Ming-3.0-audio-flash הושק שישה שבועות לפני כרטיס המודל של עצמו

מודל אודיו-שפה בעל 126 מיליארד פרמטרים ניתן להורדה מ-Hugging Face מאז 3 בספטמבר 2026, ולזכותו 22 הורדות ושמונה לייקים בלבד. עד השבוע, התיאור היחיד שצורף למאגר היה כרטיס מיושן שכינה את עצמו "Ming Audio V3" ואמר שהמאגר "מתעד כעת את מסלול ה-ASR". Ming-3.0-audio-flash הוא השם שהוא נושא כעת. המשקלים אינם חדשים. מה שהגיע בין 13 ל-19 באוקטובר 2026 הוא כל מה שהופך צ׳קפוינט לשימושי עבור מי שלא אימן אותו: קונפיגורציה שסוף סוף מצהירה על חלון הקשר של 128K, העלאה מחדש שהופכת מודל וידאו-שפה-אודיו למודל אודיו בלבד בנתיב קוד של Transformers 5, חבילת קול עם שני קטעי ייחוס, וכרטיס המודל האמיתי הראשון שאי פעם היה למאגר. inclusionAI לא הכריזה על דבר מכל זה. אף צד שלישי לא פרסם ולו נתון אחד על המודל, ולכן כל מה שלהלן נקרא ישירות מהיסטוריית הקומיטים או מצוטט מתמונות ההערכה של הספק עצמו — ולכן כדאי לומר כבר בפתח שהמודל הוא מספטמבר ורק התיעוד הוא מהשבוע הזה. כשלי ה-AI המתועדים ותקריות הסוכנים שמאחורי מהדורות כמו זו נאספים בארכיון תקלות ה-AI של OrcaRouter שבו כל רשומה נושאת את המקורות, החומרה, דירוג המהימנות וסימון המחלוקת שלה.

מה השתנה, ומתי

יומן הקומיטים קריא באופן יוצא דופן, והוא מספר סיפור שכרטיס המודל אינו מספר. המאגר נוצר ב-3 בספטמבר 2026 בשעה 11:49 UTC כשהוא מכיל קובץ אחד, .gitattributes. תשע דקות לאחר מכן, 25 רסיסי safetensors בסך כולל של 257 GB נכנסו תחת קומיט שכותרתו "Add files using upload-large-folder tool" — החתימה הסטנדרטית של צוות אימון שדוחף checkpoint, לא של צוות מוצר שמכין השקה. קובץ ה-README הנלווה הצהיר על Apache 2.0, תייג את המאגר automatic-speech-recognition, ואמר לך לאתחל את המודל עם trust_remote_code=False.

ואז המאגר שקט במשך שישה שבועות. כשהוא זז שוב, הוא זז ארבע פעמים בשבעה ימים.

• 13 באוקטובר, 12:17 UTC — "העלאת config.json." קובץ אחד, והוא המעניין: max_position_embeddings עובר מ-8,192 ל-131,072. שום דבר אחר במאגר לא משתנה, כך שבמשך יומיים המאגר הציג חלון הקשר של 128K בלי שום קוד מודלים שיכול להשתמש בו.

• 15 באוקטובר, 09:35 ו־09:40 UTC — "הסרת קבצים מיושנים" ואחריה "העלאת מודל מעודכן". פריסת המשקלים לא השתנתה, אך 46 קבצים נכתבו מחדש והשבר הראשון ירד מ־10.64 GB ל־9.77 GB. רכיב השמע של התצורה, model_type השתנה מ־bailing_moe_v3_vl_audio ל־bailing_moe_v3_audio, video_patch_token שהיה שארית ונמחק, השדה המוצהר transformers_version זינק מ־4.56.2 ל־5.14.1, ו־auto_map קיבל רשומות AutoModel ו־AutoProcessor שלא היו שם קודם. באותו דחיפה, ה־README ותיקיית examples/ נעלמו — במשך ארבעת הימים הבאים לא היה למאגר כרטיס מודל כלל.

• 17 באוקטובר, 11:44 UTC — "הוספת פריסטים קוליים." תיקייה בשם voice_presets/ מופיעה עם US_James.wav, 灵楷.wav וקובץ voice_prompts.json שמכיל את התמלולים שלהם.

• 19 באוקטובר, 11:35 UTC ואילך — "הוספת כרטיס מודל", אחר כך נכסים, ואז תריסר קומיטים קטנים של ליטוש ניווט ויישור קישורים, עד 13:20 UTC עם "הוספת קישור למודל Tiny". זהו הקומיט ששינה את שם המודל, שינה את מטא-נתוני הרישיון ל-MIT, והוסיף את הכרטיס בגודל 8,259 בתים שמתאר מודל אודיו-שפה מלא ולא מסלול ASR. ה-README שהוא החליף נמחק ארבעה ימים קודם לכן; הגרסה שלפני כן, מספטמבר, נקראה "Ming Audio V3" והצהירה על Apache 2.0.

יש מאגר נוסף שכדאי להכיר. Ming-3.0-audio-tiny נוצר באותו רגע כמו מודל ה-flash, ב-3 בספטמבר בשעה 11:45 UTC, וקיבל את אותו טיפול ב-19 באוקטובר. הוא האח הקטן: 9.3B פרמטרים בסך הכול עם 2.7B פעילים, MIT, בערך 21 GB על פני ארבעה שברים, ושלוש הורדות.

מה שאתה יכול להוריד בפועל

התצורה פורסמה, כך שהארכיטקטורה אינה תעלומה. מה שהשתנה השבוע הוא שהתצורה והקוד סוף סוף תואמים. קובצי מודלים מותאמים אישית נמצאים במאגר מאז ההעלאה הראשונה — modeling_bailing_moe_v3_audio.py ו-processing_bailing_moe_v3_audio.py היו שניהם שם ב-3 בספטמבר — אבל התצורה שהם היו אמורים לטעון תיארה מודל וידאו-שפה-אודיו עם חלון של 8K, והכרטיס אמר לך לאתחל אותו עם trust_remote_code=False, שזה ההפך ממה שקוד מותאם אישית דורש. ההעלאה מחדש ב-15 באוקטובר היא הגרסה שבה audio_config.model_type קורא bailing_moe_v3_audio, אסימון הטלאי של הווידאו נעלם, סביבת הריצה המוצהרת היא transformers_version 5.14.1, ו-auto_map רושם AutoModel ו-AutoProcessor לצד שני הערכים שהיו שם תמיד.

• גודל — 25 רסיסי safetensors מסוג bfloat16 בסך כולל של 256 GB עבור מודל השפה, בתוספת זוג Talker ו-VAE בנפח 3 GB תחת talker/. המודל הזעיר הוא כ-21 GB בארבעה רסיסים.

• Backbone — 42 שכבות, גודל מוסתר 2,560, 512 מומחים עם 8 פעילים לכל טוקן, אוצר מילים 157,184. זה 126B בסך הכול ו-6.5B פעילים בכל שלב הסקה, לפי הכרטיס.

• מגדל אודיו — מקודד בסגנון Whisper עם 32 שכבות ורוחב 1,280 עם 20 ראשים, 128 סלי מל, והקשר אודיו של 3,000 פריימים. מזהה אסימון האודיו הוא 157,168.

• הקשר — 131,072 פוזיציות. זה היה 8,192 בתצורת 3 בספטמבר, והתצורה מ-13 באוקטובר שהעלתה אותו לראשונה עדיין קראה לעצמה bailing_moe_v3_vl_audio ועדיין נשאה את אסימון ה-patch של הווידאו; הגרסה הנקייה לאודיו בלבד היא זו מ-15 באוקטובר.

• פלט — טקסט, או טקסט בתוספת דיבור מסונתז באמצעות Talker אופציונלי. הכרטיס מפרט קול IP ברירת מחדל, 灵小柔, ושני קולות ייחוס מוגדרים מראש, 灵楷 ו-US_James, שקובצי השמע והתמלולים שלהם נמצאים שניהם במאגר.

• רישיון — MIT. הרישיון היה Apache 2.0 עד 19 באוקטובר. שים לב שהמאגר עצמו אינו מכיל LICENSE כקובץ: טענת ה-MIT מופיעה במטא-נתונים של הכרטיס ובקישור לנתיב GitHub, וטקסט הרישיון היחיד שנמצא בפועל במאגר שייך למודל לזיהוי שפה המצורף תחת talker/data/.

ההתחלה המהירה טרם נפתרה

זהו החלק שקורא שמתכנן להעריך את המודל זקוק לו לפני כל דבר אחר, והוא אינו מופיע בכרטיס. בלוק ההתקנה של הכרטיס משכפל את github.com/inclusionAI/Ming-3.0-audio-flash. כתובת URL זו מחזירה היום HTTP 404, גם מהאינטרנט וגם מה-API. כך גם כל נתיב שהכרטיס בונה על גביו: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, ו-requirements-transformers.txt.

גם אלה לא קיימים במאגר Hugging Face. אין בו examples/ — תיקייה קודמת נמחקה ב-17 בספטמבר — אין scripts/, אין docs/, ואין קובץ requirements מחוץ ל-talker/. מה שכן יש בו הוא כל מה שנדרש כדי לטעון את המודל ישירות עם Transformers, כפי שהכרטיס גם מתעד כקטע קוד Python: AutoProcessor עם use_fast=False, AutoModelForCausalLM ב-bfloat16 עם device_map="auto", trust_remote_code=True, ואודיו מועבר דרך processor(messages) עם audio_feats מומר לטיפוס הנתונים של המודל.

אז הסטטוס הכנה הוא: המודל נטען, סקריפטי ההגשה לא קיימים כרגע כדי שקורא יוכל לקרוא אותם, והכרטיס מתאר מאגר שעדיין לא פורסם. זה לא שערורייה — תיעוד שמגיע כמה שעות לפני דחיפת קוד הוא דבר רגיל — אבל זה כן אומר ששתי מתכוני הפריסה שלמטה לא ניתנים לביקורת, רק לציטוט. כל מי ששוקל את הצ'קפוינט הזה צריך לתכנן על מסלול Transformers, וצריך לקרוא modeling_bailing_moe_v3_audio.py לפני הפעלת קוד מרוחק, כפי שהכרטיס עצמו ממליץ.

מה שניתן לבדוק הוא חוזה הטוקניזציה, והכרטיס ספציפי בו באופן יוצא דופן: הפרומפט המאומת של ASR מבקש מהמודל לנקוב בשם השפה המדוברת ולשים טאב בין תווית השפה לתמלול. אם אתה כותב רתמת הערכה, הטאב הזה הוא המפענח. פרומפט גנרי מסוג "תמלל את זה" אינו התצורה שהספק מדד.

הטבלה ש-inclusionAI פרסמה, כולל העמודות שהיא מאבדת

שלוש תמונות PNG בתיקיית assets/ נושאות את ההערכה. כל מספר בהן הוא הרצה של inclusionAI עצמה; הכוכביות מסמנות רשומות שהספק מתייג כהערכה עצמית, ואף אחד מהן לא שוחזר על ידי צד שלישי. Artificial Analysis מפרסמת לוחות דירוג שמע ואין לה רשומה עבור הדגם הזה. אין ציון ארנה, אין Elo עצמאי, ואין חוות דעת שנייה — לכן יש לקרוא את הדברים הבאים כספק המתאר את הדגם של עצמו, וזה בדיוק מה שזה.

תמונת זיהוי הדיבור היא החלק החזק ביותר במקרה, והיא חזקה בציר שהמודל בבירור נבנה עבורו. בממוצע על פני מערך המבחן הסיני שלו, מודל ה-flash מדווח על 3.45 לעומת 3.54 עבור Qwen3.8-Omni Flash ו-9.83 עבור Gemini 3.8 Flash; על פני האנגלית, 3.69 לעומת 4.02 ו-5.05. בניבים הפער מתרחב בחדות:

• ממוצע דיאלקט — Ming-3.0-audio-flash 9.40, Seed2.0 Lite 13.01, Qwen3.8-Omni Flash 11.58, Gemini 3.8 Flash 48.41.

• הוקיין — 12.84 לעומת 49.95, 28.08 ו-81.62 עבור אותם שלושה.

• שאנגאינזית — 11.15 לעומת 26.32, 21.10 ו-88.64.

• קנטונזית — 4.09 לעומת 6.64, 4.76 ו-42.62. זה קרוב לתיקו עם Qwen3.8-Omni Flash וניצחון מוחץ על Gemini 3.8 Flash.

• חוביי — 9.46 לעומת 11.35, 7.75 ו-48.24. Qwen3.8-Omni Flash מנצח בשורה הזו, והספק הדפיס זאת בכל זאת.

• חונאן — 8.76 לעומת 20.30, 17.11 ו-71.39.

אותה תמונה פחות מחמיאה כשהמשימה מפסיקה להיות תמלול. בדיאריזציית דוברים, AISHELL-4 מדווח על שיעור שגיאת דיאריזציה של 8.58 עבור מודל ה-flash לעומת 2.80 עבור Qwen3.8-Omni Flash; AliMeeting, 8.66 לעומת 3.40; AMI, 25.29 לעומת 11.16 עבור MiMo-V2.6 Pro. אם הבעיה שלך היא "מי דיבר מתי" ולא "מה נאמר", זה לא המודל שהטבלה של הספק עצמו ממליצה עליו. שיעור שגיאת התווים עם תמורה מינימלית ומשורשר לטווח ארוך ב-AMI מספר את אותו סיפור: 39.62 עבור מודל ה-flash לעומת 30.91 עבור MiMo-V2.6 Pro ו-23.19 עבור Qwen3.8-Omni Flash.

תמונת הבינה השמיעתית היא המקום שבו הטיעון נחלש. המודל מנצח בשורות הכותרת שלו — BigBenchAudio 99.40, MMAU 82.00 — ואז מאבד קרקע כמעט בכל מקום שבו המשימה דורשת הסקה לאורך הקלטה ארוכה ולא תיאור של הקלטה קצרה.

• LongAudioSpan — 41.12, לעומת 50.26 עבור Seed2.0 Lite ו-66.40 עבור Qwen3.8-Omni Flash.

• ציון Long-audio Chain — 12.31, לעומת 34.54 עבור Qwen3.8-Omni Flash, 48.70 עבור מצב החשיבה שלו, ו-49.63 עבור Gemini 3.8 Flash. זהו פער פי ארבעה במדד שהספק בחר לפרסם.

• MMAR — 74.40 לעומת 77.70 עבור Seed2.0 Lite. MMSU — 78.82 לעומת 82.10. AudioMarathon — 68.41 לעומת 70.06.

• קריאה לכלים — BFCL-v3 Audio 81.40 לעומת 75.08 עבור Seed2.0 Lite ו-86.68 עבור Gemini 3.8 Flash.

מדדי הטקסט הם הפחות מפתיעים והשימושיים ביותר, מפני שהם אומרים מה המודל אינו. בהיסק כללי מודל ה-flash נופל מתחת למודלי ה-omni שאיתם הוא מושווה כמעט בכל שורה: GPQA Diamond 82.45 לעומת 91.00 עבור Qwen3.8-Omni Flash, ‏MMLU-Pro 80.00 לעומת 87.70, ‏IFBench 59.00 לעומת 81.50, ‏LiveCodeBench v6 79.90 לעומת 92.60, ‏AA-LCR 73.90 לעומת 80.00. עמוד השדרה הוא מומחה אודיו עם 6.5B פרמטרים פעילים, כאשר ספירת הפרמטרים הכוללת היא 126B, וטבלת הטקסט היא איך שזה נראה מבחוץ. אם אתם רוצים מודל אחד שגם שומע פגישה וגם כותב את קוד ההמשך, המספרים של inclusionAI עצמם אומרים שלא כדאי לצפות שהמודל הזה יישא את החצי השני.

כמה עולה להפעיל

שני פרופילי שירות מצוטטים, ואף אחד מהם אינו ניתן לביקורת עדיין. פרופיל vLLM-Omni הייחוסי עבור הקשר של 128K משתמש במקבילות טנזורים על פני שמונה כרטיסי H800 בנפח 80 GB. פרופיל SGLang המאומת משתמש בארבעה כרטיסים ומחזיר טקסט בלבד. אלה תצורות היצרן, לא מדידות, ועם 256 GB של משקלים לפני כל מטמון KV אין גרסה קטנה יותר של זה — תצורת ה-8K שהמאגר סיפק בספטמבר לא הייתה משנה את רצפת הזיכרון, מפני שהרצפה היא הצ'קפוינט.

הקריאה המעשית היא שזהו מודל אשכול, לא מודל תחנת עבודה. ארבעה GPUs הם בערך העלות של צומת GPU רציני; שמונה ב-80 GB הם סעיף תקציב אחר לגמרי. Ming-3.0-audio-tiny הוא התשובה לכל מי שרוצה לבדוק את המשפחה בלי המחויבות הזו — 21 GB ו-2.7B פרמטרים פעילים יתאימו לכרטיס גדול אחד — אבל המודל הזעיר הוא צ'קפוינט אחר עם מספרים משלו, גרועים באופן עקבי, באותן טבלאות (ציון Chain לאודיו ארוך 10.56 לעומת 12.31, LongAudioSpan 35.45 לעומת 41.12, URO-Bench-Pro 54.15 לעומת 81.92, VoiceBench 74.29 לעומת 86.74), והיצרן לא מפרסם דבר שמבסס שההתנהגות שלו עוברת.

כדאי לציין למי שמתכנן אינטגרציה: ה-Talker הוא אופציונלי וניתן להפרדה. הכרטיס מתאר אותו כמייצר דיבור מפלט המודל, והפריסטים נמצאים בתיקייה נפרדת עם קובץ דרישות משלהם, כך שפריסה טקסטואלית בלבד לא חייבת לכלול אותו. שני פרופילי ההגשה המתועדים מחזירים טקסט כברירת מחדל.

היכן נתב מצדיק את מקומו, והיכן הוא אינו מצדיק אותו

OrcaRouter אינה מספקת את Ming-3.0-audio-flash. הוא אינו בקטלוג שלנו, איננו יכולים לתת לך נקודת קצה עבורו, ושום דבר בקטע הזה לא אמור להיקרא כהצעה לכך. מה שראוטר טוב בו בצינור עיבוד שנבנה סביב מודל כזה הוא החלק שאינו המודל. מערכות דיבור הן בעיקר עבודת טקסט: הפרומפט שמחליט מה לשאול את האודיו, העיבוד המאוחר שהופך תווית שפה מופרדת בטאבים לפלט מובנה, הסיכום שנכתב מהתמלול, והגיבוי שרץ כשצומת ה-GPU רווי. אלו קריאות טקסט רגילות, ו-API אחד עבור יותר מ-200 מודלים ללא תוספת מחיר — מחיר מחירון של הספק מועבר כמות שהוא, כך שהורדת מחיר של ספק נכנסת לתוקף אצלנו באותו יום — הוא דבר פשוט יותר לחבר מאשר ארבעה חוזי ספקים. מעבר אוטומטי לגיבוי הוא מה שמאפשר לך להציב מודל חדש ולא מוכח מאחורי חלק מהתעבורה שלך בלי להמר את כל הנתיב עליו.

כדאי לומר את הגבול במפורש, מפני שזו כל הסיבה שהמאמר הזה אינו מסתיים בתיבת הרשמה: צ'קפוינט בנפח 259 GB שאתם מריצים על שמונת ה-GPU שלכם הוא תשתית, לא קריאת API. נתב מנתב קריאות. הוא לא הופך מודל אשכול למודל מתארח, והוא לא הופך 22 הורדות להוכחה בסביבת ייצור.

מה לצפות

שלושה דברים היו משנים את התמונה, וכל אחד מהם ניתן לבדיקה באופן שהבנצ'מרקים אינם. ראשית, מאגר ה-GitHub: כאשר inclusionAI/Ming-3.0-audio-flash יפסיק להחזיר 404, סקריפטי ההגשה ומדריך הקול יהפכו לממשיים ושתי מתכוני הפריסה שלמעלה יהפכו לברי ביקורת. שנית, ציון עצמאי: ברגע ש-Artificial Analysis או ארנה יכלילו את הצ'קפוינט הזה, הפער פי ארבעה באודיו הארוך מפסיק להיות דיווח עצמי של ספק ומתחיל להיות נקודת נתונים. שלישית, קובץ הרישיון: MIT מוצהר במטא-נתונים, וקובץ LICENSE במאגר יהפוך את זה לעובדה ולא לטענה — ההבחנה הזו חשובה לכל מי שתהליך הרכש שלו קורא את המאגר ולא את הכרטיס.

עד אז, התיאור המדויק הוא הלא-זוהר. צ'קפוינט אודיו-שפה רציני, החזק ביותר בדיבור סיני עם מבטא ובדיאלקטים, חלש בהיסק באודיו ארוך ובהפרדת דוברים לפי הנתונים שהוא עצמו פרסם, ברישיון MIT על הנייר, כ-259 GB בדיסק, ומתועד רק נכון לשבוע הזה. שש semanas של שתיקה אינן ראיה לשום דבר מלבד ש-inclusionAI שלחה את המשקולות לפני ששלחה את הניירת — אבל הניירת היא החלק שאומר לך מה אתה מוריד, והיא עכשיו, סוף סוף, שם כדי לקרוא.