Ming-3.0-audio-flash Dirilis Enam Minggu Sebelum Kartu Modelnya Sendiri

Model audio-bahasa berparameter 126 miliar telah dapat diunduh dari Hugging Face sejak 3 September 2026, dan hasilnya sejauh ini baru 22 unduhan serta delapan suka. Hingga minggu ini, satu-satunya deskripsi yang terlampir pada repositori adalah kartu usang yang menyebut dirinya "Ming Audio V3" dan mengatakan bahwa repo tersebut "saat ini mendokumentasikan jalur ASR." Ming-3.0-audio-flash adalah nama yang dibawanya sekarang. Bobotnya bukan barang baru. Yang hadir sepanjang 13–19 Oktober 2026 adalah segala hal yang membuat sebuah checkpoint dapat digunakan oleh orang yang tidak melatihnya: konfigurasi yang akhirnya mengklaim konteks 128K, unggahan ulang yang mengubah model video-bahasa-audio menjadi model khusus audio pada jalur kode Transformers 5, paket suara dengan dua klip referensi, dan kartu model sungguhan pertama yang pernah dimiliki repositori ini. inclusionAI tidak mengumumkan satu pun dari itu. Belum ada pihak ketiga yang menerbitkan satu angka pun untuk model ini, jadi semua yang berikutnya entah dibaca langsung dari riwayat commit atau dikutip dari gambar evaluasi milik vendor sendiri — itulah sebabnya penting disebutkan di awal bahwa model ini berasal dari September dan hanya dokumentasinya yang berasal dari minggu ini. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam Arsip Insiden AI OrcaRouter yang setiap entrinya mencantumkan sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda sengketa.

Apa yang berubah, dan kapan

Log commit-nya luar biasa mudah dibaca, dan menceritakan kisah yang tidak diungkapkan oleh kartu model. Repositori dibuat pada 3 September 2026 pukul 11:49 UTC dengan satu file di dalamnya, yaitu .gitattributes. Sembilan menit kemudian, 25 shard safetensors dengan total 257 GB masuk dalam commit berjudul "Add files using upload-large-folder tool" — ciri khas tim pelatihan yang mendorong checkpoint, bukan tim produk yang menyiapkan peluncuran. README yang menyertainya menyatakan Apache 2.0, memberi tag pada repo automatic-speech-recognition, dan meminta Anda membuat instance model dengan trust_remote_code=False.

Kemudian repositori itu sunyi selama enam minggu. Ketika bergerak lagi, ia bergerak empat kali dalam tujuh hari.

• 13 Oktober, 12:17 UTC — "Upload config.json." Satu berkas, dan yang menarik: max_position_embeddings berubah dari 8.192 menjadi 131.072. Tidak ada hal lain di repositori yang berubah, jadi selama dua hari repositori itu mengiklankan konteks 128K tanpa ada kode pemodelan yang mampu memanfaatkannya.

• 15 Oktober, 09.35 dan 09.40 UTC — "Remove deprecated files" diikuti "Upload updated model." Tata letak bobot tidak berubah, tetapi 46 file ditulis ulang dan shard pertama turun dari 10,64 GB menjadi 9,77 GB. Audio pada config model_type berubah dari bailing_moe_v3_vl_audio menjadi bailing_moe_v3_audio, sisa video_patch_token dihapus, transformers_version yang dideklarasikan melonjak dari 4.56.2 ke 5.14.1, dan auto_map mendapat entri AutoModel dan AutoProcessor yang sebelumnya tidak ada. Dalam push yang sama, README dan folder examples/ menghilang — selama empat hari berikutnya repositori tersebut tidak memiliki kartu model sama sekali.

• 17 Oktober, 11:44 UTC — "Tambahkan preset suara." Folder voice_presets/ muncul dengan US_James.wav, 灵楷.wav dan voice_prompts.json yang berisi transkripnya.

• Mulai 19 Oktober, 11:35 UTC — "Tambahkan kartu model," lalu aset, lalu selusin commit kecil yang memoles navigasi dan perataan tautan, berakhir pada 13:20 UTC dengan "Tambahkan tautan model Tiny." Ini adalah commit yang mengganti nama model, mengubah metadata lisensi menjadi MIT, dan menambahkan kartu berukuran 8.259 byte yang mendeskripsikan model audio-bahasa lengkap, bukan jalur ASR. README yang digantikannya telah dihapus empat hari sebelumnya; versi sebelumnya, dari September, berjudul "Ming Audio V3" dan menyatakan Apache 2.0.

Ada repositori kedua yang perlu diketahui. Ming-3.0-audio-tiny dibuat pada saat yang sama dengan model flash, pada 3 September pukul 11.45 UTC, dan mendapat perlakuan yang sama pada 19 Oktober. Ini adalah saudara yang lebih kecil: 9,3B parameter total dengan 2,7B aktif, MIT, sekitar 21 GB di empat shard, dan tiga unduhan.

Apa yang sebenarnya bisa Anda unduh

Konfigurasinya telah dipublikasikan, jadi arsitekturnya bukan misteri. Yang berubah minggu ini adalah konfigurasi dan kode akhirnya selaras. File pemodelan kustom sudah ada di repositori sejak unggahan pertama — modeling_bailing_moe_v3_audio.py dan processing_bailing_moe_v3_audio.py keduanya sudah ada pada 3 September — tetapi konfigurasi yang seharusnya dimuatnya mendeskripsikan model video-bahasa-audio dengan jendela 8K, dan kartunya menyuruh Anda membuat instansinya dengan trust_remote_code=False, yang merupakan kebalikan dari yang dibutuhkan kode kustom. Unggahan ulang 15 Oktober adalah versi di mana audio_config.model_type terbaca bailing_moe_v3_audio, token patch video sudah hilang, runtime yang dideklarasikan adalah transformers_version 5.14.1, dan auto_map mendaftarkan AutoModel dan AutoProcessor bersama dua entri yang sejak awal memang ada.

• Ukuran — 25 shard safetensors bfloat16 dengan total 256 GB untuk model bahasa, ditambah pasangan Talker dan VAE berukuran 3 GB di bawah talker/. Model kecilnya sekitar 21 GB dalam empat shard.

• Backbone — 42 lapisan, ukuran tersembunyi 2.560, 512 expert dengan 8 aktif per token, kosakata 157.184. Itu berarti total 126B dan 6,5B aktif per langkah inferensi, menurut kartu tersebut.

• Menara audio — encoder bergaya Whisper dengan 32 lapisan dan lebar 1.280 dengan 20 head, 128 bin mel, dan konteks audio 3.000 frame. ID token audio adalah 157.168.

• Konteks — 131.072 posisi. Nilainya 8.192 pada konfigurasi 3 September, dan konfigurasi 13 Oktober yang pertama kali menaikkannya masih menyebut dirinya bailing_moe_v3_vl_audio dan masih membawa token patch video; versi bersih khusus audio adalah versi 15 Oktober.

• Output — teks, atau teks ditambah ucapan yang disintesis melalui Talker opsional. Kartu tersebut menyebutkan suara IP default, 灵小柔, dan dua suara referensi prasetel, 灵楷 dan US_James, yang audio dan transkripnya sama-sama ada di repo.

• Lisensi — MIT. Sebelumnya Apache 2.0 hingga 19 Oktober. Perhatikan bahwa repositori itu sendiri tidak berisi berkas LICENSE: klaim MIT terdapat dalam metadata kartu dan dalam tautan ke jalur GitHub, dan satu-satunya teks lisensi yang benar-benar ada di repo adalah milik model identifikasi bahasa yang dibundel di bawah talker/data/.

Mulai Cepat belum teratasi.

Inilah bagian yang dibutuhkan pembaca yang berencana mengevaluasi model ini sebelum hal lainnya, dan bagian ini tidak ada di kartu. Blok instalasi di kartu mengkloning github.com/inclusionAI/Ming-3.0-audio-flash. URL tersebut mengembalikan HTTP 404 saat ini, baik dari web maupun API. Hal yang sama berlaku untuk setiap path yang dibangun kartu di atasnya: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, dan requirements-transformers.txt.

Tidak satu pun dari itu ada di repositori Hugging Face juga. Repositori ini tidak memilikiexamples/ direktori — yang sebelumnya telah dihapus pada 17 September — tidak adascripts/, tidak adadocs/, dan tidak ada file requirements di luartalker/. Yang dimilikinya adalah semua yang diperlukan untuk memuat model dengan Transformers secara langsung, yang juga didokumentasikan oleh kartu tersebut sebagai cuplikan Python: AutoProcessor dengan use_fast=False, AutoModelForCausalLM dalam bfloat16 dengan device_map="auto", trust_remote_code=True, dan audio yang dilewatkan melalui processor(messages) dengan audio_feats di-cast ke dtype model.

Jadi status jujurnya adalah: model dimuat, skrip serving saat ini belum tersedia untuk dibaca pembaca, dan kartu tersebut mendeskripsikan repositori yang belum dipublikasikan. Itu bukan skandal — dokumentasi yang muncul beberapa jam sebelum push kode adalah hal biasa — tetapi itu berarti dua resep deployment di bawah ini tidak dapat diaudit, hanya dikutip. Siapa pun yang mempertimbangkan checkpoint ini harus merencanakan jalur Transformers, dan harus membaca modeling_bailing_moe_v3_audio.py sebelum mengaktifkan kode remote, yang memang disarankan oleh kartu itu sendiri.

Yang dapat diperiksa adalah kontrak tokenisasi, dan kartunya luar biasa spesifik tentang hal itu: prompt ASR yang tervalidasi meminta model untuk menyebutkan bahasa yang diucapkan dan menempatkan tab di antara label bahasa dan transkripsi. Jika Anda menulis harness evaluasi, tab itu adalah parser-nya. Prompt generik "transkripsikan ini" bukanlah konfigurasi yang diukur oleh vendor.

Tabel yang diterbitkan inclusionAI, termasuk kolom-kolom yang hilang

Tiga gambar PNG di assets/ memuat evaluasi. Setiap angka di dalamnya adalah hasil run inclusionAI sendiri; tanda bintang menandai entri yang dilabeli vendor sebagai dievaluasi sendiri, dan tidak satu pun darinya telah direproduksi oleh pihak ketiga. Artificial Analysis menerbitkan papan peringkat audio dan tidak memiliki entri untuk model ini. Tidak ada skor arena, tidak ada Elo independen, dan tidak ada pendapat kedua — jadi baca berikut ini sebagai vendor yang mendeskripsikan modelnya sendiri, yang memang persis seperti itu.

Gambaran pengenalan suara adalah bagian terkuat dari kasus ini, dan itu kuat pada sumbu yang jelas menjadi fokus pembangunan model. Dirata-ratakan pada set pengujian bahasa Mandarinnya, model flash melaporkan 3,45 berbanding 3,54 untuk Qwen3.8-Omni Flash dan 9,83 untuk Gemini 3.8 Flash; pada bahasa Inggris, 3,69 berbanding 4,02 dan 5,05. Pada dialek, kesenjangannya melebar tajam:

• Rata-rata dialek — 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 dibandingkan dengan 49,95, 28,08, dan 81,62 untuk tiga yang sama.

• Dialek Shanghai — 11,15 dibandingkan dengan 26,32, 21,10, dan 88,64.

• Kanton — 4,09 berbanding 6,64, 4,76 dan 42,62. Yang ini hampir seri dengan Qwen3.8-Omni Flash dan kemenangan telak atas Gemini 3.8 Flash.

• Hubei — 9,46 dibandingkan 11,35, 7,75, dan 48,24. Qwen3.8-Omni Flash menang pada baris ini, dan vendor tetap mencetaknya.

• Hunan — 8,76 dibandingkan dengan 20,30, 17,11, dan 71,39.

Gambaran yang sama menjadi kurang menguntungkan ketika tugasnya bukan lagi transkripsi. Pada diarisasi pembicara, AISHELL-4 melaporkan tingkat kesalahan diarisasi sebesar 8,58 untuk model flash versus 2,80 untuk Qwen3.8-Omni Flash; AliMeeting, 8,66 versus 3,40; AMI, 25,29 versus 11,16 untuk MiMo-V2.6 Pro. Jika masalah Anda adalah "siapa berbicara kapan" alih-alih "apa yang dikatakan", ini bukan model yang direkomendasikan oleh tabel milik vendor itu sendiri. Tingkat kesalahan karakter permutasi minimum gabungan bentuk panjang pada AMI menunjukkan hal yang sama: 39,62 untuk model flash versus 30,91 untuk MiMo-V2.6 Pro dan 23,19 untuk Qwen3.8-Omni Flash.

Gambaran kecerdasan audio adalah titik tempat argumen ini mulai melemah. Model ini memenangkan baris utamanya — BigBenchAudio 99.40, MMAU 82.00 — lalu kehilangan keunggulan hampir di semua bagian ketika tugas menuntut penalaran atas rekaman panjang alih-alih mendeskripsikan rekaman pendek.

• LongAudioSpan — 41,12, dibandingkan dengan 50,26 untuk Seed2.0 Lite dan 66,40 untuk Qwen3.8-Omni Flash.

• Skor Chain audio panjang — 12,31, dibandingkan dengan 34,54 untuk Qwen3.8-Omni Flash, 48,70 untuk mode berpikirnya, dan 49,63 untuk Gemini 3.8 Flash. Itu adalah selisih empat kali lipat pada metrik yang dipilih vendor untuk dipublikasikan.

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

• Pemanggilan tool — BFCL-v3 Audio 81,40 dibandingkan dengan 75,08 untuk Seed2.0 Lite dan 86,68 untuk Gemini 3.8 Flash.

Benchmark teks adalah yang paling tidak mengejutkan dan paling berguna, karena itu menunjukkan apa yang bukan merupakan keahlian model ini. Pada penalaran umum, model flash ini berada di bawah model omni yang dibandingkan dengannya di hampir setiap baris: GPQA Diamond 82,45 berbanding 91,00 untuk Qwen3.8-Omni Flash, MMLU-Pro 80,00 berbanding 87,70, IFBench 59,00 berbanding 81,50, LiveCodeBench v6 79,90 berbanding 92,60, AA-LCR 73,90 berbanding 80,00. Tulang punggungnya adalah spesialis audio dengan 6,5B parameter aktif yang mengenakan jumlah parameter 126B, dan tabel teks adalah bentuknya dari luar. Jika Anda menginginkan satu model yang mendengar rapat sekaligus menulis kode tindak lanjutnya, angka dari inclusionAI sendiri mengatakan Anda sebaiknya tidak mengharapkan model ini untuk memikul bagian keduanya.

Berapa biaya untuk menjalankannya

Dua profil serving dikutip, keduanya belum dapat diaudit. Profil referensi vLLM-Omni untuk konteks 128K menggunakan paralelisme tensor di delapan GPU H800 80 GB. Profil SGLang yang tervalidasi menggunakan empat GPU dan hanya mengembalikan teks. Itu adalah konfigurasi vendor, bukan hasil pengukuran, dan dengan bobot 256 GB sebelum cache KV apa pun, tidak ada versi yang lebih kecil dari ini — konfigurasi 8K yang dikirimkan repositori pada September tidak akan mengubah batas bawah memori, karena batas bawah itu adalah checkpoint.

Tafsiran praktisnya adalah bahwa ini model kluster, bukan model workstation. Empat GPU kira-kira setara biaya satu node GPU kelas serius; delapan GPU berkapasitas 80 GB adalah pos anggaran yang sama sekali berbeda. Ming-3.0-audio-tiny adalah jawabannya bagi siapa pun yang ingin menguji keluarga ini tanpa komitmen tersebut — 21 GB dan 2.7B parameter aktif akan muat pada satu kartu besar — tetapi model tiny adalah checkpoint yang berbeda dengan angka-angka yang konsisten lebih buruk pada tabel yang sama (skor Chain audio panjang 10.56 dibandingkan 12.31, LongAudioSpan 35.45 dibandingkan 41.12, URO-Bench-Pro 54.15 dibandingkan 81.92, VoiceBench 74.29 dibandingkan 86.74), dan vendor tidak menerbitkan apa pun yang membuktikan bahwa perilakunya dapat ditransfer.

Perlu dicatat bagi siapa pun yang merencanakan integrasi: Talker bersifat opsional dan dapat dipisahkan. Kartu model menjelaskannya sebagai penghasil ucapan dari keluaran model, dan preset berada di folder tersendiri dengan file persyaratannya sendiri, sehingga deployment hanya teks tidak harus membawanya. Kedua profil serving yang didokumentasikan mengembalikan teks secara default.

Di mana router membuktikan kegunaannya, dan di mana tidak

OrcaRouter tidak menyediakan Ming-3.0-audio-flash. Model ini tidak ada di katalog kami, kami tidak dapat memberi Anda endpoint untuknya, dan tidak ada bagian dalam tulisan ini yang boleh ditafsirkan sebagai tawaran untuk itu. Kegunaan router dalam pipeline yang dibangun di sekitar model seperti ini terletak pada bagian yang bukan model. Sistem ucapan sebagian besar adalah pekerjaan teks: prompt yang menentukan apa yang akan ditanyakan ke audio, pascapemrosesan yang mengubah label bahasa yang dipisahkan tab menjadi output terstruktur, ringkasan yang ditulis dari transkrip, fallback yang berjalan saat node GPU jenuh. Itu semua adalah panggilan teks biasa, dan satu API untuk lebih dari 200 model dengan markup 0% — harga daftar penyedia diteruskan apa adanya, sehingga pemotongan harga vendor langsung berlaku di sisi kami pada hari yang sama — adalah hal yang lebih sederhana untuk dirangkai daripada empat kontrak vendor. Failover otomatis adalah yang memungkinkan Anda menempatkan model baru yang belum terbukti di balik sebagian trafik Anda tanpa mempertaruhkan seluruh jalur pada model itu.

Batas ini perlu dinyatakan secara gamblang, karena itulah alasan utama artikel ini tidak diakhiri dengan kotak pendaftaran: checkpoint 259 GB yang Anda jalankan di delapan GPU milik sendiri adalah infrastruktur, bukan panggilan API. Router merutekan panggilan. Router tidak mengubah model klaster menjadi model yang dihosting, dan tidak mengubah 22 unduhan menjadi bukti produksi.

Apa yang harus ditonton

Tiga hal akan mengubah gambaran ini, dan masing-masing dapat diperiksa dengan cara yang tidak bisa dilakukan benchmark. Pertama, repositori GitHub: ketika inclusionAI/Ming-3.0-audio-flash berhenti mengembalikan 404, skrip penyajian dan panduan suara menjadi nyata dan dua resep penerapan di atas menjadi dapat diaudit. Kedua, skor independen: begitu Artificial Analysis atau sebuah arena mencantumkan checkpoint ini, kesenjangan audio panjang empat kali lipat berhenti menjadi laporan mandiri vendor dan mulai menjadi sebuah titik data. Ketiga, berkas lisensi: MIT dideklarasikan dalam metadata, dan sebuah berkas LICENSEdi repositori akan menjadikannya fakta alih-alih klaim — perbedaan ini penting bagi siapa pun yang proses pengadaannya membaca repo alih-alih kartu produk.

Sampai saat itu, deskripsi yang akurat adalah versi yang tidak glamor. Sebuah checkpoint audio-bahasa yang serius, paling kuat pada ucapan bahasa Mandarin beraksen dan dialek, lemah dalam penalaran audio panjang dan diarisasi pembicara menurut angka terbitannya sendiri, berlisensi MIT di atas kertas, sekitar 259 GB di disk, dan baru terdokumentasi per minggu ini. Enam minggu keheningan bukanlah bukti apa pun kecuali bahwa inclusionAI merilis bobot sebelum merilis dokumennya — tetapi dokumen itulah bagian yang memberi tahu Anda apa yang sedang Anda unduh, dan sekarang, akhirnya, dokumen itu tersedia untuk dibaca.