Ming-3.0-audio-tiny vs. Qwen-Audio 3.1: una ventana con la que se puede hacer aritmética, frente a un catálogo con el que no.

Aquí hay un número que es fácil de comprobar y difícil de usar: la columna vertebral de texto dentro de Ming-3.0-audio-tiny está configurada para 131.072 posiciones, y la torre de audio que tiene delante toma 3.000 fotogramas a la vez con 128 bins mel. Qwen-Audio 3.1, en cambio, no publica ninguna longitud de contexto en absoluto —ni en el índice del modelo ni en las descripciones de una línea adjuntas a sus tres ID de modelo. Un lado te entrega un número y te deja la interpretación a ti; el otro te entrega tres nombres de producto y le deja el hardware a A​libaba. Esa asimetría es toda la comparación, y no es una comparación sobre qué modelo oye mejor. Es una comparación sobre cuál puedes dimensionar antes de gastar nada. Los fallos de IA y los incidentes de agentes documentados detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Primero las fechas, porque este modelo tiene una cronología incómoda. Los pesos detrás de Ming-3.0-audio-tiny aterrizaron en Hugging Face el 3 de septiembre de 2026; el repositorio se creó a las 11:45 UTC y los dos fragmentos safetensors llegaron cuatro minutos después. Lo que cambió recientemente no es el checkpoint. Entre el 16 y el 19 de octubre de 2026, el repositorio se reescribió en torno a él: una configuración que por fin describía un modelo de audio en lugar de uno de vídeo-lenguaje, un Talker para salida de voz, dos clips de voz de referencia con transcripciones, tres perfiles de despliegue en GitHub y, el 19 de octubre a las 13:19 UTC, la primera tarjeta de modelo que el repositorio ha tenido jamás. Nadie lo anunció. Así que la pregunta justa no es qué se publicó en septiembre. Es qué puedes calcular ahora sobre ejecutarlo, y qué te permite y qué no te permite calcular el catálogo de Alibaba sobre la alternativa.

Convertir 131.072 tokens en minutos

El número es real y es comprobable, lo que no se puede decir de la mayoría de las afirmaciones sobre contexto. La configuración de texto declara max_position_embeddings 131,072, una atención MLA con un latente KV de 512 de ancho y una base rotatoria de 6,000,000. Pero una ventana de contexto en tokens solo resulta útil cuando se sabe cuántos tokens cuesta un segundo de audio, y el proveedor no lo dice. Puedes deducirlo a partir de los propios números de la torre de audio.

• Entrada del codificador: 3000 tramas de 128 bandas mel, que es la misma ventana de 30 segundos que Whisper utiliza con un salto de 10 ms.

• Submuestreador — kernel [3,3,3] con stride [2,2,2], por lo que una ventana se reduce en un factor de ocho.

• Tokens por ventana — 3.000 dividido entre 8, es decir, 375 tokens de audio para aproximadamente 30 segundos de sonido.

• Lo que eso implica — 131,072 dividido entre 375 es aproximadamente 349 ventanas, o un poco menos de tres horas de audio, si el pipeline alimenta un único flujo continuo en lugar de volver a almacenar en búfer entre ventanas.

Esa última cláusula hace mucho trabajo y quiero ser explícito al respecto. La cifra de tres horas es aritmética sobre dos valores de configuración publicados, no una afirmación del proveedor, y será incorrecta si el procesador restablece la posición entre clips — que es exactamente lo que implica el perfil de reproducción de ASR cuando limita el audio a un clip por prompt. Trátala como un límite superior que hay que probar, no como una especificación que citar.

Lo que no es aritmética es la consecuencia en memoria. MLA almacena el latente KV en lugar de claves y valores por cabeza, por lo que una ventana de 131K es siquiera defendible en una sola tarjeta. El perfil de texto de referencia reserva 0.92 de una sola GPU con max_num_batched_tokens 32,768, que es una reserva dimensionada para la ventana completa más un lote grande, no un mínimo. Si se elimina max_model_len, la reserva baja con ello. Los fragmentos del Thinker suman 17.74 GB, así que una tarjeta de 24 GB aloja los pesos con espacio de sobra.

La otra parte responde a la misma pregunta con una división de producto.

El índice de Model Studio de Alibaba enumera Qwen-Audio 3.1 como tres ID de modelo en lugar de un solo modelo con un campo de contexto. qwen-audio-3.1-asr-flash-streaming y qwen-audio-3.1-asr-flash-filetrans figuran en reconocimiento de voz; qwen-audio-3.1-realtime-plus figura en voz a voz y se describe como una conversación de voz de extremo a extremo sin llamadas ASR y TTS separadas. No hay pesos, ni número de parámetros, ni longitud de contexto, ni precio en esa página. La documentación detallada de cada ID no se resolvió al comprobarla.

Interpreta esa división como una respuesta al problema del audio largo, y no como un accidente de empaquetado. Un SKU de transcripción de archivos es cómo un proveedor vende una hora de audio: lo subes, el servicio lo divide en fragmentos como quiere, y la ventana de contexto es un problema de ingeniería de otro. Un SKU de streaming es cómo un proveedor vende una llamada telefónica. Ninguno de los dos SKU expone el número que expone Ming, lo que significa que no puedes construir un modelo de capacidad para Qwen-Audio 3.1 como sí puedes hacerlo para Ming-3.0-audio-tiny. Solo puedes construir una factura, y aun eso requiere la consola.

• Qué puedes inspeccionar — Ming: configuración, arquitectura, licencia, cuatro archivos safetensors, tres imágenes de benchmark, YAML de despliegue. Q​wen: tres identificadores y una frase cada uno.

• Qué puedes dimensionar — Ming: 17,74 GB de pesos y una GPU para texto, dos para voz. Q​wen: se desconoce hasta que leas una lista de tarifas que no puedes ver desde aquí.

• Qué puedes almacenar en caché — Ming: tu propia caché KV, con tu propio max_model_len. Qwen: lo que el endpoint haga internamente, de forma invisible.

• Modo de fallo — Ming: un OOM que causaste y que puedes corregir. Q​wen: una cuota, una región o una página de documentación que no devuelve nada.

• Licencia — Ming: MIT, en los metadatos de la tarjeta y en el archivo LICENSE del repositorio de GitHub, aunque ten en cuenta que el repositorio de Hugging Face no contiene ningún archivo LICENSE propio. Qwen: los términos comerciales de Model Studio, porque no hay una licencia de pesos que leer.

La pregunta del benchmark que nadie puede responder con sinceridad

Ming-3.0-audio-tiny incluye tres imágenes de evaluación en assets/, y cada celda de ellas es inclusionAI midiendo a inclusionAI. La ficha marca con un asterisco las filas autoevaluadas y admite que los modelos de comparación se reprodujeron con sus propios prompts y ajustes de decodificación. Es una divulgación normal y vale la pena tomarla al pie de la letra: estos son objetivos de diseño, no resultados.

Para esta comparación, las cifras son doblemente incómodas, porque las columnas útiles no son las que están presentes. En reconocimiento de chino, el modelo pequeño promedia 3.79 de error de caracteres frente a 3.45 de su hermano mayor, y en dialectos, 10.29 frente a 9.40. En inteligencia de audio cede terreno de verdad: MMAU 75.90 frente a 82.00, MMAU-Pro 56.42 frente a 66.41, y un colapso en la interacción hablada en URO-Bench-Pro de 81.92 a 54.15. Todo eso es minúsculo frente a flash. Nada de eso es minúsculo frente a Qwen-Audio 3.1, porque Qwen-Audio 3.1 no ha publicado ninguna puntuación comparable y no hay un conjunto de pruebas compartido, ni una configuración de decodificación compartida, ni un tercero que haya ejecutado ambos.

Hay una segunda laguna que merece mencionarse porque se puede comprobar en diez segundos. La tarjeta dice que las cifras compartidas incluyen resultados para ambas variantes de Ming. Eso es cierto en la imagen de reconocimiento y en la imagen de inteligencia de audio. La imagen de inteligencia de texto tiene cuatro columnas y el modelo pequeño no es una de ellas: sus columnas son Ming-3.0-audio-flash, Qwen3.8-Omni Flash, Qwen3.5-Omni Plus y Qwen3.5-Omni Flash. Si tu pregunta es si el backbone de 2,7B activos puede mantener una conversación de razonamiento sobre audio, inclusionAI no lo ha respondido en esa imagen, diga lo que diga la frase que aparece encima de la imagen.

Cómo fallan de manera diferente las dos formas a las tres horas

El audio largo es donde la división del producto deja de ser cosmética. Un único checkpoint con una ventana de 131K es la promesa de que un solo modelo lee toda la grabación y recuerda los primeros diez minutos cuando llega al final. Esa promesa tiene un modo de fallo específico: todo se degrada a la vez. Si el audio desborda la ventana, lo divides en fragmentos, y la fragmentación es donde el razonamiento entre fragmentos muere en silencio: el hablante presentado en el minuto dos vuelve a ser un desconocido en el minuto cuarenta.

Un SKU de transcripción de archivos oculta ese problema y hereda otro distinto. No controlas la fragmentación, así que no puedes reproducir una transcripción defectuosa; no puedes saber si el servicio mantuvo el contexto entre fragmentos o unió ventanas independientes; y cuando la salida cambia entre dos cargas idénticas, no tienes ninguna variable que aislar. El SKU de streaming es honesto sobre su limitación en el nombre: está diseñado para emitir a medida que llega el audio, lo cual es la forma correcta para los subtítulos y la forma incorrecta para una revisión de cumplimiento de una llamada de noventa minutos.

Así que la decisión no es «cuál es más preciso» —ninguna de las partes te ha dado una cifra que lo resuelva—. Es «cuál fallo puedo depurar». Si necesitas reproducir una transcripción byte por byte, hazte cargo del checkpoint. Si necesitas una transcripción en veinte minutos y que sea otro quien esté de guardia, alquila el SKU.

Dónde un enrutador se gana su lugar en este pipeline

OrcaRouter no sirve Ming-3.0-audio-tiny. No está en nuestro catálogo y no podemos darte un endpoint para él; nada de lo que hay aquí constituye una oferta en ese sentido. A lo que un router sí llega es a la parte de un pipeline de audio largo que no es el modelo de audio: decidir qué grabación va al modelo local de 2.7B y cuál a algo más grande, redactar el resumen a partir de la transcripción, extraer los puntos de acción, etiquetar la llamada. Esas son llamadas de texto, y más de 200 modelos con una sola clave es un camino más corto que cuatro contratos con proveedores — a precio de lista del proveedor con 0% de margen, así que cuando un proveedor baja un precio, la cifra que pagas se mueve el mismo día. La conmutación por error automática importa más de lo habitual aquí: un trabajo de transcripción que falla en el minuto ochenta de un archivo de noventa minutos debería reintentarse por una segunda ruta, no empezar de cero.

Vale la pena decir en voz alta dónde está el límite. Un router enruta llamadas. No convierte un checkpoint de 17,74 GB en un endpoint alojado, ni te dice si la ventana de 131K de Ming es real. Solo tu propia hora de audio lo hace.

El experimento que lo resuelve

Toma una grabación cuya respuesta ya conozcas —una reunión con tres hablantes, uno de los cuales cambia de idioma a mitad de frase— y pásala por ambos. Para Ming-3.0-audio-tiny, cárgala con trust_remote_code=True, usa el prompt de ASR que valida la tarjeta (nombra el idioma, un tabulador y luego la transcripción; ese tabulador es tu parser) y establece max_model_len exactamente a la longitud que necesitas en lugar del valor predeterminado. Para Qwen-Audio 3.1, pasa el mismo archivo por la SKU de transcripción de archivos y por la SKU en tiempo real, porque son productos diferentes y no van a coincidir.

Luego compara tres cosas, ninguna de las cuales es una puntuación de benchmark. ¿Mantuvo el modelo las identidades de los hablantes a lo largo de todo el archivo? ¿Sobrevivió al cambio de idioma sin transliterar? ¿Y podrías explicar el resultado lo bastante bien como para cambiar una variable y volver a ejecutarlo? La última pregunta es la que decide si estás evaluando un modelo o haciendo una prueba a un proveedor, y es el único punto en el que estos dos no están cerca.