Ming-3.0-audio-flash est sorti six semaines avant sa propre fiche modèle

Un modèle audio-langage de 126 milliards de paramètres est téléchargeable depuis Hugging Face depuis le 3 septembre 2026, et il affiche pour tout bilan 22 téléchargements et huit mentions J’aime. Jusqu’à cette semaine, la seule description attachée au dépôt était une fiche obsolète qui s’appelait « Ming Audio V3 » et indiquait que le dépôt « documente actuellement le parcours ASR ». Ming-3.0-audio-flash est le nom qu’il porte aujourd’hui. Les poids ne sont pas nouveaux. Ce qui est arrivé entre le 13 et le 19 octobre 2026, c’est tout ce qui rend un checkpoint utilisable par quelqu’un qui ne l’a pas entraîné : une configuration qui revendique enfin un contexte de 128K, un nouvel envoi qui transforme un modèle vidéo-langage-audio en modèle audio uniquement sur un chemin de code Transformers 5, un pack vocal avec deux clips de référence, et la première véritable fiche modèle que le dépôt ait jamais eue. inclusionAI n’a rien annoncé. Aucun tiers n’a publié le moindre chiffre pour le modèle, donc tout ce qui suit est soit lu directement dans l’historique des commits, soit cité à partir des images d’évaluation du fournisseur lui-même — c’est pourquoi il vaut la peine de dire d’emblée que le modèle date de septembre et que seule la documentation date de cette semaine. Les défaillances de l’IA et incidents d’agents documentés qui se trouvent derrière des sorties comme celle-ci sont recensés dans les archives des incidents d’IA OrcaRouter où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Qu’est-ce qui a changé, et quand ?

Le journal de validation est inhabituellement lisible, et il raconte une histoire que la fiche modèle ne raconte pas. Le dépôt a été créé le 3 septembre 2026 à 11:49 UTC avec un seul fichier, un .gitattributes. Neuf minutes plus tard, 25 fragments safetensors totalisant 257 Go ont été ajoutés sous un commit intitulé « Add files using upload-large-folder tool » — la signature habituelle d'une équipe d'entraînement qui pousse un checkpoint, pas d'une équipe produit qui prépare un lancement. Le README joint déclarait Apache 2.0, étiquetait le dépôt automatic-speech-recognition, et vous indiquait d'instancier le modèle avec trust_remote_code=False.

Puis le dépôt est resté silencieux pendant six semaines. Quand il a de nouveau bougé, il a bougé quatre fois en sept jours.

• 13 octobre, 12 h 17 UTC — « Upload config.json ». Un seul fichier, et c'est le plus intéressant : max_position_embeddings passe de 8 192 à 131 072. Rien d'autre ne change dans le dépôt, si bien que pendant deux jours, le dépôt a affiché un contexte de 128 K sans qu'aucun code de modélisation ne puisse l'exploiter.

• 15 octobre, 09:35 et 09:40 UTC — « Supprimer les fichiers obsolètes » suivi de « Téléverser le modèle mis à jour ». La disposition des poids n'a pas changé, mais 46 fichiers ont été réécrits et le premier shard est passé de 10,64 Go à 9,77 Go. Le paramètre audio de la configuration, model_type, est passé de bailing_moe_v3_vl_audio à bailing_moe_v3_audio, un ancien video_patch_token a été supprimé, la valeur déclarée de transformers_version est passée de 4.56.2 à 5.14.1, et auto_map a acquis des entrées AutoModel et AutoProcessor qui n'étaient pas présentes auparavant. Dans le même push, le README et le dossier examples/ ont disparu — pendant les quatre jours suivants, le dépôt n'a eu aucune fiche de modèle du tout.

• 17 octobre, 11:44 UTC — « Ajouter des préréglages vocaux. » Un dossier voice_presets/ apparaît avec US_James.wav, 灵楷.wav et un voice_prompts.json contenant leurs transcriptions.

• À partir du 19 octobre, 11:35 UTC — « Add model card », puis les ressources, puis une douzaine de petits commits peaufinant la navigation et l’alignement des liens, se terminant à 13:20 UTC par « Add Tiny model link ». C’est le commit qui a renommé le modèle, changé les métadonnées de licence en MIT et ajouté la fiche de 8 259 octets qui décrit un modèle audio-langage complet plutôt qu’un chemin ASR. Le README qu’il remplaçait avait été supprimé quatre jours plus tôt ; la version précédente, de septembre, s’intitulait « Ming Audio V3 » et déclarait Apache 2.0.

Il y a un second dépôt qu'il vaut la peine de connaître. Ming-3.0-audio-tiny a été créé au même moment que le modèle flash, le 3 septembre à 11h45 UTC, et a reçu le même traitement le 19 octobre. C'est le petit frère : 9,3 B de paramètres au total avec 2,7 B actifs, MIT, environ 21 Go répartis sur quatre fragments, et trois téléchargements.

Ce que vous pouvez réellement télécharger

La configuration est publiée, donc l’architecture n’est pas un mystère. Ce qui a changé cette semaine, c’est que la configuration et le code sont enfin d’accord. Les fichiers de modélisation personnalisés sont dans le dépôt depuis le premier téléversement — modeling_bailing_moe_v3_audio.py et processing_bailing_moe_v3_audio.py étaient tous deux présents le 3 septembre — mais la configuration qu’ils étaient censés charger décrivait un modèle vidéo-langage-audio avec une fenêtre de 8K, et la fiche vous indiquait de l’instancier avec trust_remote_code=False, ce qui est l’inverse de ce dont le code personnalisé a besoin. Le nouveau téléversement du 15 octobre est la version où audio_config.model_type indique bailing_moe_v3_audio, le jeton de patch vidéo a disparu, l’environnement d’exécution déclaré est transformers_version 5.14.1, et auto_map enregistre AutoModel et AutoProcessor aux côtés des deux entrées qui ont toujours été présentes.

• Taille — 25 shards safetensors bfloat16 totalisant 256 Go pour le modèle de langage, plus une paire Talker et VAE de 3 Go sous talker/. Le petit modèle fait environ 21 Go en quatre shards.

• Backbone — 42 couches, dimension cachée de 2 560, 512 experts avec 8 actifs par token, vocabulaire de 157 184. Cela représente 126 B au total et 6,5 B actifs par étape d’inférence, d’après la fiche.

• Tour audio — un encodeur de style Whisper à 32 couches et d’une largeur de 1 280, avec 20 têtes, 128 bins mel et un contexte audio de 3 000 trames. L’identifiant du token audio est 157 168.

• Contexte — 131 072 positions. Il était de 8 192 dans la configuration du 3 septembre, et la configuration du 13 octobre qui l'a relevé pour la première fois s'appelait encore bailing_moe_v3_vl_audio et portait encore le jeton de patch vidéo ; la version épurée uniquement audio est celle du 15 octobre.

• Sortie — texte, ou texte accompagné de parole synthétisée via un Talker optionnel. La fiche indique une voix IP par défaut, 灵小柔, et deux voix de référence prédéfinies, 灵楷 et US_James, dont l’audio et les transcriptions se trouvent tous deux dans le dépôt.

• Licence — MIT. Elle était sous Apache 2.0 jusqu'au 19 octobre. Notez que le dépôt lui-même ne contient aucun fichier LICENSE : l'affirmation MIT figure dans les métadonnées de la fiche et dans un lien vers un chemin GitHub, et le seul texte de licence réellement présent dans le dépôt appartient à un modèle d'identification de langue intégré sous talker/data/.

Le démarrage rapide ne se résout pas encore

C'est l'élément dont un lecteur qui envisage d'évaluer le modèle a besoin avant tout le reste, et il ne figure pas dans la fiche. Le bloc d'installation de la fiche clone github.com/inclusionAI/Ming-3.0-audio-flash. Cette URL renvoie aujourd'hui une erreur HTTP 404, à la fois depuis le web et depuis l'API. Il en va de même pour chaque chemin que la fiche construit à partir d'elle : examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, et requirements-transformers.txt.

Aucun de ceux-ci n'existe non plus dans le dépôt Hugging Face. Il ne contient pas de examples/ répertoire — un précédent a été supprimé le 17 septembre — pas de scripts/, pas de docs/, et aucun fichier requirements en dehors de talker/. Ce qu'il contient, en revanche, est tout ce qui est nécessaire pour charger le modèle directement avec Transformers, ce que la fiche documente également sous forme d'extrait Python : AutoProcessor avec use_fast=False, AutoModelForCausalLM en bfloat16 avec device_map="auto", trust_remote_code=True, et l'audio transmis via processor(messages) avec audio_feats converti vers le dtype du modèle.

Donc, le statut honnête est le suivant : le modèle se charge, les scripts de serving n'existent actuellement pas pour qu'un lecteur puisse les lire, et la carte décrit un dépôt qui n'a pas encore été publié. Ce n'est pas un scandale — qu'une documentation arrive quelques heures avant un push de code est ordinaire — mais cela signifie que les deux recettes de déploiement ci-dessous ne peuvent pas être auditées, seulement citées. Toute personne qui évalue ce checkpoint devrait prévoir la voie Transformers et devrait lire modeling_bailing_moe_v3_audio.py avant d'activer le code distant, ce que la carte elle-même conseille.

Ce qui peut être vérifié, c'est le contrat de tokenisation, et la fiche du modèle est inhabituellement précise à ce sujet : le prompt ASR validé demande au modèle de nommer la langue parlée et de placer une tabulation entre l'étiquette de langue et la transcription. Si vous écrivez un harnais d'évaluation, cette tabulation est l'analyseur. Un prompt générique du type « transcris ceci » ne correspond pas à la configuration mesurée par le fournisseur.

Le tableau qu'inclusionAI a publié, y compris les colonnes qu'il perd

Trois images PNG dans assets/ portent l’évaluation. Chaque chiffre qu’elles contiennent provient de l’exécution d’inclusionAI elle-même ; les astérisques signalent les entrées que le fournisseur qualifie d’auto-évaluées, et rien de tout cela n’a été reproduit par un tiers. Artificial Analysis publie des classements audio et n’a aucune entrée pour ce modèle. Il n’y a aucun score d’arène, aucun Elo indépendant et aucun second avis — lisez donc ce qui suit comme un fournisseur décrivant son propre modèle, ce qui est exactement le cas.

Le tableau de la reconnaissance vocale est l'élément le plus solide du dossier, et il est solide sur l'axe pour lequel le modèle a manifestement été conçu. En moyenne sur son jeu de test chinois, le modèle flash affiche 3,45 contre 3,54 pour Qwen3.8-Omni Flash et 9,83 pour Gemini 3.8 Flash ; en anglais, 3,69 contre 4,02 et 5,05. Sur les dialectes, l'écart se creuse nettement :

• Moyenne dialectale — Ming-3.0-audio-flash 9,40, Seed2.0 Lite 13,01, Qwen3.8-Omni Flash 11,58, Gemini 3.8 Flash 48,41.

• Hokkien — 12,84 contre 49,95, 28,08 et 81,62 pour les trois mêmes.

• Shanghaïen — 11,15 contre 26,32, 21,10 et 88,64.

• Cantonais — 4,09 contre 6,64, 4,76 et 42,62. Celui-ci est proche d’une égalité avec Qwen3.8-Omni Flash et d’une déroute de Gemini 3.8 Flash.

• Hubei — 9,46 contre 11,35, 7,75 et 48,24. Qwen3.8-Omni Flash remporte cette ligne, et l’éditeur l’a tout de même imprimé.

• Hunan — 8,76 contre 20,30, 17,11 et 71,39.

La même image est moins flatteuse lorsque la tâche cesse d’être de la transcription. Sur la diarisation des locuteurs, AISHELL-4 rapporte un taux d’erreur de diarisation de 8,58 pour le modèle flash contre 2,80 pour Qwen3.8-Omni Flash ; AliMeeting, 8,66 contre 3,40 ; AMI, 25,29 contre 11,16 pour MiMo-V2.6 Pro. Si votre problème est de savoir « qui a parlé quand » plutôt que « ce qui a été dit », ce n’est pas le modèle que recommande le propre tableau du fournisseur. Le taux d’erreur de caractères à permutation minimale concaténé pour les formes longues sur AMI raconte la même histoire : 39,62 pour le modèle flash contre 30,91 pour MiMo-V2.6 Pro et 23,19 pour Qwen3.8-Omni Flash.

C’est sur le tableau de l’intelligence audio que le dossier s’affaiblit. Le modèle remporte ses lignes phares — BigBenchAudio 99,40, MMAU 82,00 — puis cède du terrain presque partout où la tâche exige de raisonner sur un long enregistrement plutôt que d’en décrire un court.

• LongAudioSpan — 41,12, contre 50,26 pour Seed2.0 Lite et 66,40 pour Qwen3.8-Omni Flash.

• Score Long-audio Chain — 12,31, contre 34,54 pour Qwen3.8-Omni Flash, 48,70 pour son mode de réflexion, et 49,63 pour Gemini 3.8 Flash. Soit un écart d’un facteur quatre sur la métrique que le fournisseur a choisi de publier.

• MMAR — 74,40 contre 77,70 pour Seed2.0 Lite. MMSU — 78,82 contre 82,10. AudioMarathon — 68,41 contre 70,06.

• Appel d’outils — BFCL-v3 Audio 81,40 contre 75,08 pour Seed2.0 Lite et 86,68 pour Gemini 3.8 Flash.

Les benchmarks textuels sont les moins surprenants et les plus utiles, car ils disent ce que le modèle n’est pas. En raisonnement général, le modèle Flash se situe en dessous des modèles Omni auxquels il est comparé sur presque toutes les lignes : GPQA Diamond 82,45 contre 91,00 pour Qwen3.8-Omni Flash, MMLU-Pro 80,00 contre 87,70, IFBench 59,00 contre 81,50, LiveCodeBench v6 79,90 contre 92,60, AA-LCR 73,90 contre 80,00. Le socle est un spécialiste audio à 6,5 B de paramètres actifs portant un total de 126 B de paramètres, et le tableau textuel montre à quoi cela ressemble de l’extérieur. Si vous voulez un seul modèle qui à la fois écoute une réunion et écrit le code de suivi, les propres chiffres d’inclusionAI indiquent qu’il ne faut pas s’attendre à ce que celui-ci assume la seconde moitié.

Ce que coûte son fonctionnement

Deux profils de service sont cités, aucun encore auditable. Le profil de référence vLLM-Omni pour un contexte de 128K utilise le parallélisme tensoriel sur huit GPU H800 de 80 Go. Le profil SGLang validé utilise quatre GPU et ne renvoie que du texte. Ce sont les configurations du fournisseur, pas des mesures, et avec 256 Go de poids avant tout cache KV, il n’existe pas de version plus petite de cela — la configuration 8K livrée par le dépôt en septembre n’aurait pas changé le plancher mémoire, car le plancher, c’est le checkpoint.

L’interprétation pratique est qu’il s’agit d’un modèle de cluster, pas d’un modèle de station de travail. Quatre GPU représentent à peu près le coût d’un nœud GPU sérieux ; huit à 80 Go relèvent d’une tout autre ligne budgétaire. Ming-3.0-audio-tiny est la réponse pour quiconque souhaite tester la famille sans cet engagement — 21 Go et 2,7 B de paramètres actifs tiendront sur une seule grande carte — mais le petit modèle est un checkpoint différent, avec ses propres chiffres systématiquement moins bons sur les mêmes tableaux (score Chain sur audio long 10,56 contre 12,31, LongAudioSpan 35,45 contre 41,12, URO-Bench-Pro 54,15 contre 81,92, VoiceBench 74,29 contre 86,74), et le fournisseur ne publie rien qui établisse que son comportement se transpose.

À noter pour quiconque prévoit une intégration : le Talker est facultatif et séparable. La fiche le décrit comme générant de la parole à partir de la sortie du modèle, et les préréglages se trouvent dans leur propre dossier avec leur propre fichier d’exigences, de sorte qu’un déploiement texte uniquement n’a pas besoin de l’inclure. Les deux profils de service documentés renvoient du texte par défaut.

Là où un routeur mérite sa place, et là où il ne la mérite pas

OrcaRouter ne sert pas Ming-3.0-audio-flash. Il ne figure pas dans notre catalogue, nous ne pouvons pas vous fournir de point de terminaison pour ce modèle, et rien dans cet article ne doit être interprété comme une offre en ce sens. Ce à quoi un routeur est utile dans un pipeline construit autour d’un modèle comme celui-ci, c’est la moitié qui n’est pas le modèle. Les systèmes vocaux sont surtout du travail de texte : le prompt qui décide quoi demander à l’audio, le post-traitement qui transforme une étiquette de langue délimitée par des tabulations en sortie structurée, le résumé rédigé à partir de la transcription, le repli qui s’exécute lorsque le nœud GPU est saturé. Ce sont des appels texte ordinaires, et une seule API pour plus de 200 modèles à 0 % de marge — le prix catalogue du fournisseur répercuté, si bien qu’une baisse de prix d’un fournisseur est effective chez nous le jour même — est plus simple à raccorder que quatre contrats fournisseurs. Le basculement automatique est ce qui vous permet de placer un modèle nouveau et non éprouvé derrière une partie de votre trafic sans parier tout le chemin dessus.

La frontière mérite d’être énoncée clairement, car c’est toute la raison pour laquelle cet article ne se termine pas par un encart d’inscription : un checkpoint de 259 Go que vous exécutez sur vos propres huit GPU relève de l’infrastructure, pas d’un appel d’API. Un routeur achemine des appels. Il ne transforme pas un modèle de cluster en modèle hébergé, et il ne transforme pas 22 téléchargements en preuves de production.

Que regarder

Trois éléments changeraient la donne, et chacun est vérifiable d’une manière que les benchmarks ne permettent pas. Premièrement, le dépôt GitHub : lorsque inclusionAI/Ming-3.0-audio-flash cessera de renvoyer 404, les scripts de serving et le guide vocal prendront corps, et les deux recettes de déploiement ci-dessus deviendront auditables. Deuxièmement, un score indépendant : dès qu’Artificial Analysis ou une arène référencera ce checkpoint, l’écart d’un facteur quatre sur l’audio long cessera d’être une auto-déclaration du fournisseur pour devenir un point de données. Troisièmement, le fichier de licence : MIT est déclaré dans les métadonnées, et un fichier LICENSE dans le dépôt en ferait un fait plutôt qu’une affirmation — la distinction compte pour quiconque dont le processus d’approvisionnement lit le dépôt plutôt que la fiche.

D’ici là, la description exacte est la moins glamour. Un point de contrôle audio-langage sérieux, plus performant sur la parole chinoise accentuée et dialectale, faible sur le raisonnement sur de longs audio et la diarisation des locuteurs selon ses propres chiffres publiés, sous licence MIT sur le papier, environ 259 Go sur disque, et documenté seulement depuis cette semaine. Six semaines de silence ne prouvent rien, sinon qu’inclusionAI a livré les poids avant de livrer la documentation — mais la documentation est ce qui vous dit ce que vous téléchargez, et elle est enfin là, désormais, à lire.