Ming-3.0-audio-tiny vs Qwen-Audio 3.1: Jendela yang Bisa Dikenai Operasi Aritmetika, versus Katalog yang Tidak Bisa

Berikut adalah angka yang mudah diperiksa dan sulit digunakan: tulang punggung teks di dalam Ming-3.0-audio-tiny dikonfigurasi untuk 131.072 posisi, dan menara audio di depannya menerima 3.000 frame sekaligus dengan 128 bin mel. Qwen-Audio 3.1, sebaliknya, tidak menerbitkan panjang konteks sama sekali — tidak di indeks model, tidak dalam deskripsi satu baris yang terlampir pada tiga ID modelnya. Satu pihak memberi Anda angka dan menyerahkan interpretasinya kepada Anda; pihak lain memberi Anda tiga nama produk dan menyerahkan urusan perangkat keras kepada A​libaba. Asimetri itulah keseluruhan perbandingannya, dan ini bukan perbandingan tentang model mana yang mendengar lebih baik. Ini adalah perbandingan tentang mana yang dapat Anda perkirakan ukurannya sebelum Anda membelanjakan apa pun. 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, tingkat keyakinan, dan tanda sengketa.

Pertama soal tanggal, karena kronologi model ini janggal. Bobot di balik Ming-3.0-audio-tiny dipublikasikan di Hugging Face pada 3 September 2026; repositori dibuat pukul 11.45 UTC dan dua shard safetensors menyusul empat menit kemudian. Yang berubah baru-baru ini bukan checkpoint-nya. Antara 16 dan 19 Oktober 2026, repositori ditulis ulang di sekitarnya — konfigurasi yang akhirnya mendeskripsikan model audio alih-alih model video-bahasa, sebuah Talker untuk keluaran ucapan, dua klip suara referensi dengan transkrip, tiga profil deployment di GitHub, dan, pada 19 Oktober pukul 13.19 UTC, kartu model pertama yang pernah dimiliki repositori tersebut. Tidak ada yang mengumumkannya. Jadi pertanyaan yang adil bukanlah apa yang dirilis pada September. Melainkan apa yang sekarang dapat Anda hitung tentang menjalankannya, dan apa yang katalog Alibaba memungkinkan dan tidak memungkinkan Anda hitung tentang alternatifnya.

Mengubah 131,072 token menjadi menit

Angka itu nyata dan dapat diuji—sesuatu yang tidak dapat dikatakan tentang sebagian besar klaim konteks. Konfigurasi teks mendeklarasikan max_position_embeddings 131,072, atensi MLA dengan latent KV selebar 512, dan basis rotary 6,000,000. Namun, jendela konteks dalam token baru berguna setelah Anda mengetahui berapa token yang dihabiskan untuk satu detik audio, dan vendor tidak menyebutkannya. Anda dapat menurunkannya dari angka tower audio itu sendiri.

• Input encoder — 3.000 frame dari 128 bin mel, yaitu jendela 30 detik yang sama yang digunakan Whisper pada hop 10 ms.

• Downsampler — kernel [3,3,3] dengan stride [2,2,2], sehingga satu jendela menyusut dengan faktor delapan.

• Token per jendela — 3.000 dibagi 8, yaitu 375 token audio untuk sekitar 30 detik suara.

• Apa artinya — 131.072 dibagi 375 adalah sekitar 349 jendela, atau sedikit di bawah tiga jam audio, jika pipeline mengalirkan satu aliran kontinu alih-alih melakukan buffering ulang antar jendela.

Klausa terakhir itu memikul banyak beban, dan saya ingin tegas soal itu. Angka tiga jam itu adalah hasil aritmetika atas dua nilai konfigurasi yang dipublikasikan, bukan klaim vendor, dan angka itu akan salah jika prosesor mereset posisi antar-klip — yang persis tersirat oleh profil reproduksi ASR ketika membatasi audio pada satu klip per prompt. Anggap itu sebagai batas atas untuk diuji, bukan spesifikasi untuk dikutip.

Yang bukan soal aritmetika adalah konsekuensi memorinya. MLA menyimpan latent KV, bukan key dan value per-head, itulah sebabnya jendela 131K masih mungkin dipertimbangkan pada satu kartu. Profil teks referensi mencadangkan 0,92 dari satu GPU dengan max_num_batched_tokens 32.768, yaitu cadangan yang besarnya diperuntukkan bagi jendela penuh ditambah batch besar, bukan batas bawah. Turunkan max_model_len dan cadangannya ikut turun. Total shard Thinker adalah 17,74 GB, jadi kartu 24 GB dapat menampung bobotnya dengan ruang tersisa.

Pihak lain menjawab pertanyaan yang sama dengan pemisahan produk

Indeks Model Studio Alibaba mencantumkan Qwen-Audio 3.1 sebagai tiga ID model, bukan satu model dengan bidang konteks. qwen-audio-3.1-asr-flash-streaming dan qwen-audio-3.1-asr-flash-filetrans berada di bawah pengenalan suara; qwen-audio-3.1-realtime-plus berada di bawah ucapan-ke-ucapan dan dijelaskan sebagai percakapan suara end-to-end tanpa panggilan ASR dan TTS terpisah. Tidak ada bobot, tidak ada jumlah parameter, tidak ada panjang konteks, tidak ada harga di halaman itu. Dokumentasi detail untuk setiap ID tidak berhasil dimuat saat diperiksa.

Bacalah pemisahan itu sebagai jawaban atas masalah audio panjang, bukan sebagai kecelakaan pengemasan. SKU transkripsi file adalah cara penyedia menjual satu jam audio: Anda mengunggahnya, layanan memecahnya sesuka hati, dan jendela konteks adalah masalah rekayasa orang lain. SKU streaming adalah cara penyedia menjual panggilan telepon. Tidak ada SKU yang mengungkap angka yang diungkap Ming, yang berarti Anda tidak dapat membangun model kapasitas untuk Qwen-Audio 3.1 seperti yang dapat Anda lakukan untuk Ming-3.0-audio-tiny. Anda hanya dapat membangun tagihan, dan bahkan itu memerlukan konsol.

• Yang dapat Anda periksa — Ming: konfigurasi, arsitektur, lisensi, empat file safetensors, tiga gambar benchmark, YAML deployment. Qwen: tiga pengenal dan satu kalimat masing-masing.

• Apa yang dapat Anda ukur ukurannya — Ming: 17.74 GB bobot dan satu GPU untuk teks, dua untuk ucapan. Q​wen: tidak diketahui sampai Anda membaca kartu tarif yang tidak dapat Anda lihat dari sini.

• Apa yang dapat Anda cache — Ming: cache KV Anda sendiri, pada max_model_len Anda sendiri. Qwen: apa pun yang dilakukan endpoint secara internal, secara tak terlihat.

• Mode kegagalan — Ming: OOM yang Anda sebabkan dan dapat Anda perbaiki. Qwen: kuota, region, atau halaman dokumentasi yang tidak mengembalikan apa pun.

• Lisensi — Ming: MIT, dalam metadata kartu model dan dalam LICENSE repositori GitHub, tetapi perhatikan bahwa repositori Hugging Face tidak berisi file LICENSE sendiri. Qwen: ketentuan komersial Model Studio, karena tidak ada lisensi bobot untuk dibaca.

Pertanyaan benchmark yang tidak bisa dijawab dengan jujur oleh siapa pun

Ming-3.0-audio-tiny menyertakan tiga gambar evaluasi di assets/, dan setiap sel di dalamnya adalah inclusionAI yang mengukur inclusionAI. Kartu tersebut menandai baris yang dievaluasi sendiri dengan tanda bintang dan mengakui bahwa model pembanding direproduksi dengan prompt dan pengaturan decoding miliknya sendiri. Itu adalah pengungkapan yang wajar dan layak diterima apa adanya: ini adalah target desain, bukan hasil.

Untuk pertandingan ini, angka-angkanya menjadi dua kali lebih janggal, karena kolom yang berguna bukanlah kolom yang tersedia. Pada pengenalan bahasa Mandarin, model mungil itu rata-rata menghasilkan 3,79 kesalahan karakter dibandingkan 3,45 untuk saudara besarnya, dan pada dialek 10,29 dibandingkan 9,40. Pada kecerdasan audio, model itu benar-benar kehilangan banyak ground — MMAU 75,90 dibandingkan 82,00, MMAU-Pro 56,42 dibandingkan 66,41, dan keruntuhan interaksi lisan pada URO-Bench-Pro dari 81,92 menjadi 54,15. Semua itu kecil dibandingkan flash. Tidak ada satu pun dari itu yang kecil dibandingkan Qwen-Audio 3.1, karena Qwen-Audio 3.1 tidak menerbitkan skor yang sebanding dan tidak ada set uji bersama, tidak ada konfigurasi decoding bersama, dan tidak ada pihak ketiga yang telah menjalankan keduanya.

Ada celah kedua yang layak disebut karena dapat diperiksa dalam sepuluh detik. Kartu itu menyatakan bahwa angka-angka bersama mencakup hasil untuk kedua varian Ming. Hal itu benar untuk gambar pengenalan dan gambar kecerdasan audio. Gambar kecerdasan teks memiliki empat kolom dan model kecil bukan salah satunya — kolomnya adalah Ming-3.0-audio-flash, Qwen3.8-Omni Flash, Qwen3.5-Omni Plus dan Qwen3.5-Omni Flash. Jika pertanyaan Anda adalah apakah backbone aktif 2,7B dapat mempertahankan percakapan penalaran tentang audio, inclusionAI belum menjawabnya dalam gambar itu, apa pun yang dikatakan kalimat di atas gambar tersebut.

Bagaimana kedua bentuk itu gagal secara berbeda pada tiga jam

Audio panjang adalah titik ketika pemisahan produk berhenti sekadar kosmetik. Satu checkpoint dengan jendela 131K adalah janji bahwa satu model membaca seluruh rekaman dan mengingat sepuluh menit pertama saat mencapai menit terakhir. Janji itu memiliki mode kegagalan tertentu: semuanya memburuk bersama. Jika audio meluap dari jendela, Anda memotongnya menjadi chunk, dan chunking adalah tempat penalaran lintas-chunk diam-diam mati — pembicara yang diperkenalkan pada menit kedua kembali menjadi orang asing pada menit keempat puluh.

SKU transkripsi file menyembunyikan masalah itu dan mewarisi masalah lain. Anda tidak mengontrol pemotongan, sehingga Anda tidak dapat mereproduksi transkrip yang buruk; Anda tidak dapat mengetahui apakah layanan mempertahankan konteks antar potongan atau menyambung jendela-jendela independen; dan ketika output berubah antara dua unggahan yang identik, tidak ada variabel yang dapat diisolasi. SKU streaming jujur tentang batasannya dalam namanya: SKU ini dirancang untuk mengeluarkan output saat audio tiba, yang merupakan bentuk yang tepat untuk takarir dan bentuk yang salah untuk tinjauan kepatuhan atas panggilan sembilan puluh menit.

Jadi keputusannya bukan "mana yang lebih akurat" — tidak ada pihak yang memberi Anda angka yang bisa memutuskannya. Keputusannya adalah "kegagalan mana yang bisa saya debug". Jika Anda perlu mereproduksi transkrip byte demi byte, milikilah checkpoint-nya. Jika Anda perlu transkrip dalam dua puluh menit dan pager milik orang lain, sewalah SKU-nya.

Di mana sebuah router benar-benar membuktikan kegunaannya dalam pipeline ini

OrcaRouter tidak menyediakan Ming-3.0-audio-tiny. Itu tidak ada dalam katalog kami dan kami tidak dapat memberikan endpoint untuknya; tidak ada apa pun di sini yang merupakan penawaran untuk itu. Yang benar-benar dijangkau router adalah bagian dari pipeline audio panjang yang bukan model audio: memutuskan rekaman mana yang dikirim ke model lokal 2.7B dan mana yang ke model lebih besar, menulis ringkasan dari transkrip, mengekstrak action item, memberi tag pada panggilan. Itu adalah panggilan teks, dan lebih dari 200 model di balik satu kunci adalah jalur yang lebih singkat daripada empat kontrak vendor — pada harga daftar penyedia dengan markup 0%, jadi ketika vendor menurunkan harga, angka yang Anda bayar berubah pada hari yang sama. Failover otomatis lebih penting dari biasanya di sini: pekerjaan transkripsi yang gagal pada menit kedelapan puluh dari file sembilan puluh menit harus mencoba ulang pada jalur kedua, bukan memulai dari awal.

Batas itu perlu dikatakan terang-terangan. Router merutekan panggilan. Router tidak mengubah checkpoint 17,74 GB menjadi endpoint yang di-hosting, dan tidak memberi tahu Anda apakah jendela 131K milik Ming itu nyata. Hanya audio satu jam Anda sendiri yang membuktikannya.

Eksperimen yang menyelesaikannya

Ambil satu rekaman yang jawabannya sudah Anda ketahui — rapat dengan tiga pembicara, salah satunya berganti bahasa di tengah kalimat — lalu jalankan melalui keduanya. Untuk Ming-3.0-audio-tiny, muat dengan trust_remote_code=True, gunakan prompt ASR yang divalidasi oleh kartu model (sebutkan bahasa, tab, lalu transkripsi — tab itu adalah parser Anda), dan atur max_model_len tepat sepanjang yang Anda butuhkan, bukan nilai default. Untuk Qwen-Audio 3.1, jalankan file yang sama melalui SKU transkripsi file dan SKU realtime, karena keduanya produk berbeda dan hasilnya tidak akan sama.

Lalu bandingkan tiga hal, yang tidak satu pun merupakan skor benchmark. Apakah model mempertahankan identitas pembicara di seluruh file? Apakah model melewati pergantian bahasa tanpa melakukan transliterasi? Dan dapatkah Anda menjelaskan hasilnya dengan cukup baik untuk mengubah satu variabel dan menjalankannya lagi? Pertanyaan terakhir adalah pertanyaan yang menentukan apakah Anda sedang mengevaluasi model atau mengaudisi vendor, dan hanya di situ kedua hal ini tidak mirip.