Ming-3.0-audio-flash vs MiniCPM-V 4.7: un modelo que escucha y un modelo que cabe en tu bolsillo

Si estás eligiendo entre Ming-3.0-audio-flash y MiniCPM-V 4.7 35B-A3B, la decisión no está reñida en ningún eje que normalmente sopesarías, porque no compiten por el mismo hueco. Uno es una mezcla de expertos de audio-lenguaje de 126 mil millones de parámetros —6.5 mil millones activos— que inclusionAI subió el 3 de septiembre de 2026 y documentó seis semanas después, y que necesita ocho GPU de 80 GB en su configuración de referencia. El otro es un modelo disperso de visión-lenguaje de 35.2 mil millones de parámetros que OpenBMB publicó en Hugging Face la noche del 6 de octubre de 2026 sin ficha alguna, publicó la ficha el 12 de octubre y afirma decodificar a más de 13 tokens por segundo en un iPhone 17 Pro Max usando unos 3 GB de memoria. Uno escucha y va en un rack. El otro mira y cabe en una mano. Lo que los hace dignos de aparecer en la misma página es que ambos fueron lanzados discretamente por laboratorios chinos en las mismas seis semanas, ambos tienen pesos abiertos y ambos están siendo evaluados por equipos que tienen exactamente un hueco en su arquitectura. Los fallos documentados de IA y los incidentes de despliegue que hay detrás de comparaciones como esta se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.

Aquí está la regla de decisión por adelantado y, luego, la evidencia que la respalda. Si la entrada es audio —llamadas, reuniones, dialectos, música, una locución generada que necesitas verificar—, solo uno de estos modelos puede empezar. Si la entrada es una imagen, un documento, un gráfico, una captura de pantalla o un fotograma de video, solo el otro puede. Lo que se superpone es un pipeline que maneja ambos, y en ese pipeline son dos etapas en lugar de dos candidatos. Cada cifra a continuación es reportada por el proveedor: la de inclusionAI proviene de sus propias imágenes de evaluación, la de OpenBMB de una tarjeta publicada el 12 de octubre, y ninguna ha sido reproducida por un tercero.

Lo que cada uno se niega a hacer

La forma más rápida de ver la diferencia es enumerar las cosas que cada modelo no acepta, porque las listas de especificaciones están escritas para ocultar esto.

• Ming-3.0-audio-flash no mirará nada. Sus entradas son instrucciones de audio y texto; no hay codificador de imágenes en el repositorio, no hay torre de visión en la configuración y no hay ruta de vídeo desde que la resubida del 15 de octubre eliminó la variante de vídeo-lenguaje y su token de parche. Si un fotograma importa, este modelo es ciego a él.

• MiniCPM-V 4.7 35B-A3B no hará caso a nada. Está etiquetado como image-text-to-text, su procesador maneja imágenes y fotogramas de vídeo, y no hay ninguna torre de audio, ninguna ruta ASR ni ninguna cabeza T​TS en ningún lugar de los 70.4 GB de pesos. Un archivo WAV no es una entrada para la que tenga representación.

• Ming-3.0-audio-flash no generará una imagen, una edición ni un recurso 3D. Su salida opcional más allá del texto es voz, mediante un módulo Talker con voces integradas y de referencia.

• MiniCPM-V 4.7 35B-A3B no hablará. Lee una página y responde en texto. Para la voz, habría que añadir un sintetizador independiente, lo que constituye una decisión de producto distinta.

Esa es toda la forma de la comparación. Todo lo demás —contexto, esparsidad, licencias, hardware— es secundario al hecho de que los conjuntos de modalidades no se intersecan.

Dos formas muy diferentes de ser disperso

Ambos modelos son diseños de mezcla de expertos, y la palabra esconde apuestas de ingeniería opuestas.

Ming-3.0-audio-flash es disperso porque es enorme: 42 capas, tamaño oculto de 2.560, 512 expertos con 8 seleccionados por token, 126B en total y 6,5B activos, además de un codificador de audio estilo Whisper de 32 capas y ancho 1.280 con 128 bins mel. La dispersión aporta rendimiento a un modelo que, de otro modo, sería imposible de entrenar y de servir. No lo hace pequeño. Veinticinco fragmentos bfloat16 más un par Talker y VAE suman aproximadamente 259 GB en disco, y el perfil de servicio de 128K del proveedor es paralelismo tensorial en ocho H800 de 80 GB.

MiniCPM-V 4.7 35B-A3B es disperso por la razón opuesta: 35,2 mil millones de parámetros almacenados que enrutan 8 de 256 por token, a lo largo de más de 40 capas de texto con un patrón de atención de tres lineales a una completa, detrás de una torre de visión de 27 capas con tamaño oculto de 1.152 que se inserta en la capa 6 de la pila de texto. La afirmación asociada a ese diseño no es el rendimiento en un clúster, sino la viabilidad en un teléfono. Lookahead Expert Scheduling de OpenBMB predice qué expertos necesitará la siguiente capa, los precarga y superpone la carga con la computación —el tipo de truco que solo se inventa cuando el cuello de botella es el ancho de banda de memoria en un teléfono móvil, no los FLOPs en un centro de datos.

• Parámetros totales — Ming-3.0-audio-flash 126B; MiniCPM-V 4.7 35B-A3B 35.2B.

• Parámetros activos — 6,5B frente a unos 3B (8 de 256 expertos más un experto compartido).

• Contexto: 131.072 tokens frente a 262.144.

• Pesos en disco — aproximadamente 259 GB frente a 70,4 GB en 16 fragmentos.

• Hardware de referencia — ocho H800 de 80 GB frente a un iPhone 17 Pro Max a 13+ tokens por segundo y unos 3 GB.

• Licencias — MIT frente a Apache-2.0, ambas declaradas en las tarjetas respectivas.

Dónde difiere realmente el trabajo en chino

Ambos modelos están creados por laboratorios chinos y ambos son más fuertes en chino, pero destacan en cosas diferentes, y las tablas de los proveedores lo dejan inusualmente claro.

Ming-3.0-audio-flash es más fuerte justo donde el habla se vuelve difícil. En sus propias imágenes de evaluación reporta una tasa de error promedio de ASR en chino de 3.45 y un promedio de dialectos de 9.40 —cantonés 4.09, shanghainés 11.15, hokkien 12.84, Hubei 9.46, Hunan 8.76— frente a una referencia de Gemini 3.8 Flash de 48.41 en el promedio de dialectos. Esas mismas imágenes muestran que pierde en diarización de hablantes (AMI 25.29 frente a 11.16 de MiMo-V2.6 Pro) y en razonamiento sobre audio largo (puntuación Chain 12.31 frente a 34.54 de Qwen3.8-Omni Flash). Así que la lectura honesta es: excelente en transcripción con acento, normal a la hora de determinar quién habló y qué significaba la grabación.

MiniCPM-V 4.7 35B-A3B es el más fuerte en chino visual denso: OCRBench 91.20, OCRBench_v2 68.47, OmniDocBench v1.6 94.24, CCOCR 81.14, MMMU 80.22, MathVista 88.00, razonamiento de CharXiv 75.60, TextVQA 84.99 — todo ello del propio gráfico de OpenBMB, todo sin reproducir, y varias filas marcadas como superadoras de modelos Qwen y Gemma de clase 35B por márgenes estrechos. El submuestreo de tokens mixto 4x/16x de la torre de visión es el mecanismo: 16x fusiona tokens para ganar velocidad, 4x conserva cuatro veces más para el detalle fino, y el ajuste debe pasarse tanto al procesador como a generate() o los dos no concuerdan.

El solapamiento en capacidades para el chino es, por tanto, escaso y real: un documento chino escaneado con una nota de voz adjunta es un problema que requiere dos modelos, y ninguno de los dos se ocupa de la otra mitad.

Lo que cuesta poner en producción cualquiera de los dos

Estos no son números comparables, y fingir lo contrario es el error habitual de este tipo de artículos.

Ming-3.0-audio-flash requiere un nodo. Ocho H800 de 80 GB conforman el perfil del proveedor para contexto de 128K; la alternativa SGLang validada usa cuatro GPU y solo devuelve texto. El modelo hermano de 9,3B en total y 2,7B activos, Ming-3.0-audio-tiny, cabe en una sola tarjeta grande, pero sus cifras publicadas son sistemáticamente peores en las mismas tablas: Chain de audio largo 10,56 frente a 12,31, LongAudioSpan 35,45 frente a 41,12, URO-Bench-Pro 54,15 frente a 81,92; así que es un producto diferente, no uno más barato.

MiniCPM-V 4.7 35B-A3B cuesta un teléfono, o una sola GPU, o nada en absoluto si tus usuarios aportan el dispositivo. Tiene un ecosistema activo del que Ming carece: variantes GGUF, FP8, int4, GPTQ y AWQ publicadas en cuestión de días, un modelo borrador de decodificación especulativa DSpark, compatibilidad con llama.cpp y Ollama, así como con vLLM y SGLang, 76.000 descargas y más de mil me gusta en el repositorio principal. Independientemente de lo demás, este es un modelo que otras personas ya están ejecutando.

Esa diferencia en la adopción es el hecho más relevante para la decisión del artículo y no tiene nada que ver con la calidad. Un modelo con 76.000 descargas tiene una comunidad que ya se ha topado con tu error. Un modelo con 22 descargas tiene un repositorio y una ficha.

Entonces, ¿dónde se encuentran?

En exactamente una arquitectura: una aplicación que tiene que tanto oír como ver. El caso obvio es un flujo de soporte o cumplimiento: una llamada grabada en mandarín con un hablante de dialecto, más un formulario escaneado que subió la persona que llamó, y un resumen que tiene que conectar ambos. Ming transcribe y responde preguntas sobre el audio; MiniCPM lee el formulario y extrae campos. Ninguno puede hacer la mitad del otro, y la unión entre ambos es texto.

Esa unión es la parte que más equipos subestiman. Dos checkpoints de pesos abiertos significan dos revisiones de licencia, dos historias de despliegue, dos modos de fallo y una llamada adicional al modelo para decidir qué documento va dónde. La ruta de Ming es Transformers con trust_remote_code=True y un mínimo de memoria de cientos de gigabytes; la de MiniCPM es un archivo cuantizado en un portátil. El contraste operativo entre las dos mitades de un mismo pipeline es mayor que el contraste entre la mayoría de los modelos competidores.

La capa de enrutamiento y sus límites

OrcaRouter no aloja ninguno de los dos checkpoints. Ambos son pesos abiertos que ejecutas tú mismo, ninguno está en nuestro catálogo, y ninguna frase de aquí debe interpretarse como una oferta de endpoint. Lo que un enrutador sí abarca es el tejido conectivo: el clasificador que decide si un activo entrante es audio o una imagen y lo envía al nodo correcto, el prompt que enmarca la extracción, el resumidor que fusiona las dos salidas en un único informe.

Esas son llamadas de texto normales, y el argumento a favor de ponerlas detrás de una API para más de 200 modelos con 0 % de recargo es simple: el precio de lista del proveedor se aplica tal cual, así que una bajada de precio del proveedor se refleja en nuestro lado el mismo día, una clave en lugar de tres contratos. El DSL de enrutamiento es la pieza que encaja en este problema concreto: un pipeline con una rama para audio y una rama para imágenes es un problema de enrutamiento antes que un problema de modelos, y la conmutación por error automática mantiene vivo al despachador cuando el modelo de clasificación tiene un fallo puntual, que es la única llamada de la cadena que no puedes permitirte perder.

El límite es igual de simple. El enrutamiento no hace que un checkpoint de 259 GB quede alojado, ni convierte un modelo de visión del tamaño de un teléfono en un sistema ASR.

La versión corta

Ming-3.0-audio-flash es el modelo más ambicioso y el menos usable hoy: mejor reconocimiento de habla china dialectal que cualquier otro con cifras publicadas de su clase, sin verificación independiente, sin integración de serving fusionada y con un requisito de hardware que lo deja fuera del alcance de cualquiera que no tenga un nodo con GPU. MiniCPM-V 4.7 35B-A3B es el producto más acabado: una tarjeta, cuantizaciones, soporte de frameworks, una propuesta en dispositivo genuinamente novedosa y una comunidad. También es un modelo de visión, lo que significa que no puede hacer aquello para lo que existe el otro.

Elige por modalidad y la comparación te llevará treinta segundos. Elige por ambición y pasarás un mes descubriendo que la ambiciosa tiene 22 descargas.