Ming-3.0-audio-flash vs MiniCPM-V 4.7 : un modèle qui entend et un modèle qui tient dans votre poche

Si vous hésitez entre Ming-3.0-audio-flash et MiniCPM-V 4.7 35B-A3B, la décision n'est serrée sur aucun des axes que vous pèseriez normalement, car ils ne sont pas en concurrence pour le même créneau. L'un est un mélange d'experts audio-langage de 126 milliards de paramètres — 6,5 milliards actifs — qu'inclusionAI a mis en ligne le 3 septembre 2026 et documenté six semaines plus tard, et qui nécessite huit GPU de 80 Go dans sa configuration de référence. L'autre est un modèle vision-langage clairsemé de 35,2 milliards de paramètres qu'OpenBMB a déposé sur Hugging Face le soir du 6 octobre 2026 sans aucune fiche, a publié la fiche le 12 octobre, et revendique un décodage à plus de 13 jetons par seconde sur un iPhone 17 Pro Max en utilisant environ 3 Go de mémoire. L'un écoute et occupe un rack. L'autre regarde et tient dans une main. Ce qui justifie de les réunir sur la même page, c'est que tous deux ont été livrés discrètement par des laboratoires chinois au cours des mêmes six semaines, que tous deux sont à poids ouverts, et que tous deux sont évalués par des équipes qui disposent d'exactement un emplacement dans leur architecture. Les défaillances de l'IA et les incidents de déploiement documentés qui sous-tendent des comparaisons comme celle-ci sont recueillis dans le OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Voici d’emblée la règle de décision, puis les éléments qui la justifient. Si l’entrée est du son — appels, réunions, dialectes, musique, une voix off générée que vous devez vérifier — seul l’un de ces modèles peut démarrer. Si l’entrée est une image, un document, un graphique, une capture d’écran ou une image de vidéo, seul l’autre le peut. Leur recouvrement est un pipeline qui traite les deux, et dans ce pipeline ils constituent deux étapes plutôt que deux candidats. Chaque chiffre ci-dessous est déclaré par le fournisseur : ceux d’inclusionAI proviennent de ses propres images d’évaluation, ceux d’OpenBMB d’une fiche publiée le 12 octobre, et aucun n’a été reproduit par un tiers.

Ce que chacun refuse de faire

Le plus rapide pour voir la différence est de dresser la liste de ce que chaque modèle n'accepte pas, car les fiches techniques sont rédigées pour cacher cela.

• Ming-3.0-audio-flash ne regardera rien. Ses entrées sont des instructions audio et textuelles ; il n’y a pas d’encodeur d’images dans le dépôt, pas de tour de vision dans la configuration, et aucun chemin vidéo depuis que la nouvelle mise en ligne du 15 octobre a supprimé la variante vidéo-langage et son jeton de patch. Si une image compte, ce modèle est aveugle à celle-ci.

• MiniCPM-V 4.7 35B-A3B n'écoutera rien. Il est étiqueté image-texte-vers-texte, son processeur gère les images et les trames vidéo, et il n'y a ni tour audio, ni chemin ASR, ni tête T​TS nulle part dans les 70,4 Go de poids. Un fichier WAV n'est pas une entrée dont il possède une représentation.

• Ming-3.0-audio-flash ne générera ni image, ni retouche, ni ressource 3D. Sa sortie facultative au-delà du texte est la parole, via un module Talker doté de voix intégrées et de voix de référence.

• MiniCPM-V 4.7 35B-A3B ne parlera pas. Il lit une page et répond par écrit. Pour la voix, il faudrait ajouter un synthétiseur distinct, ce qui relève d’une autre décision produit.

Voilà toute la structure de la comparaison. Tout le reste — contexte, parcimonie, licences, matériel — passe au second plan face au fait que les ensembles de modalités ne se recoupent pas.

Deux façons très différentes d’être épars

Les deux modèles sont des architectures de type mélange d’experts, et le mot dissimule des choix d’ingénierie opposés.

Ming-3.0-audio-flash est sparse parce qu'il est énorme : 42 couches, une taille cachée de 2 560, 512 experts avec 8 sélectionnés par token, 126B au total et 6,5B actifs, plus un encodeur audio de style Whisper à 32 couches et de largeur 1 280 avec 128 bandes mel. La sparsité offre du débit à un modèle qui serait autrement impossible à entraîner et à servir. Elle n'offre pas la petitesse pour autant. Vingt-cinq shards bfloat16 plus une paire Talker et VAE représentent environ 259 Go sur disque, et le profil de service 128K du fournisseur est un parallélisme tensoriel sur huit H800 de 80 Go.

MiniCPM-V 4.7 35B-A3B est creux pour la raison inverse : 35,2 milliards de paramètres stockés, avec un routage 8-sur-256 par token, sur plus de 40 couches de texte selon un motif d’attention trois-linéaires-vers-une-complète, derrière une tour de vision de 27 couches, de taille cachée 1 152, qui s’insère à la couche 6 de la pile de texte. L’affirmation associée à cette conception n’est pas le débit sur une grappe de calcul, mais la viabilité sur un téléphone. L’ordonnancement anticipé des experts (Lookahead Expert Scheduling) d’OpenBMB prédit quels experts la couche suivante nécessitera, les précharge et fait chevaucher le chargement avec le calcul — le genre d’astuce que l’on n’invente que lorsque le goulot d’étranglement est la bande passante mémoire sur un téléphone, pas les FLOPs dans un centre de données.

• Nombre total de paramètres — Ming-3.0-audio-flash 126B ; MiniCPM-V 4.7 35B-A3B 35.2B.

• Paramètres actifs — 6,5 B contre environ 3 B (8 experts sur 256 plus un expert partagé).

• Contexte — 131 072 tokens contre 262 144.

• Poids sur disque — environ 259 Go contre 70,4 Go répartis sur 16 fragments.

• Matériel de référence — huit H800 de 80 Go face à un iPhone 17 Pro Max à plus de 13 jetons par seconde et environ 3 Go.

• Licences — MIT face à Apache-2.0, toutes deux déclarées dans les fiches respectives.

Là où le travail en langue chinoise diffère véritablement

Les deux modèles sont développés par des laboratoires chinois et tous deux sont les plus performants en chinois, mais ils excellent dans des domaines différents, et les tableaux des fournisseurs le rendent étonnamment clair.

Ming-3.0-audio-flash est le plus fort précisément là où la parole devient difficile. Sur ses propres images d’évaluation, il rapporte un taux d’erreur moyen de 3,45 en ASR chinois et une moyenne de 9,40 pour les dialectes — cantonais 4,09, shanghaïen 11,15, hokkien 12,84, hubei 9,46, hunan 8,76 — face à une référence Gemini 3.8 Flash de 48,41 sur la moyenne des dialectes. Les mêmes images montrent qu’il est en retrait sur la diarisation des locuteurs (AMI 25,29 contre 11,16 pour MiMo-V2.6 Pro) et sur le raisonnement sur de longs audio (score Chain 12,31 contre 34,54 pour Qwen3.8-Omni Flash). Le constat honnête est donc le suivant : excellent pour la transcription avec accent, ordinaire pour déterminer qui a parlé et ce que l’enregistrement voulait dire.

MiniCPM-V 4.7 35B-A3B est le plus performant sur le chinois visuel dense : OCRBench 91,20, OCRBench_v2 68,47, OmniDocBench v1.6 94,24, CCOCR 81,14, MMMU 80,22, MathVista 88,00, CharXiv reasoning 75,60, TextVQA 84,99 — tous issus du propre graphique d’OpenBMB, aucun n’a été reproduit, et plusieurs lignes sont indiquées comme surpassant de peu les modèles Q​wen et G​emma de classe 35B. Le mécanisme est le sous-échantillonnage mixte 4x/16x des tokens de la tour de vision : le 16x fusionne les tokens pour gagner en vitesse, le 4x en conserve quatre fois plus pour les détails fins, et le paramètre doit être transmis à la fois au processeur et à generate(), sinon les deux ne concordent pas.

Le chevauchement des capacités en chinois est donc étroit et bien réel : un document chinois numérisé avec une note vocale jointe constitue un problème à deux modèles, et aucun des deux modèles ne traite l’autre moitié.

Ce qu’il en coûte de mettre l’un ou l’autre en production

Ce ne sont pas des chiffres comparables, et prétendre le contraire est l’erreur habituelle de ce genre de texte.

Ming-3.0-audio-flash coûte un nœud. Huit H800 de 80 Go constituent le profil du fournisseur pour un contexte de 128K ; l’alternative SGLang validée utilise quatre GPU et ne renvoie que du texte. Le modèle frère de 9,3 B au total et 2,7 B actifs, Ming-3.0-audio-tiny, tient sur une seule grande carte, mais ses chiffres publiés sont systématiquement moins bons sur les mêmes tableaux — long-audio Chain 10,56 contre 12,31, LongAudioSpan 35,45 contre 41,12, URO-Bench-Pro 54,15 contre 81,92 — c’est donc un produit différent, pas un produit moins cher.

MiniCPM-V 4.7 35B-A3B coûte un téléphone, ou un seul GPU, ou rien du tout si vos utilisateurs apportent l’appareil. Il dispose d’un écosystème actif que Ming n’a pas : des variantes GGUF, FP8, int4, GPTQ et AWQ publiées en quelques jours, un modèle draft DSpark de décodage spéculatif, une prise en charge dans llama.cpp et Ollama ainsi que vLLM et SGLang, 76 000 téléchargements et plus d’un millier de likes sur le dépôt principal. Quoi qu’il en soit, c’est un modèle que d’autres personnes font déjà tourner.

Cette différence d’adoption est le fait le plus pertinent pour la décision dans l’article, et elle n’a rien à voir avec la qualité. Un modèle avec 76 000 téléchargements a une communauté qui a déjà rencontré votre bug. Un modèle avec 22 téléchargements a un dépôt et une fiche.

Alors, où se rencontrent-ils ?

Dans exactement une architecture : une application qui doit à la fois entendre et voir. Le cas évident est un pipeline de support ou de conformité — un appel enregistré en mandarin avec un locuteur dialectophone, plus un formulaire numérisé que l’appelant a téléversé, et un résumé qui doit relier les deux. Ming transcrit et répond aux questions sur l’audio ; MiniCPM lit le formulaire et extrait les champs. Ni l’un ni l’autre ne peut faire la moitié de l’autre, et la jonction entre eux est du texte.

Cette jointure est la partie que la plupart des équipes sous-estiment. Deux points de contrôle à poids ouverts signifient deux examens de licence, deux scénarios de déploiement, deux modes de défaillance et un appel de modèle supplémentaire pour décider quel document va où. La voie de Ming passe par Transformers avec trust_remote_code=True et un plancher mémoire de plusieurs centaines de gigaoctets ; celle de MiniCPM est un fichier quantifié sur un ordinateur portable. Le contraste opérationnel entre les deux moitiés d’un même pipeline est plus grand que le contraste entre la plupart des modèles concurrents.

La couche de routage et ses limites

OrcaRouter n’héberge aucun des deux checkpoints. Tous deux sont des poids ouverts que vous exécutez vous-même, aucun ne figure dans notre catalogue, et aucune phrase ici ne doit être interprétée comme une offre de point de terminaison. Ce qu’un routeur atteint bel et bien, c’est le tissu conjonctif : le classifieur qui détermine si une ressource entrante est de l’audio ou une image et l’envoie au bon nœud, le prompt qui encadre l’extraction, le résumeur qui fusionne les deux sorties en un seul rapport.

Ce sont des appels texte ordinaires, et l'argument pour les placer derrière une seule API pour plus de 200 modèles à 0 % de marge est simple — le prix catalogue du fournisseur est répercuté tel quel, si bien qu'une baisse de prix d'un fournisseur est effective de notre côté le jour même, une clé au lieu de trois contrats. Le DSL de routage est l'élément qui correspond à ce problème précis : un pipeline avec une branche pour l'audio et une branche pour les images est un problème de routage avant d'être un problème de modèle, et le basculement automatique maintient le répartiteur en vie lorsque le modèle de classification a un hoquet, c'est-à-dire l'appel de la chaîne que vous ne pouvez pas vous permettre de perdre.

La limite est tout aussi simple. Le routage ne fait pas qu’un checkpoint de 259 Go soit hébergé, et il ne transforme pas un modèle de vision de la taille d’un téléphone en système ASR.

La version courte

Ming-3.0-audio-flash est le modèle le plus ambitieux et le moins utilisable aujourd’hui : une meilleure reconnaissance de la parole en chinois dialectal que tout ce qui existe avec des chiffres publiés dans sa catégorie, aucune vérification indépendante, aucune intégration de service fusionnée, et une exigence matérielle qui le met hors de portée de quiconque ne dispose pas d’un nœud GPU. MiniCPM-V 4.7 35B-A3B est le produit le plus abouti : une fiche modèle, des versions quantifiées, un support des frameworks, une proposition embarquée véritablement novatrice, et une communauté. C’est aussi un modèle de vision, ce qui signifie qu’il ne peut pas faire ce pour quoi l’autre existe.

Choisissez selon la modalité : la comparaison prend trente secondes. Choisissez selon l’ambition : vous passerez un mois à découvrir que l’option ambitieuse a 22 téléchargements.