Ming-3.0-audio-flash vs InternLumina U2 : deux navires silencieux, une paperasse opposée

Ces deux modèles ont été publiés sans communiqué de presse, et c'est à peu près là que s'arrêtent les similitudes. Ming-3.0-audio-flash est apparu sur Hugging Face le 3 septembre 2026 sous forme de 259 Go de poids, avec presque aucune documentation, et n'a reçu une véritable fiche de modèle que le 19 octobre. InternLumina-U2 a pris le chemin inverse : le Shanghai AI Laboratory a publié le code d'inférence et une page de projet le 1er septembre 2026, a promis les poids, puis les a livrés plus tard dans des dossiers spécifiques au matériel. Une équipe a mis en ligne l'artefact en premier, puis l'explication six semaines plus tard. L'autre a rédigé l'explication en premier et vous a fait attendre l'artefact. Aucune des deux n'a annoncé quoi que ce soit, aucune ne dispose d'un benchmark indépendant, et aucune ne remplace l'autre — l'une entend, l'autre voit et dessine. Les défaillances documentées de l'IA et les incidents de publication discrète qui sous-tendent des comparaisons comme celle-ci sont recensés dans le OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, sa gravité, son niveau de confiance et son indicateur de contestation.

Cela fait donc de ceci une comparaison portant à la fois sur deux choses : deux paris différents sur la finalité d’un modèle multimodal ouvert, et deux habitudes différentes de le publier. La seconde moitié est plus utile qu’elle n’en a l’air, car c’est la documentation qui vous dit si vous pouvez déployer la chose un mardi. Tout ce qui suit provient des deux dépôts et de leurs fiches. Les chiffres de Ming sont ceux d’inclusionAI ; ceux d’InternLumina sont ceux du Shanghai AI Lab, et sa propre fiche les qualifie de « résultats préliminaires et partiels ». Aucun tiers n’a évalué ni l’un ni l’autre.

Les deux calendriers de sortie, côte à côte

Les dates sont les preuves les plus objectives dont on dispose ici, alors commencez par elles.

• 1er septembre 2026, 04:03 UTC — le dépôt GitHub InternLM/InternLumina-U2 est créé. Treize minutes plus tard, un dépôt Hugging Face du même nom apparaît, contenant un fichier .gitattributes et un squelette de README. La publication de ce jour est du code : un script pilote comportant une section par tâche, un README en anglais et en chinois, et une feuille de route.

• 3 septembre 2026, 11:45 et 11:49 UTC — inclusionAI crée Ming-3.0-audio-tiny et Ming-3.0-audio-flash sur Hugging Face. Neuf minutes plus tard, 25 fragments arrivent sur le dépôt flash. Le README qui les accompagnait s’intitulait « Ming Audio V3 » et ne décrivait que le chemin ASR.

• Du 13 au 19 octobre 2026 — les dépôts Ming évoluent quatre fois en sept jours : une configuration qui fait passer le contexte de 8 192 à 131 072, un nouvel envoi qui supprime la variante de langue vidéo, un dossier de préréglages vocaux, et enfin la carte, les ressources et une relicence MIT. inclusionAI/Ming-3.0-audio-flash apparaît sur GitHub le 15 octobre.

• À un moment donné après le 24 septembre 2026 — internlm/InternLumina-U2 sur Hugging Face cesse d'être une simple ébauche et gagne deux arborescences de checkpoints, ascend/ et nvidia/, sept shards chacune, environ 67,6 Go de stockage au total, environ 33,8 Go par arborescence matérielle. Le dépôt a été modifié pour la dernière fois le 24 septembre. Pas de réécriture de la fiche, pas de tableau de benchmarks avec des chiffres, pas de rapport technique.

Le schéma est inversé, et la conséquence pratique l’est aussi. Les poids de Ming sont exécutables depuis début septembre pour quiconque est prêt à lire un fichier de configuration ; sa documentation n’existait pas. La documentation d’InternLumina existait dès le premier jour ; ses poids, non, et lorsqu’ils sont arrivés, ils sont arrivés sans les tableaux comparatifs que la fiche promettait.

Ce que chaque modèle est réellement conçu pour faire

Ming-3.0-audio-flash est un mélange d'experts audio-langage natif : 126 milliards de paramètres au total, 6,5 milliards actifs par étape d'inférence, un encodeur audio et un projecteur alimentant un backbone de 42 couches avec 512 experts et 8 actifs par token, un vocabulaire de 157 184 tokens, et une tour audio de style Whisper à 32 couches et de largeur 1 280 avec 128 bins mel. L'entrée est de l'audio plus des instructions textuelles. La sortie est du texte, ou du texte plus de la parole synthétisée via un module Talker optionnel avec des voix chinoises intégrées et deux clips de référence dans le dépôt. Le contexte déclaré est de 128K, et le profil de service de la carte est de huit H800 de 80 Go en parallélisme tensoriel.

InternLumina-U2 est un mélange d’experts clairsemé de 16 milliards de paramètres avec 1 milliard actifs, conçu comme un modèle de langage de diffusion plutôt qu’autorégressif — il affine une séquence entière en parallèle au lieu d’émettre des tokens de gauche à droite. Sa représentation visuelle est entièrement discrète : huit codebooks de tokens visuels issus du tokeniseur AToken d’Apple, concaténés en un token de backbone par position côté entrée et prédits codebook par codebook côté sortie. L’intérêt de cette conception est l’unification : la réponse aux questions textuelles, la compréhension d’images, l’édition d’images, la génération texte-image, la compréhension vidéo et la compréhension 3D passent toutes par le même vocabulaire et les mêmes poids, sur un backbone de diffusion LLaDA-2.0.

Lisez les deux descriptions ensemble et la comparaison se résout en une seule phrase. Ming-3.0-audio-flash est un spécialiste très grand qui approfondit une seule modalité. InternLumina-U2 est un généraliste de petite taille en termes de paramètres totaux et qui tente de faire cinq choses correctement. Aucune des deux conceptions n'est un compromis de l'autre ; ce sont des réponses à des questions différentes.

Transformer chacun en tokens, ce qui est la vraie différence

Si vous ne regardez que le nombre de paramètres, vous concluriez que Ming est huit fois plus grand que le modèle. Cette lecture est erronée dans les deux sens, et la raison en est l’interface que chacun expose.

• Entrée — Ming-3.0-audio-flash : audio et texte. InternLumina-U2 : texte, images, trames vidéo et ressources 3D.

• Sortie — Ming-3.0-audio-flash : texte, éventuellement parole. InternLumina-U2 : texte, images, images éditées ; pas d’audio, pas de vidéo, pas de génération 3D.

• Décodage — Ming-3.0-audio-flash : autorégressif sur un vocabulaire de 157 184 jetons. InternLumina-U2 : diffusion par blocs sur un vocabulaire visuel discret à dictionnaires de codes multiples.

• Paramètres totaux versus paramètres actifs — Ming-3.0-audio-flash : 126 B au total, 6,5 B actifs. InternLumina-U2 : 16 B au total, 1 B actifs.

• Poids sur disque — Ming-3.0-audio-flash : environ 259 Go répartis sur 25 fragments, plus un Talker et un VAE. InternLumina-U2 : 67,6 Go dans le dépôt, répartis en deux arborescences matérielles de sept fragments et d’environ 33,8 Go chacune.

• Licence — tous deux proches de MIT dans l’esprit, mais différents en pratique : Ming-3.0-audio-flash est sous MIT selon sa fiche, InternLumina-U2 est sous Apache-2.0 selon son dépôt et sa fiche.

• Évaluation indépendante — aucune pour l’un comme pour l’autre.

Le matériel, c’est là que les deux divergent le plus radicalement

La revendication d’ingénierie la plus intéressante d’InternLumina-U2 n’est pas l’architecture ; c’est l’histoire du backend. Le dépôt fournit à la fois une arborescence Ascend et une arborescence NVIDIA, le laboratoire déclarant que l’entraînement, l’évaluation et l’inférence ont été adaptés à la fois aux NPU Huawei et aux GPU NVIDIA, avec un alignement numérique au niveau des opérateurs entre eux. Pour quiconque dont les achats passent par des accélérateurs non NVIDIA, c’est un véritable différenciateur, et c’est vérifiable dans l’arborescence des fichiers : deux répertoires de checkpoints complets, chacun avec sa propre configuration, son tokeniseur et son plan de parallélisme.

Ming-3.0-audio-flash ne propose pas un tel scénario. Son profil de référence repose sur huit H800 de 80 Go ; son alternative validée est un profil SGLang à quatre GPU qui ne renvoie que du texte. Il n’existe aucune voie NPU dans le dépôt, et le petit frère de 9,3 B au total et 2,7 B actifs est la solution pour quiconque ne peut pas mobiliser un nœud.

Dans le sens contemporain, les deux modèles sont des projets de déploiement plutôt que des installations via pip. Les documents d’InternLumina eux-mêmes indiquent explicitement que le chemin de génération n’est pas standard : l’API generate de diffusion par blocs n’est pas l’interface generate de Transformers, le tokenizer AToken requiert FlashAttention, et le pipeline 3D attend que Blender 4.5 rende les assets GLB en vues avant la tokenisation. Le chemin de Ming est plus conventionnel — AutoProcessor ainsi que AutoModelForCausalLM avec trust_remote_code=True — mais la mémoire minimale requise est huit fois plus élevée.

Ce que disent les chiffres des fournisseurs, et ce qu'ils ne peuvent pas dire

Aucun des deux tableaux ne peut être comparé à l’autre, car les deux modèles ne partagent pas un seul benchmark. Ce n’est pas une esquive ; c’est la forme honnête des éléments de preuve.

Sur les images d’évaluation d’inclusionAI, Ming-3.0-audio-flash rapporte un taux d’erreur ASR moyen de 3.45 en chinois, une moyenne de 3.69 en anglais, une moyenne de 9.40 en dialectes, MMAR 74.40 et BigBenchAudio 99.40. Les mêmes images montrent ses points faibles : une erreur de diarisation AMI de 25.29 contre 11.16 pour MiMo-V2.6 Pro, et un score Chain sur audio long de 12.31 contre 34.54 pour Qwen3.8-Omni Flash. Ses benchmarks textuels sont la section la plus faible de la fiche — GPQA Diamond 82.45, MMLU-Pro 80.00, IFBench 59.00 — c’est le portrait d’un spécialiste audio de 6.5B actifs à qui l’on demande de raisonner en prose.

La fiche d'InternLumina-U2 rapporte 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 et GenEval 0,81 — puis se contredit elle-même, car le tableau de la page du projet montre LLaDA2.0-Uni à GenEval 0,89, soit mieux que le modèle qu'elle prétend surpasser. La mise en garde principale de la fiche, « Résultats préliminaires et partiels. Les tableaux comparatifs complets figureront dans le prochain rapport technique », reste vraie aujourd'hui. Il n'existe aucun rapport technique.

Lus ensemble, les deux ensembles de chiffres décrivent des forces complémentaires et une faiblesse commune : aucun des deux n’a été reproduit par quiconque en dehors du laboratoire qui l’a entraîné.

Lequel, pour quel lecteur

Si votre produit implique la voix — transcription de réunions avec couverture des dialectes, audio de centre d’appels, réponses vocales, doublage —, Ming-3.0-audio-flash est le seul des deux qui s’applique et, honnêtement, le seul modèle à poids ouverts de sa catégorie avec des chiffres publiés sur les dialectes aussi précis. Prévoyez un nœud, ou commencez avec le petit frère et acceptez ses scores plus faibles sur l’audio long.

Si votre produit implique des images — lecture de documents, questions-réponses sur des graphiques, édition, description d’actifs 3D, ou un modèle unique qui à la fois lit et dessine — InternLumina-U2 est le seul qui s’applique, et l’écosystème Ascend est une vraie raison de s’y intéresser si vous n’achetez pas NVIDIA. Prévoyez de vous battre avec le tokenizer.

Si vous avez besoin des deux, vous exécutez deux modèles, et la question intéressante devient opérationnelle : deux checkpoints, deux chaînes d’outils, deux ensembles de conditions de licence, un seul produit multimodal. C’est l’état normal du travail sur les modèles à poids ouverts à la fin de 2026, et c’est pourquoi le routage existe.

La couche de routage, formulée de manière restrictive

OrcaRouter ne fournit aucun de ces deux checkpoints. Ming-3.0-audio-flash et InternLumina-U2 sont tous deux des modèles à poids ouverts que vous exécutez vous-même ; aucun des deux ne figure dans notre catalogue et aucun n'apparaîtra dans un appel à notre API. Ce que nous fournissons, c'est le travail de texte qui les entoure : le prompt qui encadre une instruction de modification d'image, le résumeur qui transforme une transcription Ming en notes structurées, le classificateur qui décide vers lequel des deux modèles une ressource entrante doit être envoyée.

Ce dernier élément mérite d’être nommé. Un pipeline qui gère à la fois la voix et la vision finit par prendre une décision de routage — l’audio va au nœud Ming, les images au nœud InternLumina — et cette décision est un appel de modèle comme un autre. Le placer derrière une API pour plus de 200 modèles à 0 % de marge, où le prix catalogue du fournisseur est répercuté tel quel, garde le répartiteur sur la même clé que tout le reste. Le basculement automatique compte aussi ici, non pas pour les checkpoints auto-hébergés mais pour l’étape de classification qui les alimente : si le modèle du routeur est dégradé, le repli doit être un autre modèle, pas un pipeline cassé.

Rien de tout cela ne transforme un checkpoint de 259 Go en service hébergé, et il serait trompeur de suggérer le contraire.

Que regarder ensuite

Pour Ming-3.0-audio-flash, les éléments manquants sont un fichier de licence dans le dépôt (MIT se trouve actuellement dans les métadonnées de la fiche) et une intégration de service pour la voie audio-langage ; vLLM-Omni prend en charge la génération Ming précédente et dispose d’une demande de fusion ouverte pour le modèle TTS de 7,9 B, mais rien n’a été fusionné pour le lecteur de 126 B. Pour InternLumina-U2, l’élément manquant est le rapport technique et les tableaux complets qu’il promet ; d’ici là, la ligne GenEval face à LLaDA2.0-Uni est la seule comparaison inter-modèles que quiconque peut vérifier, et elle ne favorise pas le modèle le plus récent.

Ce que ces deux publications ont en commun est plus utile que l’un ou l’autre des écarts. Deux laboratoires compétents ont publié d’importants modèles multimodaux à poids ouverts sans prévenir personne. Ce n’est pas le signe que les modèles sont mauvais — c’est le signe que l’annonce de publication est devenue facultative et que le dépôt est désormais la source principale. Lisez-le.