Ming-3.0-audio-flash vs InternLumina U2: Dos barcos silenciosos, papeleo opuesto

Ambos modelos se publicaron sin nota de prensa, y ahí es más o menos donde terminan las similitudes. Ming-3.0-audio-flash apareció en Hugging Face el 3 de septiembre de 2026 como 259 GB de pesos con casi nada de documentación, y solo recibió una ficha de modelo real el 19 de octubre. InternLumina-U2 hizo lo contrario: Shanghai AI Laboratory publicó el código de inferencia y una página del proyecto el 1 de septiembre de 2026, prometió los pesos y los entregó más tarde en carpetas específicas para cada hardware. Un equipo publicó primero el artefacto y la explicación seis semanas después. El otro escribió primero la explicación e hizo que esperaras el artefacto. Ninguno anunció nada, ninguno tiene un benchmark independiente y ninguno sustituye al otro: uno oye, el otro ve y dibuja. Los fallos de IA documentados y los incidentes de lanzamientos silenciosos que hay detrás de comparaciones como esta se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, nivel de confianza y marca de disputa.

Eso convierte esto en una comparación sobre dos cosas a la vez: dos apuestas distintas sobre para qué sirve un modelo multimodal abierto, y dos hábitos distintos a la hora de publicar uno. La segunda mitad es más útil de lo que parece, porque el papeleo es lo que te dice si puedes desplegar la cosa un martes. Todo lo que sigue procede de los dos repositorios y sus tarjetas. Los números de Ming son los propios de inclusionAI; los de InternLumina son de Shanghai AI Lab, y su propia tarjeta los califica como «resultados preliminares y parciales». Ningún tercero ha evaluado ninguno de los dos.

Las dos cronologías de lanzamiento, una al lado de la otra

Las fechas son la evidencia más objetiva de la que disponemos aquí, así que empieza por ellas.

• 1 de septiembre de 2026, 04:03 UTC — el repositorio de GitHub InternLM/InternLumina-U2 se crea. Trece minutos después aparece un repositorio de Hugging Face con el mismo nombre, que contiene un .gitattributes y un esbozo de README. El lanzamiento de ese día es código: un script controlador con una sección por tarea, un README en inglés y chino, y una hoja de ruta.

• 3 de septiembre de 2026, 11:45 y 11:49 UTC — inclusionAI crea Ming-3.0-audio-tiny y Ming-3.0-audio-flash en Hugging Face. Nueve minutos después, 25 fragmentos llegan al repositorio flash. El README que los acompañaba se titulaba "Ming Audio V3" y describía solo la ruta ASR.

• Del 13 al 19 de octubre de 2026 —los repositorios de Ming cambian cuatro veces en siete días: una configuración que eleva el contexto de 8.192 a 131.072, una resubida que elimina la variante de video-lenguaje, una carpeta de preajustes de voz y, por último, la tarjeta, los recursos y un relicenciamiento MIT. inclusionAI/Ming-3.0-audio-flash aparece en GitHub el 15 de octubre.

• En algún momento después del 24 de septiembre de 2026 — internlm/InternLumina-U2 en Hugging Face deja de ser un esbozo y pasa a tener dos árboles de checkpoints, ascend/ y nvidia/, siete fragmentos cada uno, unos 67,6 GB de almacenamiento en total, aproximadamente 33,8 GB por árbol de hardware. El repositorio se modificó por última vez el 24 de septiembre. Sin reescritura de la ficha, sin tabla de benchmarks con cifras, sin informe técnico.

El patrón está invertido, y la consecuencia práctica también lo está. Los pesos de Ming han podido ejecutarse desde principios de septiembre por cualquiera dispuesto a leer un archivo de configuración; su documentación no existía. La documentación de InternLumina existió desde el primer día; sus pesos no, y cuando llegaron lo hicieron sin las tablas comparativas que prometía la tarjeta.

Para qué está realmente diseñado cada modelo

Ming-3.0-audio-flash es una mezcla nativa de expertos de audio y lenguaje: 126 mil millones de parámetros en total, 6.5 mil millones activos por paso de inferencia, un codificador y un proyector de audio que alimentan una columna vertebral de 42 capas con 512 expertos y 8 activos por token, un vocabulario de 157.184 tokens, y una torre de audio estilo Whisper de 32 capas y anchura 1.280 con 128 bandas mel. La entrada es audio más instrucciones de texto. La salida es texto, o texto más habla sintetizada mediante un módulo Talker opcional con voces chinas integradas y dos clips de referencia en el repositorio. El contexto declarado es de 128K, y el perfil de servicio de la ficha es ocho H800 de 80 GB en paralelismo de tensores.

InternLumina-U2 es una mezcla dispersa de expertos de 16.000 millones de parámetros con 1.000 millones activos, construida como un modelo de lenguaje de difusión en lugar de uno autorregresivo: refina una secuencia completa en paralelo en vez de emitir tokens de izquierda a derecha. Su representación visual es totalmente discreta: ocho libros de códigos de tokens visuales del tokenizador AToken de Apple, concatenados en un token de backbone por posición en el lado de entrada y predichos libro de códigos por libro de códigos en el lado de salida. El objetivo de ese diseño es la unificación: la respuesta a preguntas de texto, la comprensión de imágenes, la edición de imágenes, la generación de texto a imagen, la comprensión de video y la comprensión 3D se ejecutan todas mediante el mismo vocabulario y los mismos pesos, sobre un backbone de difusión LLaDA-2.0.

Al leer juntas las dos descripciones, la comparación se resuelve en una sola frase. Ming-3.0-audio-flash es un especialista muy grande que trabaja una sola modalidad a fondo. InternLumina-U2 es un generalista pequeño en cuanto al número total de parámetros que intenta hacer cinco cosas de forma adecuada. Ninguno de los dos diseños supone una concesión respecto al otro; son respuestas a preguntas distintas.

Convirtiendo cada uno en tokens, que es la verdadera diferencia

Si solo lees la cantidad de parámetros, concluirías que Ming es ocho veces el modelo. Esa interpretación es errónea en ambos sentidos, y la razón es la interfaz que expone cada uno.

• Entrada — Ming-3.0-audio-flash: audio y texto. InternLumina-U2: texto, imágenes, fotogramas de vídeo y recursos 3D.

• Salida — Ming-3.0-audio-flash: texto, opcionalmente voz. InternLumina-U2: texto, imágenes, imágenes editadas; sin audio, sin vídeo, sin generación 3D.

• Decodificación — Ming-3.0-audio-flash: autorregresivo sobre un vocabulario de 157,184 tokens. InternLumina-U2: difusión por bloques sobre un vocabulario visual discreto con múltiples libros de códigos.

• Parámetros totales frente a activos — Ming-3.0-audio-flash: 126B totales, 6.5B activos. InternLumina-U2: 16B totales, 1B activos.

• Pesos en disco — Ming-3.0-audio-flash: aproximadamente 259 GB repartidos en 25 fragmentos, más un Talker y un VAE. InternLumina-U2: 67.6 GB en el repositorio, dividido en dos árboles de hardware de siete fragmentos y aproximadamente 33.8 GB cada uno.

• Licencia — ambas afines a MIT en espíritu, pero distintas en realidad: Ming-3.0-audio-flash es MIT según su ficha, InternLumina-U2 es Apache-2.0 según su repositorio y su ficha.

• Evaluación independiente: ninguna para ninguno de los dos.

El hardware, que es donde los dos divergen más radicalmente.

La afirmación de ingeniería más interesante de InternLumina-U2 no es la arquitectura; es la historia del backend. El repositorio incluye tanto un árbol Ascend como un árbol NVIDIA, y el laboratorio afirma que el entrenamiento, la evaluación y la inferencia se adaptaron tanto a las NPU de Huawei como a las GPU de NVIDIA, con alineación numérica a nivel de operador entre ellas. Para cualquiera cuya adquisición pase por aceleradores que no sean de NVIDIA, eso es un verdadero diferenciador y es verificable en el árbol de archivos: dos directorios de checkpoints completos, cada uno con su propia configuración, tokenizer y plan de paralelización.

Ming-3.0-audio-flash no tiene esa historia. Su perfil de referencia es ocho H800 de 80 GB; su alternativa validada es un perfil SGLang de cuatro GPU que solo devuelve texto. No hay ruta NPU en el repositorio, y el hermano pequeño, con 9,3B en total y 2,7B activos, es la respuesta para cualquiera que no pueda asignar un nodo.

En el sentido actual, ambos modelos son proyectos de despliegue más que instalaciones con pip. Los propios materiales de InternLumina dejan claro que la ruta de generación no es estándar: la API de generación de difusión por bloques no es la interfaz de Transformers para la función generate, el tokenizador AToken requiere FlashAttention y el pipeline 3D espera que Blender 4.5 renderice recursos GLB en vistas antes de la tokenización. La ruta de Ming es más convencional — AutoProcessor más AutoModelForCausalLM con trust_remote_code=True —, pero el mínimo de memoria es ocho veces mayor.

Lo que dicen las cifras del proveedor y lo que no pueden decir

Ninguna de las dos tablas puede compararse con la otra, porque los dos modelos no comparten ni un solo benchmark. Eso no es una evasiva; es la forma honesta de la evidencia.

En las imágenes de evaluación de inclusionAI, Ming-3.0-audio-flash reporta una tasa de error promedio de 3.45 en ASR de chino, un promedio de 3.69 en inglés, un promedio de 9.40 en dialectos, MMAR 74.40 y BigBenchAudio 99.40. Las mismas imágenes muestran dónde pierde: error de diarización AMI de 25.29 frente a 11.16 de MiMo-V2.6 Pro, y una puntuación Chain de audio largo de 12.31 frente a 34.54 de Qwen3.8-Omni Flash. Sus benchmarks de texto son la sección más débil de la tarjeta —GPQA Diamond 82.45, MMLU-Pro 80.00, IFBench 59.00—, que es lo que parece un especialista en audio con 6.5B activos cuando se le pide razonar en prosa.

La ficha de InternLumina-U2 reporta 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 y GenEval 0.81, y luego se contradice a sí misma, porque la propia tabla de la página del proyecto muestra a LLaDA2.0-Uni con GenEval 0.89, mejor que el modelo al que afirma superar. La advertencia principal de la ficha, «Preliminary, partial results. Full comparison tables will appear in the upcoming technical report», sigue siendo cierta hoy. No hay ningún informe técnico.

Leídos en conjunto, los dos conjuntos de números describen fortalezas complementarias y una debilidad compartida: ninguno de los dos ha sido reproducido por nadie fuera del laboratorio que lo entrenó.

¿Cuál, para qué lector?

Si tu producto incluye voz —transcripción de reuniones con cobertura de dialectos, audio de centros de llamadas, respuestas habladas, doblaje—, Ming-3.0-audio-flash es el único de los dos que aplica y, sinceramente, el único modelo de pesos abiertos de su clase con cifras de dialectos publicadas tan específicas. Cuenta con un nodo o empieza con el hermano pequeño y acepta sus puntuaciones más débiles en audio largo.

Si tu producto implica imágenes —lectura de documentos, preguntas y respuestas sobre gráficos, edición, descripción de activos 3D, o un único modelo que tanto lee como dibuja—, InternLumina-U2 es el único que aplica, y el árbol de Ascend es una razón genuina para mirarlo si no estás comprando NVIDIA. Prepárate para pelearte con el tokenizador.

Si necesitas ambos, estás ejecutando dos modelos, y la pregunta interesante pasa a ser operativa: dos checkpoints, dos cadenas de herramientas, dos conjuntos de términos de licencia, un único producto multimodal. Ese es el estado normal del trabajo con pesos abiertos a finales de 2026, y es la razón por la que existe el enrutamiento.

La capa de enrutamiento, expresada en sentido estricto

OrcaRouter no sirve ninguno de los dos checkpoints. Ming-3.0-audio-flash e InternLumina-U2 son modelos de pesos abiertos que ejecutas tú mismo; ninguno está en nuestro catálogo y ninguno aparecerá en una llamada a nuestra API. Lo que sí proporcionamos es el trabajo de texto que los rodea: el prompt que enmarca una instrucción de edición de imagen, el resumidor que convierte una transcripción de Ming en notas estructuradas y el clasificador que decide a cuál de los dos modelos debe ir un recurso entrante.

Esa última pieza es la que merece la pena nombrar. Un pipeline que maneja tanto voz como visión termina con una decisión de enrutamiento —el audio va al nodo Ming, las imágenes al nodo InternLumina— y esa decisión es una llamada a un modelo como cualquier otra. Ponerla detrás de una API para más de 200 modelos con un 0 % de recargo, donde el precio de lista del proveedor pasa directamente, mantiene al despachador en la misma clave que todo lo demás. La conmutación automática por error también importa aquí, no por los puntos de control autoalojados, sino por el paso de clasificación que los alimenta: si el modelo del enrutador está degradado, el respaldo debería ser un modelo distinto, no un pipeline roto.

Nada de eso convierte un checkpoint de 259 GB en un servicio alojado, y sería engañoso insinuar lo contrario.

Qué ver a continuación

Para Ming-3.0-audio-flash, las piezas que faltan son un archivo de licencia en el repositorio (actualmente MIT figura en los metadatos de la tarjeta) y una integración de servicio para la ruta de audio-lenguaje; vLLM-Omni admite la generación anterior de Ming y tiene una pull request abierta para el modelo TTS de 7.9B, pero no hay nada integrado para el lector de 126B. Para InternLumina-U2, la pieza que falta es el informe técnico y las tablas completas que promete; hasta entonces, la fila de GenEval frente a LLaDA2.0-Uni es la única comparación entre modelos que cualquiera puede comprobar, y no favorece al modelo más nuevo.

Lo que ambos lanzamientos tienen en común es más útil que cualquiera de las dos brechas. Dos laboratorios capaces publicaron modelos multimodales de pesos abiertos sustanciales y no se lo dijeron a nadie. Eso no es señal de que los modelos sean malos — es señal de que el anuncio de lanzamiento se ha vuelto opcional y de que el repositorio es ahora la fuente principal. Léelo.