Ming-3.0-asr-tiny est sorti sans annonce : ce que le dépôt dit réellement

Les poids de Ming-3.0-asr-tiny sont arrivés sur Hugging Face le 14 octobre 2026 à 09:27 UTC, et cinq jours plus tard, le dépôt affichait toujours 35 téléchargements. Quoi que le fournisseur ait voulu que ce téléversement accomplisse, il ne l'a pas accompli. Le code a suivi le 19 octobre à 02:38 UTC. La page du projet — une page défilante unique avec une vidéo de lancement et quatre graphiques de benchmarks — a été mise en ligne le même jour à 12:30 UTC. Personne n'a rien annoncé. Aucun rapport technique n'est lié depuis le dépôt, aucune date de publication n'est imprimée sur la fiche du modèle, et aucun billet de lancement n'émane de l'organisation qui le porte. Tout ce qui figure dans cet article provient des fichiers eux-mêmes, du journal des commits et des propres graphiques du fournisseur, et il est délibérément tenu à l'écart des éléments qui restent inconnus. Les défaillances et incidents d'agents IA documentés qui se cachent derrière des publications comme celle-ci sont recueillis dans the OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, un degré de confiance et un indicateur de contestation.

Cette distinction compte ici plus que d’ordinaire. Un modèle rendu public depuis cinq jours et comptant 35 téléchargements n’est pas un produit sur lequel on peut planifier ; c’est un ensemble de poids accompagné d’un fichier de configuration et d’un compte rendu octet par octet de la manière dont il a été assemblé. La configuration est étonnamment riche en informations. Les graphiques sont étonnamment précis. Les lacunes sont étonnamment importantes.

Cinq jours entre les poids et l’histoire

L'historique des commits est ce que cette version a de plus proche d'une annonce, il vaut donc la peine de le lire comme telle. Le premier commit Hugging Face est la création du dépôt elle-même, le 14 octobre à 09:27 UTC. Une heure plus tard, le fournisseur a téléversé un checkpoint, et le message de commit le nomme : iter_0011500. Il s'agit d'un nombre d'itérations d'entraînement, pas d'un numéro de version, et il vous indique que l'entraînement avait dépassé 1,15 million d'étapes sans vous apprendre quoi que ce soit sur les données consommées par ces étapes.

Les quatre jours suivants ont été consacrés à la publication plutôt qu’à l’entraînement. Le 15 octobre, le package du modèle et la documentation bilingue ont été mis en ligne. Le 16 octobre, le fournisseur a publié ce qu’il a appelé des poids audio uniquement validés. Le 18 octobre, la fiche modèle a reçu des recommandations de serving SGLang et les chiffres de benchmark ont été actualisés deux fois. Le 19 octobre, le dépôt a été lié à une publication de code GitHub, puis à un cookbook SGLang, puis à un film de lancement, puis à des métadonnées de citation, et enfin, à 14:04 et 14:05 UTC, les graphiques public, interne et context-ASR ont de nouveau été actualisés — environ quatre-vingt-dix minutes avant la rédaction de cet article.

Le dépôt GitHub est encore plus récent : créé à 02:38 UTC le 19 octobre, vingt commits, cinq étoiles, aucun fork et un onglet Releases vide. La vidéo que la carte présente comme un film de sortie n’est pas du tout rattachée à ce dépôt. Elle existe en tant qu’asset de release dans un dépôt GitHub Pages distinct, créé à 12:22 UTC le même jour, sous une étiquette littéralement nommée media-2026-10-19. La conséquence la plus citationnelle : la seule date présente dans cette release est celle de la page qui héberge le film.

Ce que la configuration tranche, et ce qu’elle ne fait qu’évoquer

L’index safetensors indique 8 865 800 992 paramètres : 8 865 797 920 en BF16 répartis sur deux fragments, plus 3 072 en F32. Cela représente environ 17,7 Go de poids. Les graphiques du fournisseur étiquettent le modèle 8.6B-A2B, un raccourci pour 8,6 milliards au total avec environ 2 milliards actifs par jeton ; l’index est le chiffre le plus solide et se situe environ 270 millions au-dessus de l’étiquette. Aucun des deux chiffres n’est faux, mais un seul est une mesure que vous pouvez vérifier sans faire confiance à l’arrondi du fournisseur.

Le décodeur est un empilement de 24 couches de type mélange d'experts : 128 experts, huit experts routés par token, un expert partagé, la première couche dense, une taille cachée de 1 536, 16 têtes d'attention avec une tête de dimension 128, et une attention compressée via q_lora_rank 256 et kv_lora_rank 512. Le vocabulaire compte 157 184 tokens et le contexte 8 192 positions. La page du projet ajoute un détail que la configuration seule n'explicite pas : l'empilement alterne trois couches K​imi Delta Attention avec une couche Gated MLA, un hybride 3:1. Il s'agit d'un modèle de langage auquel est attaché un front-end audio, et la répartition du travail entre les deux moitiés est déséquilibrée.

Le côté audio est un encodeur à 32 couches avec 1 280 dimensions cachées, 20 têtes et 128 entrées mel — la forme de l'encodeur de Whisper large-v3, une filiation que le dépôt reconnaît en livrant un fichier nommé modeling_whisper_encoder.py et un fichier distinct WHISPER_LICENSE portant la mention MIT d'OpenAI. L'encodeur est aussi, et de loin, la moitié la plus petite du modèle. Deux champs utiles dans le même fichier : l'identifiant du token audio est 157,168, et asr_output_format est défini sur plain.

Ce que les graphiques affirment, et contre qui

La fiche ne donne aucun chiffre en prose. Tous figurent dans quatre graphiques PNG, et la page du projet les reprend. Selon les chiffres des fournisseurs eux-mêmes, Ming-3.0-asr-tiny obtient un CER moyen de 3,55 en chinois et un WER moyen de 3,99 en anglais ; une moyenne de 8,42 sur 15 dialectes ; une moyenne interne de 1,67 sur cinq domaines ; et un agrégat ASR contextuel de 4,36. Chacun de ces chiffres est déclaré par le fournisseur et aucun n'a été reproduit indépendamment.

L’ensemble de comparaison sur la page du projet comprend Qwen2.5-Omni, Qwen3-Omni-30B-A3B, Qwen3-ASR-1.7B, Fun-ASR 1.5 et Qwen3-ASR-Flash, les deux derniers étant marqués comme à code source fermé. La ligne des dialectes est celle où l’écart est le plus large : Ming à 8,42, Qwen3-ASR-1.7B à 15,30, Fun-ASR 1.5 à 8,00. La ligne du chinois est celle où il est le plus étroit : Ming, à 3,55, se situe entre Qwen3-Omni à 3,33 et Qwen3-ASR-1.7B à 3,66. La ligne du contexte est celle pour laquelle le modèle a été conçu, et là, les 4,36 de Ming arrivent juste derrière les 4,34 de Qwen3-Omni, à deux centièmes de point près.

Trois mises en garde s’imposent à côté de ces chiffres, et les propres modifications du fournisseur en fournissent deux. Le score à cinq domaines est une moyenne arithmétique non pondérée sur chat, gouvernement, santé, connaissances et vie locale — cinq jeux de test internes dont le lien avec les données d’entraînement n’est pas divulgué, moyennés comme si chacun pesait autant dans votre trafic. La page du projet consigne aussi, dans un commit à 12 h 39 UTC le 19 octobre, qu’un score sur la parole bruitée a été retiré de la page tandis que la moyenne des domaines propres restait. Et les graphiques étaient encore en cours de rafraîchissement à 14 h 04 UTC. Un ensemble de chiffres modifié le jour de sa publication est un ensemble de chiffres à relire avant de le citer.

Qu’est-ce qui ne se trouve pas dans le dépôt ?

La liste des absences est plus longue que celle des présences, et chaque absence a une conséquence pratique.

• Données d’entraînement — aucune liste de jeux de données, aucun nombre d’heures, aucun mélange de langues, aucune description du filtrage. Le checkpoint est nommé uniquement par son nombre d’itérations, et rien d’autre.

• Une date de sortie — la fiche n'en indique aucune. L'horodatage de création du dépôt est la seule date fiable, et le fournisseur ne l'a pas confirmée comme date de sortie.

• Un rapport technique — aucun n’est lié. La description de l’architecture sur la page du projet fait quatre phrases.

• Évaluation indépendante — il n'en existe encore aucune. Avec 35 téléchargements et cinq mentions J'aime, pratiquement personne en dehors du laboratoire ne l'a exécuté.

• Horodatages au niveau du mot et diarisation des locuteurs — les notes d'utilisation de la carte indiquent clairement que la sortie est uniquement du texte de transcription. C'est documenté, pas caché, et cela exclut immédiatement de la considération les pipelines de sous-titrage, d'alignement et de diarisation.

• Streaming — l'exemple fourni accepte des clips entiers. Un audio long peut être découpé en segments avec --audio-chunk-frames par rapport au contexte de 8 192 positions, ce qui n'est pas la même chose qu'un streaming à faible latence.

• Code d'évaluation — les graphiques sont des images. Aucun script dans le dépôt ne permet de les régénérer à partir de l'audio.

Une absence mérite d’être nommée à part, car elle façonne tout le cadrage : il n’y a pas d’annonce à laquelle être en retard. Un film de lancement, une page de projet et un dépôt GitHub publiés à moins de dix heures d’intervalle le 19 octobre constituent un lancement à tous égards, sauf en ce qui concerne le communiqué de presse. Les poids sont simplement arrivés cinq jours plus tôt, sans que personne ne le remarque, pendant que le reste était en cours de construction.

Lisez cette liste de commits de haut en bas et la release se construit d'elle-même sous vos yeux : une livraison de code, puis de la documentation en anglais, puis un chemin de service, puis un film, puis une citation, puis une deuxième passe sur les chiffres. Vingt commits, aucun d'eux n'étant un tag de version, et un onglet Releases vide au bout du compte.

Pourquoi un navire silencieux a encore sa place sur votre radar

Les sorties discrètes sont le moment où la question du routage devient intéressante, car le signal d'achat habituel — un lancement, un prix, un benchmark que tout le monde cite — est absent, et le seul moyen d'apprendre quoi que ce soit est de faire tourner la chose. C'est exactement le cas pour lequel le basculement d'OrcaRouter existe. Vous pouvez faire passer une partie du trafic par un modèle candidat pendant que le titulaire continue de servir le reste, et si le nouveau chemin échoue ou expire, la requête revient en arrière au lieu d'échouer pour l'utilisateur. Une seule clé API couvre plus de 200 modèles hébergés, donc ajouter un second avis ne signifie pas un second contrat ni un second jeu d'identifiants.

La limite honnête : Ming-3.0-asr-tiny ne figure pas dans le catalogue OrcaRouter, et les modèles ASR auxquels ses graphiques le comparent non plus. Parmi les modèles nommés sur la page du projet, celui qui est disponible via OrcaRouter aujourd’hui est google/gemini-2.5-pro, qui apparaît dans la comparaison ASR en contexte à 6,30. Ainsi, l’utilisation réaliste d’une couche de routage ici n’est pas « appeler Ming via nous » — c’est placer une référence hébergée et un candidat auto-hébergé derrière une seule interface pendant que vous décidez. La tarification du côté hébergé est répercutée au prix catalogue du fournisseur avec 0 % de marge, ce qui est l’élément qui compte lorsque la comparaison porte sur le coût par heure d’audio.

Qu'est-ce qui ferait passer cela du stade de curiosité à celui de candidat ?

Une courte liste, dans l’ordre où elle est susceptible d’arriver. Une date de sortie annoncée et une communication sur les données d’entraînement rendraient les chiffres du benchmark interprétables plutôt que simplement citables. Une exécution indépendante sur un jeu de test partagé permettrait de déterminer si l’écart dialectal est réel, car c’est la seule affirmation où la marge du fournisseur sur la baseline ouverte la plus proche est suffisamment importante pour qu’une erreur saute aux yeux. Un horodatage ou un chemin de diarisation élargirait l’ensemble des pipelines susceptibles de l’utiliser, ne serait-ce que pour commencer. Et une recette vLLM ou SGLang qui ne serait pas épinglée à un seul commit indiquerait que le fournisseur entend que ceci soit mis en service plutôt que démontré.

D’ici là, la description exacte est peu glamour et précise : 8,87 milliards de paramètres relevant principalement d’un modèle de langage, un encodeur Whisper emprunté, un véritable pari sur les dialectes chinois et le conditionnement par mots-clés, publié sans article, sans date, et avec des graphiques encore en cours de modification l’après-midi même de leur mise en ligne. Ce n’est pas une raison pour l’ignorer. C’est une raison de le tester avant de le citer.