Ming-3.0-audio-flash vs. InternLumina U2: Zwei leise Schiffe, gegensätzliche Papierarbeit

Beide Modelle wurden ohne Pressemitteilung veröffentlicht, und damit enden die Gemeinsamkeiten auch schon ungefähr. Ming-3.0-audio-flash wurde am 3. September 2026 als 259 GB Gewichte mit praktisch keiner Dokumentation auf Hugging Face hochgeladen und erhielt erst am 19. Oktober eine echte Model Card. InternLumina-U2 ging den umgekehrten Weg: Das Shanghai AI Laboratory veröffentlichte am 1. September 2026 den Inferenzcode und eine Projektseite, versprach die Gewichte und lieferte sie später in hardwarespezifischen Ordnern aus. Das eine Team veröffentlichte zuerst das Artefakt und sechs Wochen später die Erklärung. Das andere schrieb zuerst die Erklärung und ließ einen auf das Artefakt warten. Keines von beiden kündigte etwas an, keines hat einen unabhängigen Benchmark, und keines ersetzt das andere – das eine hört, das andere sieht und zeichnet. Die dokumentierten KI-Fehlfunktionen und Vorfälle bei stillen Veröffentlichungen, die hinter Vergleichen wie diesem stehen, werden im OrcaRouter AI Incident Archive gesammelt, wobei jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Vertrauensstufe und seine Kennzeichnung als umstritten enthält.

Das macht dies zu einem Vergleich über zwei Dinge gleichzeitig: zwei unterschiedliche Wetten darauf, wofür ein offenes multimodales Modell gedacht ist, und zwei unterschiedliche Gewohnheiten, eines zu veröffentlichen. Die zweite Hälfte ist nützlicher, als sie klingt, denn der Papierkram sagt dir, ob du das Ding an einem Dienstag einsetzen kannst. Alles Folgende stammt aus den beiden Repositories und ihren Model Cards. Die Zahlen von Ming stammen von inclusionAI selbst; die von InternLumina von Shanghai AI Lab, und die eigene Model Card bezeichnet sie als „vorläufige, partielle Ergebnisse“. Keine dritte Partei hat eines von beiden bewertet.

Die beiden Release-Zeitpläne nebeneinander

Datumsangaben sind der objektivste hier verfügbare Beleg, also beginnen Sie mit ihnen.

• 1. September 2026, 04:03 UTC — das GitHub-Repository InternLM/InternLumina-U2 wird erstellt. Dreizehn Minuten später erscheint ein Hugging-Face-Repository mit demselben Namen, das eine .gitattributes und einen README-Stub enthält. Das Release an diesem Tag ist Code: ein Treiberskript mit einem Abschnitt pro Aufgabe, eine README auf Englisch und Chinesisch sowie eine Roadmap.

• 3. September 2026, 11:45 und 11:49 UTC — inclusionAI erstellt Ming-3.0-audio-tiny und Ming-3.0-audio-flash auf Hugging Face. Neun Minuten später treffen 25 Shards im Flash-Repository ein. Die README, die mit ihnen kam, trug den Titel „Ming Audio V3“ und beschrieb ausschließlich den ASR-Pfad.

• 13. bis 19. Oktober 2026 — die Ming-Repositories bewegen sich viermal in sieben Tagen: eine Konfiguration, die den Kontext von 8.192 auf 131.072 erhöht, ein erneuter Upload, der die Video-Sprachvariante entfernt, ein Voice-Preset-Ordner und schließlich die Karte, die Assets und eine MIT-Neulizenzierung. inclusionAI/Ming-3.0-audio-flash erscheint am 15. Oktober auf GitHub.

• Irgendwann nach dem 24. September 2026 — internlm/InternLumina-U2 ist auf Hugging Face kein Stub mehr und erhält zwei Checkpoint-Bäume, ascend/ und nvidia/, jeweils sieben Shards, insgesamt etwa 67,6 GB Speicher, rund 33,8 GB pro Hardware-Baum. Das Repository wurde zuletzt am 24. September geändert. Keine überarbeitete Modellkarte, keine Benchmark-Tabelle mit Zahlen darin, kein technischer Bericht.

Das Muster ist umgekehrt, und die praktische Konsequenz ist ebenfalls umgekehrt. Mings Gewichte sind seit Anfang September für jeden lauffähig, der bereit ist, eine Konfigurationsdatei zu lesen; seine Dokumentation existierte nicht. InternLuminas Dokumentation existierte vom ersten Tag an; ihre Gewichte nicht, und als sie kamen, kamen sie ohne die Vergleichstabellen, die die Modellkarte versprochen hatte.

Wofür jedes Modell tatsächlich entwickelt wurde

Ming-3.0-audio-flash ist ein natives Audio-Sprach-Mixture-of-Experts: insgesamt 126 Milliarden Parameter, 6,5 Milliarden pro Inferenzschritt aktiv, ein Audio-Encoder und Projektor, die ein 42-schichtiges Backbone mit 512 Experten und 8 aktiven pro Token speisen, ein Vokabular von 157.184 Token und ein Whisper-artiger Audio-Tower mit 32 Schichten und Breite 1.280 sowie 128 Mel-Bins. Die Eingabe sind Audio plus Textanweisungen. Die Ausgabe ist Text oder Text plus synthetisierte Sprache über ein optionales Talker-Modul mit integrierten chinesischen Stimmen und zwei Referenzclips im Repository. Die angegebene Kontextlänge beträgt 128K, und das Serving-Profil der Karte sind acht 80-GB-H800 im Tensor-Parallelbetrieb.

InternLumina-U2 ist ein sparse Mixture-of-Experts-Modell mit 16 Milliarden Parametern und 1 Milliarde aktiven Parametern, das als Diffusions-Sprachmodell statt als autoregressives Modell gebaut wurde – es verfeinert eine ganze Sequenz parallel, statt Tokens von links nach rechts auszugeben. Seine visuelle Repräsentation ist vollständig diskret: acht Codebooks visueller Tokens aus Apples AToken-Tokenizer, auf der Eingabeseite zu einem Backbone-Token pro Position verkettet und auf der Ausgabeseite Codebook für Codebook vorhergesagt. Der Sinn dieses Designs ist Vereinheitlichung: Text-Fragebeantwortung, Bildverständnis, Bildbearbeitung, Text-zu-Bild-Generierung, Videoverständnis und 3D-Verständnis laufen alle über dasselbe Vokabular und dieselben Gewichte, auf einem LLaDA-2.0-Diffusions-Backbone.

Liest man die beiden Beschreibungen zusammen, verdichtet sich der Vergleich zu einem einzigen Satz. Ming-3.0-audio-flash ist ein Spezialist, der sehr groß ist und eine Modalität in die Tiefe gehend abdeckt. InternLumina-U2 ist ein Generalist, der gemessen an den Gesamtparametern klein ist und versucht, fünf Dinge ausreichend zu erledigen. Keines der beiden Designs ist ein Kompromiss des anderen; sie sind Antworten auf unterschiedliche Fragen.

Jedes einzelne in Tokens umzuwandeln – darin liegt der eigentliche Unterschied.

Wenn man nur die Parameterzahlen liest, würde man schließen, dass Ming achtmal so groß ist wie das Modell. Diese Lesart ist in beide Richtungen falsch, und der Grund dafür ist die Schnittstelle, die jedes von beiden bereitstellt.

• Eingabe — Ming-3.0-audio-flash: Audio und Text. InternLumina-U2: Text, Bilder, Videoframes und 3D-Assets.

• Ausgabe — Ming-3.0-audio-flash: Text, optional auch Sprachausgabe. InternLumina-U2: Text, Bilder, bearbeitete Bilder; kein Audio, kein Video, keine 3D-Generierung.

• Dekodierung — Ming-3.0-audio-flash: autoregressiv über ein Vokabular mit 157.184 Tokens. InternLumina-U2: Blockdiffusion über ein diskretes visuelles Multi-Codebook-Vokabular.

• Gesamt- versus aktive Parameter — Ming-3.0-audio-flash: 126B insgesamt, 6,5B aktiv. InternLumina-U2: 16B insgesamt, 1B aktiv.

• Gewichte auf der Festplatte — Ming-3.0-audio-flash: rund 259 GB verteilt auf 25 Shards plus einen Talker und VAE. InternLumina-U2: 67,6 GB im Repository, aufgeteilt in zwei Hardware-Bäume mit sieben Shards und jeweils etwa 33,8 GB.

• Lizenz — beide im Geiste MIT-verwandt, faktisch jedoch unterschiedlich: Ming-3.0-audio-flash ist laut seiner Karte MIT, InternLumina-U2 ist laut seinem Repository und seiner Karte Apache-2.0.

• Unabhängige Bewertung — für keinen von beiden.

Hardware, wo die beiden am stärksten auseinandergehen

Die interessanteste technische Behauptung von InternLumina-U2 ist nicht die Architektur; es ist die Backend-Story. Das Repository enthält sowohl einen Ascend-Baum als auch einen NVIDIA-Baum, wobei das Labor angibt, dass Training, Evaluierung und Inferenz sowohl an Huawei-NPUs als auch an NVIDIA-GPUs angepasst wurden, mit numerischer Übereinstimmung auf Operatorebene zwischen ihnen. Für alle, deren Beschaffung über Nicht-NVIDIA-Beschleuniger läuft, ist das ein echtes Unterscheidungsmerkmal, und es ist im Dateibaum überprüfbar: zwei vollständige Checkpoint-Verzeichnisse, jeweils mit eigener Konfiguration, eigenem Tokenizer und eigenem Parallelplan.

Ming-3.0-audio-flash hat keine solche Geschichte. Sein Referenzprofil sind acht H800 mit je 80 GB; seine validierte Alternative ist ein SGLang-Profil mit vier GPUs, das nur Text zurückgibt. Im Repository gibt es keinen NPU-Pfad, und das winzige Geschwistermodell mit insgesamt 9,3B und 2,7B aktiven Parametern ist die Antwort für alle, die keinen Knoten bereitstellen können.

Beide Modelle sind im heutigen Sinne Deployment-Projekte und keine pip-Installationen. InternLuminas eigene Unterlagen stellen ausdrücklich klar, dass der Generierungspfad nicht dem Standard entspricht: Die block-diffusion-generate-API ist nicht die Transformers-generate-Schnittstelle, der AToken-Tokenizer erfordert FlashAttention, und die 3D-Pipeline erwartet Blender 4.5, um GLB-Assets vor der Tokenisierung in Ansichten zu rendern. Mings Pfad ist konventioneller – AutoProcessor plus AutoModelForCausalLM mit trust_remote_code=True –, aber die Speicheruntergrenze ist achtmal höher.

Was die Anbieterzahlen sagen – und was sie nicht sagen können

Keine der beiden Tabellen lässt sich mit der anderen vergleichen, denn die beiden Modelle teilen keinen einzigen Benchmark. Das ist kein Ausweichen; es ist die ehrliche Gestalt der Beleglage.

Auf den Evaluierungsbildern von inclusionAI meldet Ming-3.0-audio-flash eine chinesische ASR-Durchschnittsfehlerrate von 3,45, einen englischen Durchschnitt von 3,69, einen Dialektdurchschnitt von 9,40, MMAR 74,40 und BigBenchAudio 99,40. Dieselben Bilder zeigen, wo es verliert: AMI-Diarisierungsfehler 25,29 gegenüber 11,16 für MiMo-V2.6 Pro und einen Long-Audio-Chain-Score von 12,31 gegenüber 34,54 für Qwen3.8-Omni Flash. Seine Text-Benchmarks sind der schwächste Abschnitt der Karte – GPQA Diamond 82,45, MMLU-Pro 80,00, IFBench 59,00 – was das Bild ist, das ein Audio-Spezialist mit 6,5B aktiven Parametern abgibt, wenn er in Prosa argumentieren soll.

Die Modellkarte von InternLumina-U2 gibt 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 und GenEval 0.81 an — und untergräbt sich dann selbst, denn die eigene Tabelle der Projektseite zeigt LLaDA2.0-Uni mit GenEval 0.89, besser als das Modell, das es zu übertreffen behauptet. Der zentrale Vorbehalt der Karte – „Vorläufige, teilweise Ergebnisse. Vollständige Vergleichstabellen werden im kommenden technischen Bericht erscheinen“ – gilt auch heute noch. Es gibt keinen technischen Bericht.

Zusammen gelesen beschreiben die beiden Zahlenreihen komplementäre Stärken und eine gemeinsame Schwäche: Keine von beiden wurde von irgendjemandem außerhalb des Labors, das sie trainiert hat, reproduziert.

Welche, für welchen Leser

Wenn Ihr Produkt Sprache umfasst – Meeting-Transkription mit Dialektabdeckung, Callcenter-Audio, gesprochene Antworten, Synchronisation –, ist Ming-3.0-audio-flash das einzige der beiden, das infrage kommt, und ehrlich gesagt das einzige Open-Weight-Modell seiner Klasse mit derart spezifischen veröffentlichten Dialektzahlen. Planen Sie einen Node ein, oder beginnen Sie mit dem winzigen Geschwistermodell und akzeptieren Sie dessen schwächere Langaudio-Werte.

Wenn es in Ihrem Produkt um Bilder geht – Dokumentenlesen, Chart-QA, Bearbeitung, 3D-Asset-Beschreibung oder ein einzelnes Modell, das sowohl liest als auch zeichnet –, ist InternLumina-U2 das einzige, das infrage kommt, und der Ascend-Zweig ist ein echter Grund, sich das anzusehen, wenn Sie nicht bei NVIDIA kaufen. Stellen Sie sich darauf ein, mit dem Tokenizer zu kämpfen.

Wenn Sie beides benötigen, betreiben Sie zwei Modelle, und die interessante Frage wird operativ: zwei Checkpoints, zwei Toolchains, zwei Sätze von Lizenzbedingungen, ein multimodales Produkt. Das ist der normale Zustand von Open-Weight-Arbeit Ende 2026, und deshalb gibt es Routing.

Die Routing-Schicht, eng gefasst

OrcaRouter stellt keinen der beiden Checkpoints bereit. Ming-3.0-audio-flash und InternLumina-U2 sind beides Modelle mit offenen Gewichten, die Sie selbst betreiben; keines davon ist in unserem Katalog enthalten, und keines wird in einem Aufruf unserer API auftauchen. Was wir bereitstellen, ist die umgebende Textarbeit: der Prompt, der eine Bildbearbeitungsanweisung rahmt, der Zusammenfasser, der ein Ming-Transkript in strukturierte Notizen verwandelt, der Klassifikator, der entscheidet, an welches der beiden Modelle ein eingehendes Asset gehen soll.

Das letzte Stück ist das, was es wert ist, benannt zu werden. Eine Pipeline, die sowohl Sprache als auch Bild verarbeitet, kommt am Ende zu einer Routing-Entscheidung – Audio geht an den Ming-Knoten, Bilder an den InternLumina-Knoten – und diese Entscheidung ist ein Modellaufruf wie jeder andere. Wenn man das hinter einer API für mehr als 200 Modelle bei 0 % Aufschlag stellt, bei der der Listenpreis des Anbieters direkt durchgereicht wird, bleibt der Dispatcher auf demselben Schlüssel wie alles andere. Automatisches Failover ist hier ebenfalls wichtig, nicht für die selbst gehosteten Checkpoints, sondern für den Klassifizierungsschritt, der sie speist: Wenn das Modell des Routers beeinträchtigt ist, sollte der Fallback ein anderes Modell sein, keine kaputte Pipeline.

Nichts davon macht aus einem 259-GB-Checkpoint einen gehosteten Dienst, und es wäre irreführend, etwas anderes nahezulegen.

Was als Nächstes ansehen

Bei Ming-3.0-audio-flash fehlen eine Lizenzdatei im Repository (MIT steht derzeit in den Kartenmetadaten) und eine Serving-Integration für den Audio-Sprach-Pfad; vLLM-Omni unterstützt die vorherige Ming-Generation und hat einen offenen Pull Request für das 7,9B-TTS-Modell, aber für den 126B-Reader wurde nichts gemergt. Bei InternLumina-U2 fehlen der technische Bericht und die vollständigen Tabellen, die er verspricht; bis dahin ist die GenEval-Zeile gegen LLaDA2.0-Uni der einzige modellübergreifende Vergleich, den man prüfen kann, und sie spricht nicht für das neuere Modell.

Das, was beide Veröffentlichungen gemeinsam haben, ist nützlicher als jede der beiden Lücken. Zwei leistungsfähige Labore veröffentlichten substanzielle multimodale Modelle mit offenen Gewichten und sagten niemandem etwas. Das ist kein Zeichen dafür, dass die Modelle schlecht sind – es ist ein Zeichen dafür, dass die Veröffentlichungsankündigung optional geworden ist und dass das Repository nun die primäre Quelle ist. Lies es.