von „Aktualisiertes Modell hochladen.“ Das Gewichtslayout änderte sich nicht, aber 46 Dateien wurden neu geschrieben und der erste Shard schrumpfte von 10,64 GB auf 9,77 GB. Der model_type für Audio der Konfiguration änderte sich von bailing_moe_v3_vl_audio zu bailing_moe_v3_audio, ein übrig gebliebenes video_patch_token wurde gelöscht, die deklarierte transformers_version sprang von 4.56.2 auf 5.14.1, und auto_map erhielt AutoModel- und AutoProcessor-Einträge, die vorher nicht vorhanden waren. Im selben Push verschwanden die README und der Ordner examples/ — in den folgenden vier Tagen hatte das Repository überhaupt keine Modellkarte.

• 17. Oktober, 11:44 UTC — „Sprach-Presets hinzufügen.“ Ein voice_presets/-Ordner erscheint mit US_James.wav, 灵楷.wav und einer voice_prompts.json, die ihre Transkripte enthält.

• 19. Oktober, ab 11:35 UTC — „Modellkarte hinzufügen“, dann Assets, dann ein Dutzend kleine Commits, die die Navigation und die Ausrichtung der Links verbessern, endend um 13:20 UTC mit „Tiny-model-Link hinzufügen“. Dies ist der Commit, der das Modell umbenannt, die Lizenzmetadaten auf MIT geändert und die 8.259-Byte-Karte hinzugefügt hat, die ein vollständiges Audio-Sprachmodell statt eines ASR-Pfads beschreibt. Die ersetzte README war vier Tage zuvor gelöscht worden; die Version davor, aus September, trug den Titel „Ming Audio V3“ und gab Apache 2.0 an.

Es gibt ein zweites Repository, über das man Bescheid wissen sollte. Ming-3.0-audio-tiny wurde im selben Moment wie das Flash-Modell erstellt, am 3. September um 11:45 UTC, und erhielt am 19. Oktober dieselbe Behandlung. Es ist das kleinere Geschwister: 9,3B Gesamtparameter mit 2,7B aktiven, MIT, etwa 21 GB über vier Shards und drei Downloads.

Was Sie tatsächlich herunterladen können

Die Konfiguration ist veröffentlicht, die Architektur ist also kein Rätsel. Was sich diese Woche geändert hat, ist, dass Konfiguration und Code endlich übereinstimmen. Benutzerdefinierte Modellierungsdateien befinden sich seit dem ersten Upload im Repository — modeling_bailing_moe_v3_audio.py und processing_bailing_moe_v3_audio.py waren beide am 3. September vorhanden — aber die Konfiguration, die sie laden sollten, beschrieb ein Video-Sprache-Audio-Modell mit einem 8K-Fenster, und die Model Card wies an, es mit trust_remote_code=False zu instanziieren, was das Gegenteil dessen ist, was benutzerdefinierter Code benötigt. Der erneute Upload vom 15. Oktober ist die Version, in der audio_config.model_type auf bailing_moe_v3_audio lautet; das Video-Patch-Token ist verschwunden, die deklarierte Laufzeitumgebung ist transformers_version 5.14.1, und auto_map registriert AutoModel und AutoProcessor neben den beiden Einträgen, die immer schon vorhanden waren.

• Größe — 25 bfloat16-Safetensors-Shards mit insgesamt 256 GB für das Sprachmodell, plus ein 3-GB-Paar aus Talker und VAE unter talker/. Das kleine Modell umfasst etwa 21 GB in vier Shards.

• Backbone — 42 Schichten, Hidden-Size 2.560, 512 Experten mit 8 aktiven pro Token, Vokabular 157.184. Laut der Karte sind das insgesamt 126 Mrd. und 6,5 Mrd. aktiv pro Inferenzschritt.

• Audio-Turm — ein Encoder im Whisper-Stil mit 32 Schichten und einer Breite von 1.280 sowie 20 Heads, 128 Mel-Bins und einem Audio-Kontext von 3.000 Frames. Die Audio-Token-ID ist 157.168.

• Kontext — 131.072 Positionen. In der Konfiguration vom 3. September waren es 8.192, und die Konfiguration vom 13. Oktober, die diesen Wert erstmals erhöhte, nannte sich noch immer bailing_moe_v3_vl_audio und enthielt noch immer das Video-Patch-Token; die saubere reine Audio-Version ist die vom 15. Oktober.

• Ausgabe — Text oder Text plus synthetisierte Sprache über einen optionalen Talker. Die Karte nennt eine Standard-IP-Stimme, 灵小柔, sowie zwei voreingestellte Referenzstimmen, 灵楷 und US_James, deren Audio und Transkripte beide im Repo enthalten sind.

• Lizenz — MIT. Bis zum 19. Oktober war es Apache 2.0. Beachten Sie, dass das Repository selbst keine LICENSE-Datei enthält: Die MIT-Angabe steht in den Metadaten der Karte und in einem Link zu einem GitHub-Pfad, und der einzige tatsächlich im Repository vorhandene Lizenztext gehört zu einem mitgelieferten Modell zur Sprachidentifikation unter talker/data/.

Der Schnellstart wird noch nicht aufgelöst

Das ist der Teil, den ein Leser, der das Modell bewerten möchte, vor allem anderen braucht, und er fehlt in der Modellkarte. Der Installationsblock der Karte klont github.com/inclusionAI/Ming-3.0-audio-flash. Diese URL liefert heute sowohl über das Web als auch über die API HTTP 404. Dasselbe gilt für jeden Pfad, den die Karte darauf aufbaut: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, und requirements-transformers.txt.

Keines davon existiert auch im Hugging Face-Repository. Es enthält kein Verzeichnis examples/ – ein früheres wurde am 17. September gelöscht – kein scripts/, kein docs/ und keine Requirements-Datei außerhalb von talker/. Was es jedoch enthält, ist alles, was benötigt wird, um das Modell direkt mit Transformers zu laden, was die Modellkarte zudem als Python-Snippet dokumentiert: AutoProcessor mit use_fast=False, AutoModelForCausalLM in bfloat16 mit device_map="auto", trust_remote_code=True, und Audio wird durch processor(messages) geleitet, wobei audio_feats in den Datentyp des Modells umgewandelt wird.

Der ehrliche Status ist also: Das Modell lädt, die Serving-Skripte, die ein Leser lesen könnte, existieren derzeit nicht, und die Karte beschreibt ein Repository, das noch nicht veröffentlicht wurde. Das ist kein Skandal – dass Dokumentation wenige Stunden vor einem Code-Push erscheint, ist normal –, aber es bedeutet, dass die beiden folgenden Deployment-Rezepte nicht geprüft, sondern nur zitiert werden können. Wer diesen Checkpoint abwägt, sollte den Transformers-Pfad einplanen und sollte modeling_bailing_moe_v3_audio.py lesen, bevor Remote-Code aktiviert wird, was die Karte selbst empfiehlt.

Was sich prüfen lässt, ist der Tokenisierungsvertrag, und die Karte ist darin ungewöhnlich konkret: Der validierte ASR-Prompt bittet das Modell, die gesprochene Sprache zu benennen und zwischen der Sprachbezeichnung und der Transkription einen Tabulator zu setzen. Wenn du eine Evaluierungs-Harness schreibst, ist dieser Tabulator der Parser. Ein generischer Prompt „Transkribiere dies“ ist nicht die Konfiguration, die der Anbieter gemessen hat.

Die von inclusionAI veröffentlichte Tabelle, einschließlich der Spalten, die sie verliert

Drei PNG-Bilder in assets/ tragen die Bewertung. Jede Zahl darauf stammt aus inclusionAIs eigenem Lauf; die Sternchen markieren Einträge, die der Anbieter als selbst evaluiert kennzeichnet, und nichts davon wurde von einem Dritten reproduziert. Artificial Analysis veröffentlicht Audio-Leaderboards und hat keinen Eintrag für dieses Modell. Es gibt keinen Arena-Score, kein unabhängiges Elo und keine zweite Meinung — lesen Sie das Folgende also als die Beschreibung eines Anbieters seines eigenen Modells, was genau zutrifft.

Das Bild der Spracherkennung ist der stärkste Teil des Falls, und es ist stark auf der Achse, für die das Modell eindeutig gebaut wurde. Im Durchschnitt über seinen chinesischen Testsatz meldet das Flash-Modell 3,45 gegenüber 3,54 für Qwen3.8-Omni Flash und 9,83 für Gemini 3.8 Flash; im Englischen 3,69 gegenüber 4,02 und 5,05. Bei Dialekten wird die Lücke deutlich größer:

• Dialekt-Durchschnitt — Ming-3.0-audio-flash 9,40, Seed2.0 Lite 13,01, Qwen3.8-Omni Flash 11,58, Gemini 3.8 Flash 48,41.

• Hokkien — 12,84 gegenüber 49,95, 28,08 und 81,62 für dieselben drei.

• Shanghainesisch — 11,15 gegenüber 26,32, 21,10 und 88,64.

• Kantonesisch — 4,09 gegenüber 6,64, 4,76 und 42,62. Dieser hier ist fast ein Gleichstand mit Qwen3.8-Omni Flash und eine klare Abfuhr für Gemini 3.8 Flash.

• Hubei — 9,46 gegenüber 11,35, 7,75 und 48,24. Qwen3.8-Omni Flash gewinnt diese Zeile, und der Anbieter hat sie trotzdem abgedruckt.

• Hunan — 8,76 gegenüber 20,30, 17,11 und 71,39.

Dasselbe Bild fällt weniger schmeichelhaft aus, sobald es bei der Aufgabe nicht mehr um Transkription geht. Bei der Sprecherdiarisierung meldet AISHELL-4 eine Diarisierungsfehlerrate von 8,58 für das Flash-Modell gegenüber 2,80 für Qwen3.8-Omni Flash; AliMeeting: 8,66 gegenüber 3,40; AMI: 25,29 gegenüber 11,16 für MiMo-V2.6 Pro. Wenn Ihr Problem „wer wann gesprochen hat“ statt „was gesagt wurde“ lautet, ist dies nicht das Modell, das die Tabelle des Anbieters selbst empfiehlt. Die Zeichenfehlerrate für lange, konkatenierte Mindestpermutationen auf AMI erzählt dieselbe Geschichte: 39,62 für das Flash-Modell gegenüber 30,91 für MiMo-V2.6 Pro und 23,19 für Qwen3.8-Omni Flash.

Das Gesamtbild der Audio-Intelligenz ist der Punkt, an dem die Argumentation dünn wird. Das Modell gewinnt seine prominenten Zeilen – BigBenchAudio 99,40, MMAU 82,00 – und verliert dann fast überall an Boden, wo die Aufgabe Schlussfolgern über eine lange Aufnahme statt das Beschreiben einer kurzen erfordert.

• LongAudioSpan — 41,12, gegenüber 50,26 für Seed2.0 Lite und 66,40 für Qwen3.8-Omni Flash.

• Long-Audio-Chain-Score — 12,31 gegenüber 34,54 für Qwen3.8-Omni Flash, 48,70 für dessen Denkmodus und 49,63 für Gemini 3.8 Flash. Das ist ein vierfacher Abstand bei der Kennzahl, die der Anbieter zu veröffentlichen wählte.

• MMAR — 74,40 gegenüber 77,70 für Seed2.0 Lite. MMSU — 78,82 gegenüber 82,10. AudioMarathon — 68,41 gegenüber 70,06.

• Tool-Aufruf — BFCL-v3 Audio 81,40 gegenüber 75,08 für Seed2.0 Lite und 86,68 für Gemini 3.8 Flash.

Die Text-Benchmarks sind die am wenigsten überraschenden und die nützlichsten, denn sie sagen, was das Modell nicht ist. Beim allgemeinen Reasoning liegt das Flash-Modell in nahezu jeder Zeile unter den Omni-Modellen, mit denen es verglichen wird: GPQA Diamond 82,45 gegen 91,00 für Qwen3.8-Omni Flash, MMLU-Pro 80,00 gegen 87,70, IFBench 59,00 gegen 81,50, LiveCodeBench v6 79,90 gegen 92,60, AA-LCR 73,90 gegen 80,00. Das Backbone ist ein auf Audio spezialisierter 6,5B-Aktiv-Spezialist, der eine Parameterzahl von 126B trägt, und die Texttabelle zeigt, wie das von außen aussieht. Wenn Sie ein Modell wollen, das sowohl eine Besprechung hört als auch den Follow-up-Code schreibt, sagen inclusionAIs eigene Zahlen, dass Sie nicht erwarten sollten, dass dieses hier die zweite Hälfte übernimmt.

Was es kostet, es zu betreiben

Es werden zwei Serving-Profile genannt, von denen bisher keines auditierbar ist. Das Referenzprofil vLLM-Omni für 128K-Kontext nutzt Tensor-Parallelität über acht 80-GB-H800-GPUs. Das validierte SGLang-Profil nutzt vier GPUs und liefert nur Text. Das sind die Konfigurationen des Anbieters, keine Messungen, und mit 256 GB Gewichten vor jeglichem KV-Cache gibt es keine kleinere Version davon — die 8K-Konfiguration, die das Repository im September ausgeliefert hat, hätte die Speicheruntergrenze nicht verändert, denn die Untergrenze ist der Checkpoint.

Die praktische Einschätzung ist, dass dies ein Cluster-Modell ist, kein Workstation-Modell. Vier GPUs entsprechen ungefähr den Kosten eines ernstzunehmenden GPU-Knotens; acht mit 80 GB sind eine völlig andere Budgetlinie.Ming-3.0-audio-tiny ist die Antwort für alle, die die Familie ohne diese Investition testen möchten – 21 GB und 2,7B aktive Parameter passen auf eine einzelne große Karte –, aber das Tiny-Modell ist ein anderer Checkpoint mit eigenen, durchweg schlechteren Werten in denselben Tabellen (Long-Audio-Chain-Score 10,56 gegenüber 12,31, LongAudioSpan 35,45 gegenüber 41,12, URO-Bench-Pro 54,15 gegenüber 81,92, VoiceBench 74,29 gegenüber 86,74), und der Anbieter veröffentlicht nichts, was belegt, dass sich sein Verhalten übertragen lässt.

Für alle, die eine Integration planen, sei angemerkt: Der Talker ist optional und separat. Die Karte beschreibt ihn als Komponente, die aus der Ausgabe des Modells Sprache erzeugt, und die Presets liegen in einem eigenen Ordner mit eigener Requirements-Datei, sodass ein reines Text-Deployment ihn nicht mitführen muss. Beide dokumentierten Serving-Profile geben standardmäßig Text zurück.

Wo ein Router seinen Platz verdient – und wo nicht

OrcaRouter bietet Ming-3.0-audio-flash nicht an. Es ist nicht in unserem Katalog, wir können Ihnen dafür keinen Endpunkt geben, und nichts in diesem Beitrag sollte als Angebot dafür gelesen werden. Wofür ein Router in einer Pipeline, die um ein Modell wie dieses herum aufgebaut ist, gut ist, ist die Hälfte, die nicht das Modell ist. Sprachsysteme sind größtenteils Textarbeit: der Prompt, der entscheidet, was das Audio gefragt wird, die Nachbearbeitung, die ein tabulatorgetrenntes Sprachlabel in strukturierte Ausgabe verwandelt, die Zusammenfassung, die aus dem Transkript geschrieben wird, der Fallback, der läuft, wenn der GPU-Knoten ausgelastet ist. Das sind gewöhnliche Textaufrufe, und eine API für mehr als 200 Modelle bei 0 % Aufschlag — durchgereichter Listenpreis des Anbieters, sodass eine Preissenkung eines Anbieters am selben Tag bei uns live ist — ist einfacher zu verdrahten als vier Anbieterverträge. Automatisches Failover ist das, womit Sie ein neues, unerprobtes Modell hinter einen Teil Ihres Traffics stellen können, ohne den gesamten Pfad darauf zu verwetten.

Die Grenze lässt sich klar benennen, denn sie ist der eigentliche Grund, warum dieser Artikel nicht mit einem Anmeldefeld endet: Ein 259-GB-Checkpoint, den man auf den eigenen acht GPUs laufen lässt, ist Infrastruktur, kein API-Aufruf. Ein Router leitet Aufrufe weiter. Er macht aus einem Cluster-Modell kein gehostetes Modell und aus 22 Downloads keinen Produktionsnachweis.

Was zu sehen

Drei Dinge würden das Bild verändern, und jedes davon ist auf eine Art und Weise überprüfbar, die bei den Benchmarks nicht gegeben ist. Erstens, das GitHub-Repository: Wenn inclusionAI/Ming-3.0-audio-flash nicht mehr 404 zurückgibt, werden die Serving-Skripte und der Voice-Guide greifbar, und die beiden oben genannten Deployment-Rezepte werden auditierbar. Zweitens, eine unabhängige Bewertung: Sobald Artificial Analysis oder eine Arena diesen Checkpoint aufführt, ist die vierfache Long-Audio-Lücke keine Selbstauskunft des Anbieters mehr, sondern ein Datenpunkt. Drittens, die Lizenzdatei: MIT ist in den Metadaten angegeben, und eine LICENSE-Datei im Repository würde daraus eine Tatsache statt einer Behauptung machen — der Unterschied ist für jeden wichtig, dessen Beschaffungsprozess das Repository statt der Karte liest.

Bis dahin ist die zutreffende Beschreibung die wenig glamouröse. Ein ernstzunehmender Audio-Sprach-Checkpoint, am stärksten bei akzentuiertem und dialektalem Chinesisch, schwach bei Long-Audio-Reasoning und Sprecherdiarisierung nach seinen eigenen veröffentlichten Zahlen, auf dem Papier MIT-lizenziert, rund 259 GB auf der Festplatte und erst seit dieser Woche dokumentiert. Sechs Wochen Stille sind kein Beweis für irgendetwas, außer dass inclusionAI die Gewichte ausgeliefert hat, bevor es die Unterlagen ausgeliefert hat – aber die Unterlagen sind der Teil, der dir sagt, was du herunterlädst, und jetzt sind sie endlich da, um sie zu lesen.