Ming-3.0-audio-tiny vs. Qwen-Audio 3.1: Ein Fenster, mit dem man rechnen kann, gegen einen Katalog, mit dem man es nicht kann

Hier ist eine Zahl, die leicht zu prüfen und schwer zu nutzen ist: Das Text-Backbone in Ming-3.0-audio-tiny ist auf 131.072 Positionen ausgelegt, und der Audio-Tower davor nimmt jeweils 3.000 Frames mit 128 Mel-Bins auf. Qwen-Audio 3.1 veröffentlicht dagegen überhaupt keine Kontextlänge – weder im Modellindex noch in den einzeiligen Beschreibungen zu seinen drei Modell-IDs. Die eine Seite gibt Ihnen eine Zahl und überlässt Ihnen die Interpretation; die andere gibt Ihnen drei Produktnamen und überlässt die Hardware Alibaba. Diese Asymmetrie ist der ganze Vergleich, und es ist kein Vergleich darüber, welches Modell besser hört. Es ist ein Vergleich darüber, welches man dimensionieren kann, bevor man etwas ausgibt. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Releases wie diesem sind gesammelt in the OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Konfidenzgrad und eine Kennzeichnung als strittig mitführt.

Zuerst die Daten, denn dieses Modell hat eine merkwürdige Chronologie. Die Gewichte hinter Ming-3.0-audio-tiny sind am 3. September 2026 auf Hugging Face erschienen; das Repository wurde um 11:45 UTC erstellt, und die beiden Safetensors-Shards folgten vier Minuten später. Was sich kürzlich geändert hat, ist nicht der Checkpoint. Zwischen dem 16. und 19. Oktober 2026 wurde das Repository um ihn herum neu geschrieben — eine Konfiguration, die endlich ein Audiomodell statt eines Video-Sprach-Modells beschrieb, ein Talker für die Sprachausgabe, zwei Referenz-Sprachclips mit Transkripten, drei Deployment-Profile auf GitHub und, am 19. Oktober um 13:19 UTC, die erste Model Card, die das Repository je hatte. Niemand hat es angekündigt. Die faire Frage ist also nicht, was im September ausgeliefert wurde. Sie lautet, was man jetzt über den Betrieb berechnen kann und was Alibabas Katalog über die Alternative berechnen lässt und was nicht.

131.072 Tokens in Minuten verwandeln

Die Zahl ist real und überprüfbar – was man von den meisten Kontextaussagen nicht behaupten kann. Die Textkonfiguration gibt max_position_embeddings 131.072 an, eine MLA-Attention mit einem 512 breiten KV-Latent und eine Rotary-Basis von 6.000.000. Doch ein Kontextfenster in Tokens wird erst nützlich, wenn man weiß, wie viele Tokens eine Sekunde Audio kostet – und der Anbieter sagt es nicht. Man kann es aus den eigenen Zahlen des Audio-Towers ableiten.

• Encoder-Eingabe — 3.000 Frames mit 128 Mel-Bins, also dasselbe 30-Sekunden-Fenster, das Whisper bei einem 10-ms-Hop verwendet.

• Downsampler — Kernel [3,3,3] mit Schrittweite [2,2,2], sodass ein Fenster um den Faktor acht reduziert wird.

• Tokens pro Fenster — 3.000 geteilt durch 8, d. h. 375 Audio-Tokens für etwa 30 Sekunden Ton.

• Was {{1}}das bedeutet{{/1}} — 131.072 geteilt durch 375 ergibt etwa 349 Fenster, also etwas weniger als drei Stunden Audio, wenn die Pipeline einen einzigen kontinuierlichen Stream speist, statt zwischen den Fenstern neu zu puffern.

Die letzte Klausel leistet eine Menge Arbeit, und ich möchte das ausdrücklich klarstellen. Die Drei-Stunden-Zahl ist eine Rechnung aus zwei veröffentlichten Konfigurationswerten, keine Herstellerangabe, und sie wird falsch sein, wenn der Prozessor die Position zwischen Clips zurücksetzt — was genau das ist, was das ASR-Reproduktionsprofil nahelegt, wenn es Audio auf einen Clip pro Prompt begrenzt. Betrachte sie als eine zu testende Obergrenze, nicht als eine Spezifikation zum Zitieren.

Was nicht arithmetisch ist, ist die Speicherkonsequenz. MLA speichert das KV-Latent statt Keys und Values pro Head, weshalb ein 131K-Fenster überhaupt auf einer Karte vertretbar ist. Das Referenztextprofil reserviert 0,92 einer einzelnen GPU mit max_num_batched_tokens 32.768, was eine Reservierung ist, die für das volle Fenster plus einen großen Batch dimensioniert ist, nicht für eine Untergrenze. Lässt man max_model_len weg, sinkt die Reservierung entsprechend mit. Die Shards des Thinkers summieren sich auf 17,74 GB, sodass eine 24-GB-Karte die Gewichte mit verbleibendem Platz aufnimmt.

Die andere Seite beantwortet dieselbe Frage mit einer Produktaufteilung

Der Model-Studio-Index von Alibaba führt Qwen-Audio 3.1 als drei Modell-IDs auf statt als ein Modell mit einem Kontextfeld. qwen-audio-3.1-asr-flash-streaming und qwen-audio-3.1-asr-flash-filetrans sind unter Spracherkennung eingeordnet; qwen-audio-3.1-realtime-plus ist unter Speech-to-Speech eingeordnet und wird als Ende-zu-Ende-Sprachkonversation ohne separate ASR- und TTS-Aufrufe beschrieben. Keine Gewichte, keine Parameteranzahl, keine Kontextlänge, kein Preis auf dieser Seite. Die Detaildokumentation zu jeder ID war beim Überprüfen nicht abrufbar.

Verstehen Sie diese Aufteilung als Antwort auf das Langaudio-Problem und nicht als Zufall der Produktverpackung. Eine Dateitranskriptions-SKU ist die Art, wie ein Anbieter eine Stunde Audio verkauft: Man lädt sie hoch, der Dienst zerlegt sie nach Belieben in Chunks, und das Kontextfenster ist das Engineering-Problem von jemand anderem. Eine Streaming-SKU ist die Art, wie ein Anbieter einen Telefonanruf verkauft. Keine der beiden SKUs gibt die Zahl preis, die Ming preisgibt, was bedeutet, dass man für Qwen-Audio 3.1 kein Kapazitätsmodell erstellen kann, so wie man es für Ming-3.0-audio-tiny kann. Man kann nur eine Rechnung aufstellen, und selbst dafür braucht man die Konsole.

• Was Sie einsehen können — Ming: Konfiguration, Architektur, Lizenz, vier Safetensors-Dateien, drei Benchmark-Bilder, Deployment-YAML. Q​wen: drei Kennungen und je einen Satz.

• Was Sie dimensionieren können – Ming: 17,74 GB Gewichte und eine GPU für Text, zwei für Sprache. Q​wen: unbekannt, bis Sie eine Preisliste lesen, die Sie von hier aus nicht sehen können.

• Was Sie cachen können — Ming: Ihren eigenen KV-Cache, mit Ihrer eigenen max_model_len. Q​wen: was auch immer der Endpoint intern, unsichtbar macht.

• Fehlermodus — Ming: ein OOM, den du verursacht hast und beheben kannst. Q​wen: ein Kontingent, eine Region oder eine Dokumentationsseite, die nichts zurückgibt.

• Lizenz — Ming: MIT, in den Metadaten der Karte und in der LICENSE des GitHub-Repositories, wobei zu beachten ist, dass das Hugging-Face-Repository keine eigene LICENSE-Datei enthält. Qwen: die kommerziellen Bedingungen von Model Studio, da es keine Lizenz für die Gewichte zum Nachlesen gibt.

Die Benchmark-Frage, die niemand ehrlich beantworten kann

Ming-3.0-audio-tiny liefert drei Evaluierungsbilder in assets/ mit, und jede Zelle darin ist inclusionAI, das inclusionAI misst. Die Karte kennzeichnet selbst evaluierte Zeilen mit einem Sternchen und räumt ein, dass die Vergleichsmodelle unter den eigenen Prompts und Decoding-Einstellungen reproduziert wurden. Das ist eine übliche Offenlegung, und man sollte sie beim Wort nehmen: Dies sind Designziele, keine Ergebnisse.

Für diesen Vergleich sind die Zahlen doppelt unangenehm, weil die nützlichen Spalten nicht die vorhandenen sind. Bei der chinesischen Erkennung liegt das winzige Modell im Durchschnitt bei 3,79 Zeichenfehler gegenüber 3,45 für sein größeres Geschwistermodell, und bei Dialekten bei 10,29 gegenüber 9,40. Bei der Audio-Intelligenz verliert es deutlich an Boden – MMAU 75,90 gegenüber 82,00, MMAU-Pro 56,42 gegenüber 66,41 und ein Einbruch bei der gesprochenen Interaktion auf URO-Bench-Pro von 81,92 auf 54,15. All das ist winzig gegenüber flash. Nichts davon ist winzig gegenüber Qwen-Audio 3.1, weil Qwen-Audio 3.1 keinen vergleichbaren Wert veröffentlicht hat und es keinen gemeinsamen Testsatz, keine gemeinsame Decoding-Konfiguration und keinen Dritten gibt, der beide ausgeführt hat.

Es gibt eine zweite Lücke, die es wert ist, benannt zu werden, weil sie in zehn Sekunden überprüfbar ist. Auf der Karte heißt es, die gemeinsamen Abbildungen enthielten Ergebnisse für beide Ming-Varianten. Das gilt für die Erkennungsabbildung und die Audio-Intelligence-Abbildung. Die Text-Intelligence-Abbildung hat vier Spalten, und das winzige Modell ist keine davon – ihre Spalten sind Ming-3.0-audio-flash, Qwen3.8-Omni Flash, Qwen3.5-Omni Plus und Qwen3.5-Omni Flash. Wenn Ihre Frage lautet, ob das 2,7B-aktive Backbone eine Reasoning-Konversation über Audio führen kann, hat inclusionAI sie in dieser Abbildung nicht beantwortet, egal was der Satz über der Abbildung sagt.

Wie die beiden Formen nach drei Stunden auf unterschiedliche Weise versagen

Langes Audio ist der Punkt, an dem die Produkttrennung aufhört, kosmetisch zu sein. Ein einzelner Checkpoint mit einem 131K-Fenster ist ein Versprechen: Ein Modell liest die gesamte Aufnahme und erinnert sich noch an die ersten zehn Minuten, wenn es die letzten erreicht. Dieses Versprechen hat einen spezifischen Fehlermodus: Alles verschlechtert sich gemeinsam. Wenn das Audio das Fenster überläuft, chunkst du, und beim Chunking stirbt das chunkübergreifende Reasoning still – der Sprecher, der in Minute zwei eingeführt wurde, ist in Minute vierzig wieder ein Fremder.

Eine File-Transcription-SKU verbirgt dieses Problem und erbt ein anderes. Sie kontrollieren die Aufteilung in Chunks nicht, daher können Sie ein schlechtes Transkript nicht reproduzieren; Sie können nicht feststellen, ob der Dienst den Kontext über Chunks hinweg beibehalten oder unabhängige Fenster aneinandergereiht hat; und wenn sich die Ausgabe zwischen zwei identischen Uploads ändert, haben Sie keine Variable, die sich isolieren lässt. Die Streaming-SKU ist bei ihrer Einschränkung schon im Namen ehrlich: Sie ist darauf ausgelegt, auszugeben, sobald Audio eintrifft, was für Untertitel die richtige Form und für eine Compliance-Prüfung eines neunzigminütigen Anrufs die falsche ist.

Die Entscheidung lautet also nicht „Was ist genauer?“ – keine Seite hat Ihnen eine Zahl genannt, die das entscheiden würde. Sie lautet „Welchen Fehler kann ich debuggen?“. Wenn Sie ein Transkript Byte für Byte reproduzieren müssen, betreiben Sie den Checkpoint selbst. Wenn Sie in zwanzig Minuten ein Transkript brauchen und jemand anderes den Pager hat, mieten Sie die SKU.

Wo ein Router in dieser Pipeline seinen Wert unter Beweis stellt

OrcaRouter bietet Ming-3.0-audio-tiny nicht an. Es ist nicht in unserem Katalog, und wir können Ihnen dafür keinen Endpoint nennen; nichts hier ist ein Angebot dafür. Was ein Router tatsächlich abdeckt, ist der Teil einer Long-Audio-Pipeline, der nicht das Audio-Modell ist: zu entscheiden, welche Aufnahme an das lokale 2,7B-Modell geht und welche an etwas Größeres, die Zusammenfassung aus dem Transkript zu schreiben, die Action Items zu extrahieren, den Anruf zu taggen. Das sind Textaufrufe, und mehr als 200 Modelle hinter einem Schlüssel ist ein kürzerer Weg als vier Anbieterverträge — zum Listenpreis des Anbieters mit 0 % Aufschlag, sodass sich der Preis, den Sie zahlen, am selben Tag ändert, wenn ein Anbieter seine Preise senkt. Automatisches Failover ist hier wichtiger als sonst: Ein Transkriptionsjob, der in Minute achtzig einer neunzigminütigen Datei fehlschlägt, sollte über einen zweiten Pfad erneut versuchen, statt von vorn zu beginnen.

Man sollte die Grenze klar benennen. Ein Router leitet Anrufe weiter. Er verwandelt keinen 17,74 GB großen Checkpoint in einen gehosteten Endpoint und sagt dir auch nicht, ob Mings 131K-Fenster echt ist. Das sagt dir nur deine eigene Stunde Audio.

Das Experiment, das die Entscheidung bringt

Nehmen Sie eine Aufnahme, deren Antwort Sie bereits kennen – ein Meeting mit drei Sprecher:innen, bei dem {{1}}eine der Personen mitten im Satz die Sprache wechselt{{/1}} – und lassen Sie sie durch {{2}}beide{{/2}} laufen. Laden Sie {{3}}Ming-3.0-audio-tiny{{/3}} mit {{4}}trust_remote_code=True{{/4}}, verwenden Sie {{5}}den ASR-Prompt, den die Modellkarte validiert (Sprache angeben, Tab, dann die Transkription – dieser Tab ist Ihr Parser){{/5}}, und setzen Sie {{6}}max_model_len{{/6}} auf genau die Länge, die Sie benötigen, statt auf den Standardwert. Führen Sie für {{7}}Qwen-Audio 3.1{{/7}} dieselbe Datei sowohl durch die {{8}}file-transcription SKU{{/8}} als auch durch die {{9}}realtime SKU{{/9}} laufen, denn es sind verschiedene Produkte, und sie werden nicht übereinstimmen.

Dann vergleiche drei Dinge, von denen keines ein Benchmark-Wert ist. Hat das Modell die Sprecheridentitäten über die gesamte Datei hinweg beibehalten? Hat es den Sprachwechsel überstanden, ohne zu transliterieren? Und könntest du das Ergebnis gut genug erklären, um eine Variable zu ändern und es erneut auszuführen? Die letzte Frage entscheidet, ob du ein Modell bewertest oder einen Anbieter vorsprechen lässt, und sie ist der einzige Punkt, an dem diese beiden nicht nah beieinanderliegen.