Une carte de titre générée indiquant « Treize fois plus de paramètres, deux fois et demie plus de travail », avec un sous-titre plaçant Ming-3.0-audio-flash face à Ming-3.0-audio-tiny comme une seule conception à deux échelles, ces deux modèles ayant été téléversés à quatre minutes d'intervalle le 3 septembre 2026. Trois lignes numérotées indiquent « Flash : 126 B au total, 6,5 B actifs, 259 Go de poids, 4 à 8 GPU », « Tiny : 9,3 B au total, 2,7 B actifs, 20,7 Go de poids, 1 à 2 GPU » et « Commun : licence MIT, fenêtre de 131 072 jetons, tokeniseur identique ». Le pied de page indique « Chiffres des paramètres, de la taille et du service d'après les dépôts inclusionAI, 18 novembre 2026. »
Guides & Insights

Ming-3.0-audio-flash vs Ming-3.0-audio-tiny : treize fois plus de paramètres, deux fois et demie plus de travail

Auteur

Gideon Frost

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Ming-3.0-audio-flash et Ming-3.0-audio-tiny sont apparus sur Hugging Face à quatre minutes d'intervalle le 3 septembre 2026 — tiny à 11:45 UTC, flash à 11:49 — et depuis, les deux sont confondus. Ce matin, la confusion est devenue littérale. Le dépôt flash a été modifié à 08:26 UTC par un commit intitulé « Update Flash BBA score to 99.8% and add the overall #1 leaderboard result » ; le dépôt tiny a été modifié deux minutes et huit secondes plus tard par un commit intitulé « Update shared Flash BBA score to 99.8%… », portant la même phrase et le même PNG de classement. Le modèle tiny n'a pas de fiche propre sur Artificial Analysis ; donc si vous avez vu un 99,8 % attribué à Ming-3.0-audio-tiny, ce chiffre appartenait à son grand frère et a voyagé par copier-coller.

Cela vaut la peine de le dire en premier, car cela cadre tout le reste. Ce ne sont pas deux concurrents. C'est une seule conception à deux échelles, partageant un tokeniseur, une fenêtre de contexte, une licence et un chemin de code de service, et différant par une poignée d'entiers dans config.json. La question intéressante n'est pas de savoir lequel gagne — le flash gagne sur chaque indicateur de qualité publié — mais lequel de ces entiers vous payez réellement, et ce pour quoi le plus petit est véritablement meilleur.

Ce que les deux dépôts partagent réellement

Commencez par les parties qui sont identiques, car elles sont plus nombreuses que ce à quoi on pourrait s’attendre avec un écart de paramètres de 13,5×.

• Nom de l’architecture — les deux déclarent model_type: bailing_moe_v3_audio, le même chemin de code Transformers personnalisé.

• Tokeniseur — les deux utilisent un vocabulaire de 157 184 tokens, avec l’espace réservé audio à l’index 157 168. Un prompt écrit pour l’un se charge sur l’autre.

• Fenêtre de contexte — les deux déclarent max_position_embeddings: 131072, avec le même thêta RoPE de 6 000 000 et aucune mise à l’échelle appliquée.

• Largeur de routage — les deux activent 8 experts par token. C’est ce chiffre qui rend la paire comparable, tout simplement.

• Entrées et sorties — audio plus une instruction textuelle en entrée ; texte, ou texte avec parole synthétisée via un Talker optionnel, en sortie.

• Licence — MIT pour les deux, avec le même fichier d'avis juridique.

• Code — le README du petit modèle vous indique d'exécuter git clone sur le dépôt GitHub du modèle flash. Il existe une seule implémentation, un seul ensemble de scripts d'exemple, un seul guide de voix.

Étant donné que le code est partagé, les deux checkpoints sont directement interchangeables au niveau de l’API. Passer de l’un à l’autre revient à changer le nom du modèle, ce qui est précisément la propriété qui rend un pipeline à deux niveaux peu coûteux à construire et aussi celle qui rend facile la publication du score du mauvais modèle.

A screenshot of the inclusionAI Ming-3.0-audio-flash model card on Hugging Face, showing the audio-to-audio tag, MIT licence, a reported model size of 128B params and 2,572 downloads in the last month, plus a model summary table that gives the developer as inclusionAI, the model type as a native audio-language mixture-of-experts, and 126B total parameters with 6.5B activated per inference step.

Les quatre entiers qui ne sont pas partagés

Tout ce qui diffère se trouve dans text_config, et seuls quatre nombres comptent.

• Calques — flash 42, minuscule 24.

• Experts — flash 512, tiny 128.

• Largeur experte — flash moe_intermediate_size 768, minuscule 512.

Taille de l’état caché — flash 2 560, tiny 1 536.

Faites le calcul et vous obtenez les chiffres phares annoncés par les fiches : 126 B de paramètres au total, dont 6,5 B actifs pour flash, et 9,3 B au total, dont 2,7 B actifs pour tiny. Sur disque, la différence est de 259,33 Go de poids bfloat16 répartis en 25 fragments, contre 20,7 Go en deux.

Regardez maintenant le ratio plutôt que les nombres absolus, car c’est la partie que les fiches techniques enfouissent. Le nombre total de paramètres diffère d’un facteur 13,5. Les poids sur disque diffèrent d’un facteur 12,5. Mais les paramètres actifs ne diffèrent que d’un facteur 2,4. Le modèle flash conserve une bibliothèque d’experts bien plus grande et en consulte un nombre similaire ; le modèle tiny a une bibliothèque plus petite et en consulte un nombre similaire. Ainsi, le flash n’est pas treize fois plus coûteux par token que le tiny — c’est plus proche de deux fois et demie, avec une empreinte mémoire treize fois plus grande qui reste en grande partie inactive. C’est le compromis classique des MoE creux, et cela signifie que le coût réel du choix de flash est la capacité, pas le débit : vous achetez une bibliothèque plus grande, et vous devez garder toute la bibliothèque résidente, qu’un clip donné y emprunte ou non.

A generated two-column scoreboard titled 'Ming-3.0-audio-flash vs Ming-3.0-audio-tiny - the scoreboard'. The flash column reads 126B total parameters, 6.5B active per step, 259 GB of weights, long-audio chain 12.31, URO-Bench-Pro 81.92, serving profile 4 x 80GB H800. The tiny column reads 9.3B total parameters, 2.7B active per step, 20.7 GB of weights, long-audio chain 10.56, URO-Bench-Pro 54.15, serving profile 1 GPU for text. The footer reads 'Sizes and serving profiles per the inclusionAI repositories; benchmark figures vendor-reported and unaudited.'

Une conséquence surprend les gens. Les deux modèles déclarent la même fenêtre de 131 072 jetons, et il est tentant d’en conclure qu’ils traitent le même audio. Ce n’est pas le cas. Le contexte est une limite, pas une capacité, et les chiffres du fournisseur lui-même dans la section suivante montrent exactement où la compréhension du plus petit modèle s’effondre bien avant que la fenêtre ne soit pleine.

Ce que disent les tableaux du fournisseur lui-même

Les images d’évaluation sur les deux cartes ont été produites par inclusionAI et présentent les deux modèles côte à côte. Il s’agit de chiffres du fournisseur, non audités, et la sélection des tâches est celle du fournisseur ; ils restent toutefois la seule comparaison tâche par tâche qui existe, car Artificial Analysis n’évalue que le flash.

• Score de la chaîne audio longue — flash 12,31, tiny 10,56.

• LongAudioSpan — flash 41.12, tiny 35.45.

• URO-Bench-Pro — flash 81.92, tiny 54.15.

• VoiceBench — flash 86,74, tiny 74,29.

Deux choses méritent d’être soulignées. Premièrement, le classement : le tiny perd sur chacun d’entre eux, donc personne ne devrait le choisir en espérant la parité. Deuxièmement, et c’est moins évident : l’écart est bien plus grand sur les benchmarks de raisonnement audio (URO-Bench-Pro, en baisse de 27,8 points, et VoiceBench, en baisse de 12,5) que sur ceux d’audio long (en baisse de 1,75 et 5,67). Quoi qu’aient apporté les experts et les couches supplémentaires, ils ont surtout apporté du raisonnement sur ce qui a été entendu, pas une endurance brute sur un long enregistrement.

Et les propres chiffres de flash sur l’audio long sont faibles en termes absolus — un score de chaîne de 12,31 sur l’échelle de ce benchmark, quelle qu’elle soit, contre 34,54 pour Qwen3.8-Omni Flash et 49,63 pour Gemini 3.8 Flash sur la même carte. Donc, la lecture honnête du duo n’est pas « flash est bon, tiny est mauvais ». C’est qu’aucun des deux checkpoints n’est un modèle pour enregistrements longs, et que le tiny est simplement encore plus faible sur tout ce que mesurent les benchmarks d’audio court.

La frontière matérielle est tracée par les octets, pas par les paramètres

C'est ici que le choix se fait généralement de lui-même, et les deux READMEs sont étonnamment précis sur les profils qu'ils ont validés.

• Ming-3.0-audio-flash — profil de service de référence 128K en parallélisme tensoriel 4 sur des H800 de 80 Go ; l'audio long peut provoquer une OOM sur cette configuration, avec un repli sur 8 GPU documenté ; SGLang validé sur quatre GPU pour la sortie texte ; SGLang-Omni à --thinker.tp_size 2 sur une paire de cartes.

• Ming-3.0-audio-tiny — vLLM-Omni avec le Thinker sur un GPU pour le texte et l'ASR, ou le Thinker sur le GPU 0 et le Talker sur le GPU 1 pour la parole ; SGLang validé sur un GPU pour le texte ; SGLang-Omni sur une seule carte avec --talker.gpu 0.

Lisez ces lignes comme une décision d’infrastructure plutôt qu’une spécification. Flash nécessite un nœud multi-GPU et une raison de l’occuper. Tiny nécessite une carte, et si vous ne voulez que la transcription ou la réponse aux questions audio, il nécessite une carte sans aucun Talker — pas d’étape de synthèse vocale, pas de second processus, pas de sélection de voix. La différence pratique entre les deux n’est pas quatre fois plus de GPU ; c’est de savoir si ce que vous déployez tient sur une machine que vous possédez déjà.

Il existe un effet de second ordre qui se manifeste dans les opérations. Un checkpoint de 25 shards et 259 Go doit être récupéré sur chaque nœud qui le sert, versionné et maintenu chaud ; le profil de repli à huit GPU signifie que votre plan de capacité doit tolérer un modèle qui a parfois besoin de deux fois plus de cartes pour le même trafic. Un checkpoint de deux shards et 20,7 Go tient dans une couche d’image de conteneur, démarre en quelques secondes et peut être mis à l’échelle en ajoutant des réplicas. Pour des outils internes à charge irrégulière, cette différence domine toutes les métriques de qualité de cet article.

A screenshot of the inclusionAI Ming-3.0-audio-tiny model card on Hugging Face, showing the audio-to-audio tag, MIT licence, a reported model size of 9B params and 5,442 downloads in the last month, the headline 'Hear clearly. Understand deeply. Act intelligently.', and a model summary table listing the developer as inclusionAI, the model type as a compact native audio-language mixture-of-experts, and 9.3B total parameters with 2.7B activated per inference step.

Le pipeline à deux niveaux pour lequel ces deux checkpoints ont été conçus

Voici le cas d’usage que la paire sert réellement, et qu’aucune fiche modèle ne décrit : exécuter le petit modèle sur tout, et le modèle flash uniquement sur ce qui survit.

Une première passe peu coûteuse avec Ming-3.0-audio-tiny peut répondre à « y a-t-il de la parole dans ce fichier », « de quelle langue s'agit-il », « combien d'intervenants », « l'audio est-il suffisamment propre pour valoir la peine d'être transcrit » — et elle peut le faire sur une seule carte, à la vitesse que cette carte peut soutenir. Seuls les extraits qui nécessitent du raisonnement, une gestion des dialectes ou une transcription minutieuse passent ensuite à Ming-3.0-audio-flash. Comme le tokeniseur, le format de prompt et le code de service sont partagés, le second appel est la même requête avec un nom de modèle différent ; il n'y a ni réencodage, ni réécriture de prompt, ni seconde intégration à maintenir.

L’économie est l’essentiel. Si un cinquième de votre audio est difficile, le modèle flash ne voit qu’un cinquième du volume et vous pouvez dimensionner son nœud pour cette fraction plutôt que pour le pic. Si presque tout votre audio est difficile, la cascade n’apporte rien et vous devriez exécuter flash seul — ce qui est une chose utile à apprendre d’une semaine de triage avec un petit modèle avant de vous engager sur quatre H800.

La même structure apparaît un niveau au-dessus, dans les appels texte autour des modèles audio : le classifieur qui détermine à quel palier appartient un extrait, l’extraction structurée à partir d’une transcription, le résumé rédigé ensuite. Ce sont de simples complétions de chat, et OrcaRouter les achemine à travers plus de 200 modèles derrière une seule clé, avec 0 % de marge, avec basculement automatique — afin que le classifieur qui conditionne votre palier audio coûteux ne devienne pas le composant qui fait tomber le pipeline. Le DSL de routage est l’élément qui permet d’exprimer la décision de palier sous forme de configuration plutôt que de code : envoyer les extraits courts et propres d’un côté, les longs ou accentués de l’autre, et laisser un modèle de secours combler l’écart lorsqu’un fournisseur se dégrade. Nous ne proposons aucun des deux checkpoints Ming ; tous deux sont des téléchargements que vous exécutez vous-même.

Comment le régler avec votre propre audio

Les deux points de contrôle sont sous licence MIT, tous deux empruntent le même chemin de code, et tous deux sont suffisamment petits dans le cas minuscule pour être testés sans conversation avec le service achats. Une après-midi de mesures est donc plus instructive que n’importe lequel des chiffres ci-dessus.

Prélevez deux cents extraits de votre propre trafic, en privilégiant les cas les plus difficiles — parole accentuée, locuteurs qui se chevauchent, bruit de fond, enregistrements longs dont vous disposez réellement. Lancez les deux modèles avec les mêmes prompts et évaluez trois choses : la précision de transcription sur les extraits pour lesquels vous disposez d’une vérité de référence, si l’étiquette de langue était correcte, et à quelle fréquence la sortie était inutilisable plutôt que simplement erronée. Exécutez ensuite la cascade et mesurez combien d’extraits le modèle tiny a traités suffisamment bien pour que le modèle flash n’ait jamais été nécessaire.

Ce dernier chiffre est le seul qui décide de l’infrastructure. S’il revient élevé, vous avez un déploiement sur un seul GPU avec un grand modèle derrière pour la queue. S’il revient bas, vous avez appris que votre charge de travail est celle pour laquelle le modèle flash a été conçu, et que le tiny était une expérience utile plutôt qu’un palier. L’une ou l’autre réponse est peu coûteuse. Deviner à partir d’un nombre de paramètres ne l’est pas, car le 13,5× sur la carte et le 2,4× dans le budget de calcul pointent vers du matériel complètement différent, et seuls vos enregistrements peuvent vous dire lequel vous achetez.