
Ming-3.0-audio-flash vs Ming-3.0-audio-tiny: trece veces los parámetros, dos veces y media el trabajo
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 185 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 228 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 98 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
Ming-3.0-audio-flash y Ming-3.0-audio-tiny llegaron a Hugging Face con cuatro minutos de diferencia el 3 de septiembre de 2026 —tiny a las 11:45 UTC y flash a las 11:49—, y desde entonces ambos se han confundido entre sí. Esta mañana, la confusión se volvió literal. El repositorio de flash se editó a las 08:26 UTC con un commit titulado «Actualizar la puntuación BBA de Flash al 99,8 % y añadir el resultado n.º 1 general de la tabla de clasificación»; el repositorio de tiny se editó dos minutos y ocho segundos después con un commit titulado «Actualizar la puntuación BBA compartida de Flash al 99,8 %…», que contenía la misma frase y el mismo PNG de la tabla de clasificación. El modelo tiny no tiene una ficha propia en Artificial Analysis, así que, si has visto un 99,8 % atribuido a Ming-3.0-audio-tiny, ese número pertenecía a su hermano mayor y se propagó mediante copiar y pegar.
Vale la pena decirlo primero porque enmarca todo lo demás. No son dos competidores. Son un mismo diseño a dos escalas: comparten un tokenizador, una ventana de contexto, una licencia y una ruta de código de servicio, y difieren en un puñado de enteros dentro de config.json. La pregunta interesante no es cuál gana —el flash gana en todas las cifras de calidad publicadas—, sino por cuál de esos enteros estás pagando realmente y en qué es genuinamente mejor el más pequeño.
Lo que los dos repositorios comparten realmente
Empieza por las partes que son idénticas, porque hay más de ellas de lo que cabría esperar de una diferencia de parámetros de 13,5×.
• Nombre de la arquitectura: ambos declaran model_type: bailing_moe_v3_audio, la misma ruta de código personalizada de Transformers.
• Tokenizador — ambos usan un vocabulario de 157.184 tokens, con el marcador de posición de audio en el índice 157.168. Un prompt escrito para uno se carga en el otro.
• Ventana de contexto: ambos declaran max_position_embeddings: 131072, con el mismo theta de RoPE de 6.000.000 y sin aplicar escalado.
• Ancho de enrutamiento — ambos activan 8 expertos por token. Este es el número que hace que el par sea comparable en absoluto.
• Entradas y salidas: audio más una instrucción de texto como entrada; texto, o texto con voz sintetizada mediante un Talker opcional, como salida.
• Licencia — MIT en ambos, con el mismo archivo de descargo de responsabilidad legal.
• Código — el README del modelo pequeño te indica que git clone el repositorio de GitHub del modelo flash. Hay una implementación, un conjunto de scripts de ejemplo, una guía de estilo.
Como el código es compartido, los dos checkpoints son intercambiables directamente a nivel de API. Pasar de uno al otro es un cambio de nombre de modelo, que es exactamente la propiedad que hace que una pipeline de dos niveles sea barata de construir y también la propiedad que hace que sea fácil publicar la puntuación del modelo equivocado.

Los cuatro números enteros que no se comparten
Todo lo que difiere vive en text_config, y solo hay cuatro números que importan.
• Capas — flash 42, tiny 24.
• Expertos — flash 512, tiny 128.
• Ancho del experto — flash moe_intermediate_size 768, tiny 512.
• Tamaño de la capa oculta — flash 2560, tiny 1536.
Si multiplicas esos valores, obtienes las cifras destacadas que citan las tarjetas: 126B de parámetros totales con 6,5B activos para flash, 9,3B totales con 2,7B activos para tiny. En disco, la diferencia es de 259,33 GB de pesos en bfloat16 en 25 fragmentos frente a 20,7 GB en dos.
Ahora fíjate en la proporción en lugar de en los números absolutos, porque esta es la parte que las hojas de especificaciones ocultan. Los parámetros totales difieren en 13,5×. Los pesos en disco difieren en 12,5×. Pero los parámetros activos difieren solo en 2,4×. El modelo flash mantiene una biblioteca de expertos mucho más grande y consulta un número similar de ellos; el modelo tiny tiene una biblioteca más pequeña y consulta un número similar. Así que flash no es trece veces más caro por token que tiny —se acerca más a dos veces y media—, con una huella de memoria trece veces mayor que permanece en su mayoría inactiva. Esa es la disyuntiva clásica de los MoE dispersos, y significa que el costo real de elegir flash es la capacidad, no la capacidad de procesamiento: estás comprando una biblioteca más grande, y tienes que mantener toda la biblioteca residente tanto si un clip determinado toma prestado de ella como si no.

Una consecuencia sorprende a la gente. Ambos modelos declaran la misma ventana de 131,072 tokens, y es tentador concluir que manejan el mismo audio. No es así. El contexto es un límite, no una capacidad, y los propios números del proveedor en la siguiente sección muestran exactamente dónde la comprensión del modelo más pequeño se agota mucho antes de que la ventana esté llena.
Lo que dicen las propias tablas del proveedor
Las imágenes de evaluación de ambas tarjetas fueron producidas por inclusionAI y presentan los dos modelos uno al lado del otro. Son cifras del proveedor, no auditadas, y la selección de tareas es del proveedor; aun así, son la única comparación por tarea que existe, porque Artificial Analysis solo puntúa el flash.
• Puntuación de la cadena de audio largo — 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.
Hay dos cosas que vale la pena destacar. Primera, el orden: el tiny pierde en todas ellas, así que nadie debería elegirlo esperando paridad. Segunda, y menos obvia: la brecha es mucho mayor en los benchmarks de razonamiento sobre audio (URO-Bench-Pro, 27.8 puntos menos, y VoiceBench, 12.5 menos) que en los de audio largo (1.75 y 5.67 menos). Lo que hayan aportado los expertos y capas adicionales, aportaron sobre todo razonamiento sobre lo que se escucha, no aguante puro sobre una grabación larga.
Y las propias cifras de audio largo de flash son débiles en términos absolutos —una puntuación en cadena de 12.31 sobre la escala que sea que use ese benchmark, frente a 34.54 de Qwen3.8-Omni Flash y 49.63 de Gemini 3.8 Flash en la misma tarjeta. Así que la lectura honesta del par no es «flash es bueno, tiny es malo». Es que ninguno de los dos checkpoints es un modelo para grabaciones largas, y el tiny es simplemente aún más débil en todo lo que miden los benchmarks de audio corto.
La línea de hardware la marcan los bytes, no los parámetros.
Aquí es donde la elección suele hacerse sola, y los dos READMEs son inusualmente específicos sobre los perfiles que validaron.
• Ming-3.0-audio-flash — perfil de servicio de referencia de 128K con paralelismo de tensores de 4 en H800 de 80 GB; el audio largo puede provocar OOM en esa configuración, con una alternativa documentada de 8 GPU; SGLang validado con cuatro GPU para la salida de texto; SGLang-Omni con --thinker.tp_size 2 en un par de tarjetas.
• Ming-3.0-audio-tiny — vLLM-Omni con el Thinker en una GPU para texto y ASR, o el Thinker en la GPU 0 y el Talker en la GPU 1 para voz; SGLang validado en una GPU para texto; SGLang-Omni en una sola tarjeta con --talker.gpu 0.
Interpreta esas líneas como una decisión de infraestructura en lugar de una especificación. Flash necesita un nodo con varias GPU y un motivo para ocuparlo. Tiny necesita una sola tarjeta y, si solo quieres transcripción o respuesta a preguntas de audio, necesita una sola tarjeta sin Talker en absoluto: sin etapa de síntesis de voz, sin segundo proceso, sin selección de voz. La diferencia práctica entre ambos no es cuatro veces las GPU; es si lo que estás desplegando cabe en una máquina que ya tienes.
Hay un efecto de segundo orden que se manifiesta en las operaciones. Un checkpoint de 25 fragmentos y 259 GB debe descargarse en cada nodo que lo sirve, versionarse y mantenerse en caliente; el perfil de respaldo de ocho GPU significa que tu plan de capacidad debe tolerar un modelo que, ocasionalmente, necesita el doble de tarjetas para el mismo tráfico. Un checkpoint de dos fragmentos y 20,7 GB cabe en una capa de imagen de contenedor, arranca en segundos y se puede escalar añadiendo réplicas. Para herramientas internas con picos de carga, esa diferencia domina cada cifra de calidad en este artículo.

El pipeline de dos niveles para el que se construyeron estos dos checkpoints
Este es el caso de uso al que realmente sirve el par, y es uno que ninguna ficha de modelo describe: ejecutar el modelo pequeño en todo y el modelo flash solo en lo que sobrevive.
Un primer pase económico con Ming-3.0-audio-tiny puede responder "¿hay voz en este archivo?", "¿en qué idioma está?", "¿cuántos hablantes hay?", "¿el audio está lo suficientemente limpio como para valer la pena transcribirlo?" — y puede hacerlo en una sola tarjeta a la velocidad que esa tarjeta sostenga. Solo los clips que requieren razonamiento, manejo de dialectos o una transcripción cuidadosa pasan entonces a Ming-3.0-audio-flash. Como el tokenizador, el formato de prompt y el código de servicio son compartidos, la segunda llamada es la misma solicitud con un nombre de modelo diferente; no hay recodificación, ni reescritura del prompt, ni una segunda integración que mantener.
Lo importante es la economía. Si una quinta parte de tu audio es difícil, el modelo flash ve una quinta parte del volumen y puedes dimensionar su nodo para esa fracción en lugar de para el pico. Si casi todo tu audio es difícil, la cascada no aporta nada y deberías ejecutar solo flash, algo útil de aprender tras una semana de triaje con modelos pequeños antes de comprometerte con cuatro H800s.
La misma forma aparece una capa más arriba, en las llamadas de texto que rodean a los modelos de audio: el clasificador que decide a qué nivel pertenece un clip, la extracción estructurada de una transcripción, el resumen que se escribe después. Son chat completions corrientes, y OrcaRouter las enruta entre más de 200 modelos con una sola clave y un 0 % de margen, con conmutación por error automática, de modo que el clasificador que controla tu costoso nivel de audio no se convierta en el componente que tumbe el pipeline. El DSL de enrutamiento es la pieza que permite expresar la decisión de nivel como configuración en lugar de código: envía los clips cortos y limpios por un lado y los largos o con acento por otro, y deja que un modelo de reserva cubra el hueco cuando un proveedor se degrada. No servimos ninguno de los dos checkpoints de Ming; ambos son descargas que ejecutas tú mismo.
Cómo resolverlo con tu propio audio
Ambos puntos de control son MIT, ambos encajan en la misma ruta de código y ambos son lo bastante pequeños en el caso mínimo como para probarlos sin una conversación con el departamento de compras. Eso hace que una tarde de medición sea más informativa que cualquiera de las cifras anteriores.
Extrae doscientos clips de tu propio tráfico, ponderados hacia el extremo difícil: habla con acento, hablantes que se solapan, ruido de fondo, las grabaciones largas que realmente tienes. Ejecuta ambos modelos con los mismos prompts y puntúa tres cosas: la precisión de transcripción en los clips para los que tienes verdad de referencia, si la etiqueta de idioma era correcta y con qué frecuencia la salida era inutilizable en lugar de simplemente incorrecta. Luego ejecuta la cascada y mide cuántos clips manejó el modelo pequeño lo suficientemente bien como para que nunca se necesitara el modelo flash.
Ese último número es el único que decide la infraestructura. Si sale alto, tienes un despliegue de una sola GPU con un modelo grande detrás para la cola. Si sale bajo, has aprendido que tu carga de trabajo es la carga de trabajo para la que se construyó el modelo flash, y que el tiny era un experimento útil más que un nivel. Cualquiera de las dos respuestas es barata. Adivinar a partir de un recuento de parámetros no lo es, porque el 13,5× en la tarjeta y el 2,4× en el presupuesto de cómputo apuntan a hardware completamente distinto, y solo tus grabaciones pueden decirte cuál estás comprando.
