Ming-3.0-audio-flash se lanzó seis semanas antes de su propia ficha de modelo.

Un modelo de audio-lenguaje de 126 mil millones de parámetros se puede descargar desde Hugging Face desde el 3 de septiembre de 2026, y solo puede mostrar 22 descargas y ocho «me gusta». Hasta esta semana, la única descripción adjunta al repositorio era una tarjeta obsoleta que se autodenominaba "Ming Audio V3" y decía que el repositorio "actualmente documenta la ruta de ASR". Ming-3.0-audio-flash es el nombre que lleva ahora. Los pesos no son nuevos. Lo que llegó entre el 13 y el 19 de octubre de 2026 es todo lo que hace que un checkpoint sea utilizable por alguien que no lo entrenó: una configuración que por fin declara un contexto de 128K, una resubida que convierte un modelo de video-lenguaje-audio en uno únicamente de audio sobre una ruta de código de Transformers 5, un paquete de voz con dos clips de referencia y la primera tarjeta de modelo real que ha tenido el repositorio. inclusionAI no anunció nada de esto. Ningún tercero ha publicado una sola cifra del modelo, así que todo lo que sigue se lee directamente del historial de commits o se cita de las propias imágenes de evaluación del proveedor —por eso vale la pena decir desde el principio que el modelo es de septiembre y solo la documentación es de esta semana. Los fallos de IA documentados y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.

¿Qué cambió y cuándo?

El registro de commits es inusualmente legible, y cuenta una historia que la ficha del modelo no cuenta. El repositorio se creó el 3 de septiembre de 2026 a las 11:49 UTC con un solo archivo, un .gitattributes. Nueve minutos después, 25 fragmentos de safetensors que sumaban 257 GB aparecieron bajo un commit titulado "Add files using upload-large-folder tool" —la firma habitual de un equipo de entrenamiento subiendo un checkpoint, no de un equipo de producto preparando un lanzamiento. El README que lo acompañaba declaraba Apache 2.0, etiquetaba el repositorio como automatic-speech-recognition, y te indicaba que instanciaras el modelo con trust_remote_code=False.

El repositorio estuvo inactivo durante seis semanas. Cuando volvió a moverse, lo hizo cuatro veces en siete días.

• 13 de octubre, 12:17 UTC — "Subir config.json". Un solo archivo, y el interesante: max_position_embeddings pasa de 8.192 a 131.072. Nada más cambia en el repositorio, así que durante dos días el repositorio anunció un contexto de 128K sin que ningún código de modelado pudiera usarlo.

• 15 de octubre, 09:35 y 09:40 UTC — «Eliminar archivos obsoletos» seguido de «Subir modelo actualizado». La disposición de los pesos no cambió, pero se reescribieron 46 archivos y el primer fragmento bajó de 10.64 GB a 9.77 GB. El audio de la configuración model_type cambió de bailing_moe_v3_vl_audio a bailing_moe_v3_audio, se eliminó un video_patch_token sobrante, la transformers_version declarada saltó de 4.56.2 a 5.14.1, y auto_map incorporó entradas AutoModel y AutoProcessor que antes no estaban. En el mismo envío, el README y la examples/ carpeta desaparecieron — durante los siguientes cuatro días el repositorio no tuvo ninguna tarjeta de modelo.

• 17 de octubre, 11:44 UTC — «Añadir preajustes de voz». Aparece una carpeta voice_presets/ con US_James.wav, 灵楷.wav y un archivo voice_prompts.json que contiene sus transcripciones.

• 19 de octubre, a partir de las 11:35 UTC — «Add model card», luego los assets, luego una docena de pequeños commits que pulieron la navegación y la alineación de los enlaces, y terminó a las 13:20 UTC con «Add Tiny model link». Este es el commit que cambió el nombre del modelo, actualizó los metadatos de licencia a MIT y añadió la tarjeta de 8.259 bytes que describe un modelo completo de audio-lenguaje en lugar de una ruta de ASR. El README al que reemplazó se había eliminado cuatro días antes; la versión anterior a esa, de septiembre, se titulaba «Ming Audio V3» y declaraba Apache 2.0.

Hay un segundo repositorio que vale la pena conocer. Ming-3.0-audio-tiny se creó en el mismo momento que el modelo flash, el 3 de septiembre a las 11:45 UTC, y recibió el mismo tratamiento el 19 de octubre. Es el hermano menor: 9.3B parámetros totales con 2.7B activos, MIT, aproximadamente 21 GB en cuatro fragmentos y tres descargas.

Lo que realmente puedes descargar

La configuración está publicada, así que la arquitectura no es un misterio. Lo que cambió esta semana es que la configuración y el código por fin coinciden. Los archivos de modelado personalizados han estado en el repositorio desde la primera subida — modeling_bailing_moe_v3_audio.py y processing_bailing_moe_v3_audio.py ya estaban ambos el 3 de septiembre —, pero la configuración que debían cargar describía un modelo de vídeo-lenguaje-audio con una ventana de 8K, y la tarjeta del modelo te indicaba instanciarlo con trust_remote_code=False, que es lo contrario de lo que necesita el código personalizado. La resubida del 15 de octubre es la versión en la que audio_config.model_type indica bailing_moe_v3_audio, el token de parche de vídeo ya no está, el entorno de ejecución declarado es transformers_version 5.14.1, y auto_map registra AutoModel y AutoProcessor junto a las dos entradas que siempre estuvieron ahí.

• Tamaño — 25 fragmentos de safetensors en bfloat16 que suman 256 GB para el modelo de lenguaje, más un par Talker y VAE de 3 GB en talker/. El modelo pequeño ocupa unos 21 GB en cuatro fragmentos.

• Backbone — 42 capas, tamaño oculto de 2.560, 512 expertos con 8 activos por token, vocabulario de 157.184. Eso es 126B en total y 6,5B activos por paso de inferencia, según la ficha.

• Torre de audio — un codificador al estilo Whisper de 32 capas y ancho de 1.280 con 20 cabezas, 128 bandas mel y un contexto de audio de 3.000 tramas. El id del token de audio es 157.168.

• Contexto — 131.072 posiciones. Era 8.192 en la configuración del 3 de septiembre, y la configuración del 13 de octubre que lo elevó por primera vez seguía llamándose a sí misma bailing_moe_v3_vl_audio y seguía llevando el token de parche de vídeo; la versión limpia de solo audio es la del 15 de octubre.

• Salida — texto, o texto más voz sintetizada mediante un Talker opcional. La tarjeta indica una voz IP predeterminada, 灵小柔, y dos voces de referencia predefinidas, 灵楷 y US_James, cuyos audios y transcripciones están ambos en el repositorio.

• Licencia — MIT. Fue Apache 2.0 hasta el 19 de octubre. Ten en cuenta que el repositorio en sí no contiene ningún LICENSE archivo: la afirmación de MIT figura en los metadatos de la tarjeta y en un enlace a una ruta de GitHub, y el único texto de licencia que realmente está presente en el repositorio pertenece a un modelo de identificación de idioma incluido en talker/data/.

El inicio rápido aún no se resuelve

Esta es la parte que un lector que planea evaluar el modelo necesita antes que cualquier otra cosa, y no está en la ficha. El bloque de instalación de la ficha clona github.com/inclusionAI/Ming-3.0-audio-flash. Esa URL devuelve HTTP 404 hoy, tanto desde la web como desde la API. Lo mismo ocurre con cada ruta que la ficha construye sobre ella: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, y requirements-transformers.txt.

Tampoco existe ninguno de esos en el repositorio de Hugging Face. No contiene ningún directorio examples/ —uno anterior se eliminó el 17 de septiembre—, ni scripts/, ni docs/, ni ningún archivo de requisitos fuera de talker/. Lo que sí contiene es todo lo necesario para cargar el modelo directamente con Transformers, lo cual la tarjeta también documenta como un fragmento de Python: AutoProcessor con use_fast=False, AutoModelForCausalLM en bfloat16 con device_map="auto", trust_remote_code=True, y el audio pasado a través de processor(messages) con audio_feats convertido al dtype del modelo.

Así que el estado honesto es: el modelo carga, los scripts de servicio actualmente no existen para que un lector los lea, y la tarjeta describe un repositorio que aún no se ha publicado. Eso no es un escándalo —que la documentación llegue unas horas antes de un push de código es algo normal—, pero sí significa que las dos recetas de despliegue que aparecen a continuación no se pueden auditar, solo citar. Cualquiera que esté evaluando este checkpoint debería planificar la ruta de Transformers y debería leer modeling_bailing_moe_v3_audio.py antes de habilitar el código remoto, que la propia tarjeta aconseja.

Lo que se puede comprobar es el contrato de tokenización, y la ficha es inusualmente específica al respecto: el prompt de ASR validado pide al modelo que nombre el idioma hablado y que coloque un tabulador entre la etiqueta del idioma y la transcripción. Si estás escribiendo un arnés de evaluación, ese tabulador es el analizador. Un prompt genérico de «transcribe esto» no es la configuración que midió el proveedor.

La tabla que publicó inclusionAI, incluidas las columnas que pierde

Tres imágenes PNG en assets/ contienen la evaluación. Cada número que aparece en ellas procede de la propia ejecución de inclusionAI; los asteriscos marcan las entradas que el proveedor etiqueta como autoevaluadas, y nada de ello ha sido reproducido por un tercero. Artificial Analysis publica tablas de clasificación de audio y no tiene ninguna entrada para este modelo. No hay puntuación de arena, ni un Elo independiente, ni una segunda opinión — así que lee lo siguiente como un proveedor que describe su propio modelo, que es exactamente lo que es.

La imagen del reconocimiento de voz es la parte más sólida del caso, y es sólida en el eje para el que claramente se construyó el modelo. En promedio, sobre su conjunto de pruebas en chino, el modelo flash reporta 3,45 frente a 3,54 de Qwen3.8-Omni Flash y 9,83 de Gemini 3.8 Flash; en inglés, 3,69 frente a 4,02 y 5,05. En dialectos, la brecha se amplía bruscamente:

• Promedio de dialecto — 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 frente a 49,95, 28,08 y 81,62 para los mismos tres.

• Shanghainés — 11,15 frente a 26,32, 21,10 y 88,64.

• Cantonés — 4,09 frente a 6,64, 4,76 y 42,62. Este está cerca de empatar con Qwen3.8-Omni Flash y es una paliza a Gemini 3.8 Flash.

• Hubei — 9,46 frente a 11,35, 7,75 y 48,24. Qwen3.8-Omni Flash gana esta fila, y el proveedor lo publicó de todos modos.

• Hunan — 8.76 frente a 20.30, 17.11 y 71.39.

La misma imagen resulta menos halagüeña cuando la tarea deja de ser transcripción. En diarización de hablantes, AISHELL-4 reporta una tasa de error de diarización de 8,58 para el modelo flash frente a 2,80 para Qwen3.8-Omni Flash; AliMeeting, 8,66 frente a 3,40; AMI, 25,29 frente a 11,16 para MiMo-V2.6 Pro. Si su problema es «quién habló cuándo» en lugar de «qué se dijo», este no es el modelo que recomienda la propia tabla del proveedor. La tasa de error de caracteres con permutación mínima concatenada de formato largo en AMI cuenta la misma historia: 39,62 para el modelo flash frente a 30,91 para MiMo-V2.6 Pro y 23,19 para Qwen3.8-Omni Flash.

El panorama de la inteligencia de audio es donde el argumento se debilita. El modelo gana en sus filas destacadas —BigBenchAudio 99.40, MMAU 82.00— y luego cede terreno en casi todos los casos en que la tarea exige razonar sobre una grabación larga en lugar de describir una corta.

• LongAudioSpan — 41,12, frente a 50,26 de Seed2.0 Lite y 66,40 de Qwen3.8-Omni Flash.

• Puntuación de Long-audio Chain: 12,31, frente a 34,54 de Qwen3.8-Omni Flash, 48,70 de su modo de pensamiento y 49,63 de Gemini 3.8 Flash. Se trata de una brecha de cuatro veces en la métrica que el proveedor decidió publicar.

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

• Llamada a herramientas — BFCL-v3 Audio 81.40 frente a 75.08 de Seed2.0 Lite y 86.68 de Gemini 3.8 Flash.

Los benchmarks de texto son los menos sorprendentes y los más útiles, porque dicen lo que el modelo no es. En razonamiento general, el modelo flash queda por debajo de los modelos omni con los que se compara en casi todas las filas: GPQA Diamond 82,45 frente a 91,00 de Qwen3.8-Omni Flash, MMLU-Pro 80,00 frente a 87,70, IFBench 59,00 frente a 81,50, LiveCodeBench v6 79,90 frente a 92,60, AA-LCR 73,90 frente a 80,00. La columna vertebral es un especialista de audio con 6,5B activos que lleva un recuento de 126B parámetros, y la tabla de texto es cómo se ve eso desde fuera. Si quieres un modelo que tanto escuche una reunión como escriba el código de seguimiento, las propias cifras de inclusionAI dicen que no deberías esperar que este se encargue de la segunda mitad.

Lo que cuesta funcionar

Se citan dos perfiles de servicio, ninguno auditable todavía. El perfil de referencia de vLLM-Omni para contexto de 128K usa paralelismo tensorial en ocho GPU H800 de 80 GB. El perfil validado de SGLang usa cuatro GPU y solo devuelve texto. Esas son las configuraciones del proveedor, no mediciones, y con 256 GB de pesos antes de cualquier caché KV no hay una versión más pequeña de esto: la configuración de 8K que el repositorio publicó en septiembre no habría cambiado el piso de memoria, porque el piso es el checkpoint.

La lectura práctica es que se trata de un modelo para clústeres, no para estaciones de trabajo. Cuatro GPU cuestan aproximadamente lo mismo que un nodo de GPU serio; ocho con 80 GB ya pertenecen a una línea presupuestaria completamente distinta. Ming-3.0-audio-tiny es la respuesta para cualquiera que quiera probar la familia sin ese compromiso —21 GB y 2700 millones de parámetros activos caben en una sola tarjeta grande—, pero el modelo tiny es un checkpoint distinto con sus propios valores, sistemáticamente peores en las mismas tablas (puntuación de Chain para audio largo 10,56 frente a 12,31; LongAudioSpan 35,45 frente a 41,12; URO-Bench-Pro 54,15 frente a 81,92; VoiceBench 74,29 frente a 86,74), y el proveedor no publica nada que demuestre que su comportamiento se transfiera.

Conviene señalar, para quien esté planeando una integración, que el Talker es opcional y separable. La ficha lo describe como generador de voz a partir de la salida del modelo, y los presets están en su propia carpeta con su propio archivo de requisitos, así que un despliegue solo de texto no tiene que incluirlo. Ambos perfiles de servicio documentados devuelven texto por defecto.

Dónde un router se gana su lugar, y dónde no

OrcaRouter no ofrece Ming-3.0-audio-flash. No está en nuestro catálogo, no podemos darte un endpoint para él, y nada en este artículo debe interpretarse como una oferta de hacerlo. En un pipeline construido en torno a un modelo como este, un router sirve para la mitad que no es el modelo. Los sistemas de voz son, en su mayoría, trabajo de texto: el prompt que decide qué preguntarle al audio, el posprocesamiento que convierte una etiqueta de idioma delimitada por tabulaciones en una salida estructurada, el resumen redactado a partir de la transcripción, el fallback que se ejecuta cuando el nodo de GPU está saturado. Esas son llamadas de texto normales, y una sola API para más de 200 modelos con un 0 % de recargo —precio de lista del proveedor trasladado tal cual, de modo que una bajada de precio de un proveedor está activa en nuestro lado el mismo día— es algo más sencillo de conectar que cuatro contratos con proveedores. La conmutación por error automática es lo que te permite colocar un modelo nuevo y sin probar detrás de una parte de tu tráfico sin jugarte todo el flujo a él.

Vale la pena enunciar el límite con claridad, porque es la razón por la que este artículo no termina con un formulario de registro: un checkpoint de 259 GB que ejecutas en tus propias ocho GPU es infraestructura, no una llamada a la API. Un enrutador enruta llamadas. No convierte un modelo de clúster en uno alojado, ni transforma 22 descargas en evidencia de producción.

Qué ver

Tres cosas cambiarían el panorama, y cada una es verificable de una forma en la que los benchmarks no lo son. Primero, el repositorio de GitHub: cuando inclusionAI/Ming-3.0-audio-flash deje de devolver 404, los scripts de servicio y la guía de voz se vuelven reales y las dos recetas de despliegue anteriores se vuelven auditables. Segundo, una puntuación independiente: en el momento en que Artificial Analysis o una arena incluyan este checkpoint, la brecha cuádruple en audio largo deja de ser un autoinforme del proveedor y empieza a ser un punto de datos. Tercero, el archivo de licencia: MIT se declara en los metadatos, y un archivo LICENSE en el repositorio lo convertiría en un hecho en lugar de una afirmación: la distinción importa a cualquiera cuyo proceso de adquisición lea el repositorio en lugar de la ficha.

Hasta entonces, la descripción precisa es la poco glamurosa. Un checkpoint serio de audio-lenguaje, más fuerte en habla china con acento y dialectal, débil en razonamiento sobre audio largo y en diarización de hablantes según sus propias cifras publicadas, con licencia MIT sobre el papel, aproximadamente 259 GB en disco, y documentado solo desde esta semana. Seis semanas de silencio no son prueba de nada excepto de que inclusionAI publicó los pesos antes que el papeleo; pero el papeleo es la parte que te dice qué estás descargando, y ahora, por fin, está ahí para leerse.