
Ming-3.0-audio-flash vs. Ming-3.0-audio-tiny: Dreizehnmal so viele Parameter, zweieinhalbmal so viel Arbeit
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 185 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 228 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 89 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 98 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
Ming-3.0-audio-flash und Ming-3.0-audio-tiny erschienen am 3. September 2026 mit vier Minuten Abstand auf Hugging Face – tiny um 11:45 UTC, flash um 11:49 –, und seitdem werden die beiden miteinander verwechselt. Heute Morgen wurde die Verwechslung dann konkret. Das Flash-Repository wurde um 08:26 UTC durch einen Commit mit dem Titel „Flash-BBA-Wert auf 99,8 % aktualisieren und das Gesamtergebnis als Nr. 1 in der Bestenliste hinzufügen“ bearbeitet; das Tiny-Repository wurde zwei Minuten und acht Sekunden später durch einen Commit mit dem Titel „Gemeinsamen Flash-BBA-Wert auf 99,8 % aktualisieren …“ bearbeitet, der denselben Satz und dasselbe Bestenlisten-PNG enthielt. Das Tiny-Modell hat keinen eigenen Eintrag bei Artificial Analysis, wenn Sie also eine 99,8 %-Angabe gesehen haben, die Ming-3.0-audio-tiny zugeschrieben wurde, gehörte diese Zahl zu seinem größeren Geschwistermodell und gelangte per Copy-and-paste dorthin.
Das sollte zuerst gesagt werden, denn es ordnet alles andere ein. Das sind keine zwei Konkurrenten. Sie sind ein Design in zwei Größen, die sich einen Tokenizer, ein Kontextfenster, eine Lizenz und einen Serving-Codepfad teilen und sich in einer Handvoll Ganzzahlen in config.json unterscheiden. Die interessante Frage ist nicht, welcher gewinnt – der Flash gewinnt bei jeder veröffentlichten Qualitätskennzahl –, sondern für welche dieser Ganzzahlen Sie tatsächlich bezahlen und worin der kleinere wirklich besser ist.
Was die beiden Repositories tatsächlich gemeinsam haben
Beginne mit den Teilen, die identisch sind, denn es gibt mehr davon, als man bei einer Parameterlücke von 13,5× erwarten würde.
• Architekturname – beide deklarieren model_type: bailing_moe_v3_audio, denselben benutzerdefinierten Transformers-Codepfad.
• Tokenizer — beide verwenden ein Vokabular von 157.184 Tokens, mit dem Audio-Platzhalter am Index 157.168. Ein für den einen geschriebener Prompt lädt auf dem anderen.
• Kontextfenster — beide geben max_position_embeddings: 131072 an, mit demselben RoPE-Theta von 6.000.000 und ohne angewendete Skalierung.
• Routing-Breite — beide aktivieren 8 Experten pro Token. Dies ist die Zahl, die das Paar überhaupt vergleichbar macht.
• Eingaben und Ausgaben – Audio plus eine Textanweisung als Eingabe; Text oder Text mit synthetisierter Sprache über einen optionalen Talker als Ausgabe.
• Lizenz — MIT bei beiden, mit derselben Datei für den rechtlichen Haftungsausschluss.
• Code – die README des winzigen Modells sagt dir, du sollst git clone auf das GitHub-Repository des Flash-Modells anwenden. Es gibt eine Implementierung, eine Sammlung von Beispielskripten, einen Voice-Guide.
Da der Code gemeinsam genutzt wird, sind die beiden Checkpoints auf API-Ebene ohne Weiteres austauschbar. Der Wechsel von einem zum anderen ist eine Änderung des Modellnamens – genau die Eigenschaft, die eine zweistufige Pipeline günstig aufzubauen macht und zugleich die Eigenschaft, die es leicht macht, den Score des falschen Modells zu veröffentlichen.

Die vier ganzen Zahlen, die nicht gemeinsam genutzt werden
Alles, was sich unterscheidet, befindet sich in text_config, und nur vier Zahlen sind dabei relevant.
• Ebenen — flash 42, tiny 24.
• Experten — flash 512, tiny 128.
• Expertenbreite — flash moe_intermediate_size 768, tiny 512.
• Versteckte Größe — flash 2.560, tiny 1.536.
Multipliziert man das, erhält man die prominenten Zahlen, die auf den Karten genannt werden: 126 Mrd. Parameter insgesamt, davon 6,5 Mrd. aktiv bei Flash, 9,3 Mrd. insgesamt, davon 2,7 Mrd. aktiv bei Tiny. Auf der Festplatte beträgt der Unterschied 259,33 GB bfloat16-Gewichte in 25 Shards gegenüber 20,7 GB in zwei.
Betrachten Sie nun das Verhältnis statt die absoluten Zahlen, denn dieser Teil wird in den Spezifikationsblättern verschwiegen. Die Gesamtparameter unterscheiden sich um den Faktor 13,5. Die Gewichte auf der Festplatte unterscheiden sich um den Faktor 12,5. Doch die aktiven Parameter unterscheiden sich nur um den Faktor 2,4. Das Flash-Modell hält eine viel größere Bibliothek von Experten bereit und konsultiert eine ähnliche Anzahl davon; das winzige Modell hat eine kleinere Bibliothek und konsultiert eine ähnliche Anzahl. Das Flash-Modell ist also nicht dreizehnmal teurer pro Token als das winzige – es liegt eher bei zweieinhalbmal, mit einem Speicherbedarf, der dreizehnmal größer ist und größtenteils ungenutzt bleibt. Das ist der klassische Sparse-MoE-Kompromiss, und er bedeutet, dass die tatsächlichen Kosten der Wahl von Flash in der Kapazität liegen, nicht im Durchsatz: Sie kaufen eine größere Bibliothek, und Sie müssen die gesamte Bibliothek resident halten, unabhängig davon, ob ein gegebener Clip daraus borrows.

Eine Konsequenz davon überrascht viele. Beide Modelle geben dasselbe Kontextfenster von 131.072 Token an, und es liegt nahe anzunehmen, dass sie dieselben Audiodaten verarbeiten. Das tun sie nicht. Kontext ist eine Grenze, keine Fähigkeit, und die Zahlen des Anbieters selbst im nächsten Abschnitt zeigen genau, wo das Verständnis des kleineren Modells endet – lange bevor das Fenster voll ist.
Was die eigenen Tabellen des Anbieters sagen
Die Evaluierungsbilder auf beiden Karten wurden von inclusionAI erstellt und stellen die beiden Modelle Seite an Seite dar. Es handelt sich um Herstellerangaben, ungeprüft, und die Auswahl der Aufgaben wurde vom Hersteller getroffen; dennoch sind sie der einzige existierende Vergleich pro Aufgabe, da Artificial Analysis nur flash bewertet.
• Punktwert für die Langaudio-Kette — flash 12.31, tiny 10.56.
• LongAudioSpan — flash 41,12, tiny 35,45.
• URO-Bench-Pro — flash 81,92, tiny 54,15.
• VoiceBench — flash 86,74, tiny 74,29.
Zwei Punkte sind hervorzuheben. Erstens die Rangfolge: Das {{1}}Tiny{{/1}}-Modell verliert bei jedem einzelnen davon, also sollte es niemand wählen, wenn er Gleichstand erwartet. Zweitens, und weniger offensichtlich: Der Abstand ist bei den Audio-Reasoning-Benchmarks deutlich größer ({{2}}URO-Bench-Pro{{/2}}, 27,8 Punkte niedriger, und {{3}}VoiceBench{{/3}}, 12,5 Punkte niedriger) als bei den Long-Audio-Benchmarks (1,75 bzw. 5,67 Punkte niedriger). Was auch immer die zusätzlichen Experten und Schichten gebracht haben: Sie haben vor allem Reasoning über das Gehörte gebracht, nicht rohe Ausdauer über eine lange Aufnahme hinweg.
Und die Long-Audio-Werte des Flash selbst sind in absoluten Zahlen schwach — ein Chain-Score von {{1}}12.31{{/1}} auf der Skala, die dieser Benchmark auch immer verwendet, gegenüber {{2}}34.54{{/2}} für Qwen3.8-Omni Flash und {{3}}49.63{{/3}} für Gemini 3.8 Flash auf derselben Karte. Die ehrliche Einschätzung der beiden ist also nicht „Flash ist gut, tiny ist schlecht“. Sie lautet, dass keiner der beiden Checkpoints ein Modell für lange Aufnahmen ist und das Tiny bei allem, was die Kurzaudio-Benchmarks messen, einfach noch schwächer ist.
Die Hardware-Grenze wird von den Bytes gezogen, nicht von den Parametern.
Hier fällt die Entscheidung meist von selbst, und die beiden READMEs sind ungewöhnlich konkret, was die Profile angeht, die sie validiert haben.
• Ming-3.0-audio-flash — Referenz-Serving-Profil mit 128K bei Tensor-Parallelität 4 auf 80-GB-H800s; bei langem Audio kann es dabei zu OOM kommen, wobei ein 8-GPU-Fallback dokumentiert ist; SGLang für Textausgabe mit vier GPUs validiert; SGLang-Omni mit --thinker.tp_size 2 auf zwei Karten.
• Ming-3.0-audio-tiny — vLLM-Omni mit dem Thinker auf einer GPU für Text und ASR oder Thinker auf GPU 0 und Talker auf GPU 1 für Sprache; SGLang auf einer GPU für Text validiert; SGLang-Omni auf einer einzelnen Karte mit --talker.gpu 0.
Lies diese Zeilen als Infrastrukturentscheidung, nicht als Spezifikation. Flash braucht einen Multi-GPU-Knoten und einen Grund, ihn zu belegen. Tiny braucht eine Karte, und wenn du nur Transkription oder Audio-Fragebeantwortung willst, braucht es eine Karte ganz ohne Talker — keine Sprachsynthesestufe, keinen zweiten Prozess, keine Stimmauswahl. Der praktische Unterschied zwischen beiden sind nicht viermal so viele GPUs; es ist die Frage, ob das, was du bereitstellst, auf eine Maschine passt, die du bereits hast.
Es gibt einen Effekt zweiter Ordnung, der sich im Betrieb zeigt. Ein 25-Shard-, 259-GB-Checkpoint muss auf jeden Knoten heruntergeladen werden, der ihn bedient, versioniert und warmgehalten werden; das Acht-GPU-Fallback-Profil bedeutet, dass Ihre Kapazitätsplanung ein Modell tolerieren muss, das gelegentlich für denselben Datenverkehr die doppelte Anzahl an Karten benötigt. Ein Zwei-Shard-, 20,7-GB-Checkpoint passt in eine Container-Image-Schicht, startet in Sekunden und lässt sich durch Hinzufügen von Replikaten skalieren. Für stoßweise auftretende interne Tooling-Nutzung dominiert dieser Unterschied jede Qualitätskennzahl in diesem Artikel.

Die zweistufige Pipeline, für die diese beiden Checkpoints entwickelt wurden
Hier ist der Anwendungsfall, dem das Paar tatsächlich dient, und es ist einer, den keine der beiden Modellkarten beschreibt: das Tiny-Modell auf alles anzuwenden und das Flash-Modell nur auf das, was übrig bleibt.
Ein günstiger erster Durchlauf mit Ming-3.0-audio-tiny kann beantworten, „ist in dieser Datei Sprache enthalten“, „welche Sprache ist es“, „wie viele Sprecher“, „ist das Audio sauber genug, um eine Transkription zu rechtfertigen“ — und er kann das auf einer Karte mit der Geschwindigkeit erledigen, die diese Karte durchhält. Nur die Clips, die Reasoning, Dialektbehandlung oder eine sorgfältige Transkription erfordern, gehen dann an Ming-3.0-audio-flash. Da Tokenizer, Prompt-Format und Serving-Code gemeinsam genutzt werden, ist der zweite Aufruf dieselbe Anfrage mit einem anderen Modellnamen; es gibt keine erneute Kodierung, kein Umschreiben des Prompts und keine zweite Integration, die gepflegt werden muss.
Auf die Wirtschaftlichkeit kommt es an. Wenn ein Fünftel Ihres Audios schwierig ist, sieht das Flash-Modell nur ein Fünftel des Volumens, und Sie können seinen Node für diesen Bruchteil statt für die Spitze dimensionieren. Wenn fast Ihr gesamtes Audio schwierig ist, bringt die Kaskade nichts, und Sie sollten Flash allein laufen lassen – eine nützliche Erkenntnis aus einer Woche Triage mit winzigen Modellen, bevor Sie sich zu vier H800s verpflichten.
Dasselbe Muster zeigt sich eine Ebene höher, in den Textaufrufen rund um die Audiomodelle: der Klassifizierer, der entscheidet, welcher Stufe ein Clip gehört, die strukturierte Extraktion aus einem Transkript, die anschließend verfasste Zusammenfassung. Dabei handelt es sich um gewöhnliche Chat-Completions, und OrcaRouter leitet sie über mehr als 200 Modelle hinter einem einzigen Schlüssel bei 0 % Aufschlag – mit automatischem Failover – weiter, sodass der Klassifizierer, der Ihre teure Audio-Stufe steuert, nicht zur Komponente wird, die die Pipeline zum Absturz bringt. Die Routing-DSL ist der Baustein, der es ermöglicht, die Stufenentscheidung als Konfiguration statt als Code auszudrücken: kurze, saubere Clips auf den einen Weg schicken, lange oder akzentbehaftete auf einen anderen, und ein Fallback-Modell die Lücke schließen lassen, wenn ein Anbieter schwächelt. Wir stellen keinen der beiden Ming-Checkpoints bereit; beide sind Downloads, die Sie selbst ausführen.
Wie du es mit deinem eigenen Audio klärst
Beide Checkpoints sind MIT-lizenziert, beide passen in denselben Codepfad, und beide sind im winzigen Fall klein genug, um sie ohne ein Beschaffungsgespräch zu testen. Das macht einen Nachmittag voller Messungen informativer als jede der oben genannten Zahlen.
Holen Sie zweihundert Clips aus Ihrem eigenen Traffic, gewichtet in Richtung des schwierigen Endes – akzentbehaftete Sprache, sich überlappende Sprecher, Hintergrundgeräusche, die langen Aufnahmen, die Sie tatsächlich haben. Führen Sie beide Modelle mit denselben Prompts aus und bewerten Sie drei Dinge: die Transkriptionsgenauigkeit bei den Clips, für die Sie Ground Truth haben, ob das Sprachlabel richtig war und wie oft die Ausgabe unbrauchbar statt nur falsch war. Führen Sie dann die Kaskade aus und messen Sie, bei wie vielen Clips das Tiny-Modell gut genug war, sodass das Flash-Modell nie benötigt wurde.
Diese letzte Zahl ist die einzige, die über die Infrastruktur entscheidet. Fällt sie hoch aus, hast du ein Single-GPU-Deployment mit einem großen Modell dahinter für den Tail. Fällt sie niedrig aus, hast du gelernt, dass deine Workload die Workload ist, für die das Flash-Modell gebaut wurde, und dass das Tiny ein nützliches Experiment war und keine Stufe. Beide Antworten sind billig. Das Raten anhand einer Parameteranzahl ist es nicht, denn die 13,5× auf der Karte und die 2,4× im Compute-Budget zeigen auf völlig unterschiedliche Hardware, und nur deine Aufzeichnungen können dir sagen, welche du kaufst.
