Ming-3.0-audio-flash vs InternLumina U2: Dua Kapal Sunyi, Urusan Administrasi yang Bertolak Belakang

Kedua model ini diterbitkan tanpa siaran pers, dan kira-kira di situlah kesamaannya berakhir. Ming-3.0-audio-flash muncul di Hugging Face pada 3 September 2026 sebagai bobot 259 GB dengan hampir tanpa dokumentasi, dan baru mendapat kartu model yang sesungguhnya pada 19 Oktober. InternLumina-U2 justru sebaliknya: Shanghai AI Laboratory menerbitkan kode inferensi dan halaman proyek pada 1 September 2026, menjanjikan bobotnya, lalu mengirimkannya belakangan dalam folder khusus perangkat keras. Satu tim merilis artefaknya lebih dulu dan penjelasannya enam minggu kemudian. Tim lain menulis penjelasannya lebih dulu dan membuat Anda menunggu artefaknya. Keduanya tidak mengumumkan apa pun, keduanya tidak memiliki tolok ukur independen, dan keduanya bukan pengganti satu sama lain — yang satu mendengar, yang lain melihat dan menggambar. Kegagalan AI yang terdokumentasi dan insiden rilis senyap di balik perbandingan seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive yang setiap entrinya membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda status dipersengketakan.

Itu menjadikannya perbandingan tentang dua hal sekaligus: dua taruhan berbeda tentang untuk apa model multimodal terbuka, dan dua kebiasaan berbeda dalam merilisnya. Bagian kedua lebih berguna daripada kedengarannya, karena berkas-berkasnya itulah yang memberi tahu Anda apakah Anda dapat men-deploy hal itu pada hari Selasa. Semua yang di bawah ini berasal dari kedua repositori dan kartunya. Angka-angka Ming berasal dari inclusionAI sendiri; milik InternLumina berasal dari Shanghai AI Lab, dan kartunya sendiri menyebutnya "hasil awal, sebagian." Belum ada pihak ketiga yang menilai keduanya.

Kedua lini masa rilis, berdampingan

Tanggal adalah bukti paling objektif yang tersedia di sini, jadi mulailah dengan itu.

• 1 September 2026, 04:03 UTC — repositori GitHub InternLM/InternLumina-U2 dibuat. Tiga belas menit kemudian, repositori Hugging Face dengan nama yang sama muncul, berisi .gitattributes dan stub README. Rilis hari itu adalah kode: satu skrip driver dengan satu bagian per tugas, README dalam bahasa Inggris dan Tionghoa, serta peta jalan.

• 3 September 2026, 11:45 dan 11:49 UTC — inclusionAI membuat Ming-3.0-audio-tiny dan Ming-3.0-audio-flash di Hugging Face. Sembilan menit kemudian, 25 shard tiba di repositori flash. README yang menyertainya berjudul "Ming Audio V3" dan hanya menjelaskan jalur ASR.

• 13 hingga 19 Oktober 2026 — repositori Ming berpindah empat kali dalam tujuh hari: konfigurasi yang menaikkan konteks dari 8.192 menjadi 131.072, unggahan ulang yang menghapus varian bahasa video, folder preset suara, dan akhirnya kartu, aset, serta lisensi ulang MIT. inclusionAI/Ming-3.0-audio-flash muncul di GitHub pada 15 Oktober.

• Suatu waktu setelah 24 September 2026 — internlm/InternLumina-U2 di Hugging Face tidak lagi menjadi stub dan memperoleh dua pohon checkpoint, ascend/ dan nvidia/, masing-masing tujuh shard, total penyimpanan sekitar 67,6 GB, kira-kira 33,8 GB per pohon perangkat keras. Repositori terakhir diubah pada 24 September. Tidak ada penulisan ulang kartu, tidak ada tabel tolok ukur berisi angka, tidak ada laporan teknis.

Polanya terbalik, dan konsekuensi praktisnya juga terbalik. Bobot Ming sudah dapat dijalankan sejak awal September oleh siapa pun yang bersedia membaca berkas konfigurasi; dokumentasinya belum ada. Dokumentasi InternLumina sudah ada sejak hari pertama; bobotnya belum, dan ketika akhirnya tiba, bobot itu tiba tanpa tabel perbandingan yang dijanjikan oleh kartunya.

Apa yang sebenarnya dirancang untuk dilakukan oleh masing-masing model

Ming-3.0-audio-flash adalah mixture of experts audio-bahasa native: total 126 miliar parameter, 6,5 miliar aktif per langkah inferensi, sebuah encoder audio dan proyektor yang memberi masukan ke backbone 42 lapis dengan 512 ahli dan 8 aktif per token, kosakata 157.184 token, dan menara audio bergaya Whisper dengan 32 lapis dan lebar 1.280 dengan 128 bin mel. Input berupa audio ditambah instruksi teks. Output berupa teks, atau teks ditambah ucapan tersintesis melalui modul Talker opsional dengan suara Tionghoa bawaan dan dua klip referensi di repositori. Konteks yang dideklarasikan adalah 128K, dan profil serving kartu adalah delapan H800 80 GB dalam tensor parallel.

InternLumina-U2 adalah sparse mixture of experts berparameter 16 miliar dengan 1 miliar aktif, dibangun sebagai model bahasa difusi, bukan model autoregresif — model ini menyempurnakan seluruh urutan secara paralel alih-alih mengeluarkan token dari kiri ke kanan. Representasi visualnya sepenuhnya diskret: delapan codebook token visual dari tokenizer AToken milik Apple, digabungkan menjadi satu token backbone per posisi di sisi masukan dan diprediksi codebook demi codebook di sisi keluaran. Inti dari desain itu adalah unifikasi: tanya jawab teks, pemahaman gambar, penyuntingan gambar, pembangkitan teks-ke-gambar, pemahaman video, dan pemahaman 3D semuanya berjalan melalui kosakata yang sama dan bobot yang sama, di atas backbone difusi LLaDA-2.0.

Baca kedua deskripsi itu secara bersamaan, dan perbandingannya bermuara pada satu kalimat. Ming-3.0-audio-flash adalah spesialis yang sangat besar dan mendalami satu modalitas. InternLumina-U2 adalah generalis yang kecil dalam hal total parameter dan berupaya melakukan lima hal dengan memadai. Tidak ada rancangan yang merupakan kompromi dari yang lain; keduanya adalah jawaban atas pertanyaan yang berbeda.

Mengubah masing-masing menjadi token, itulah perbedaan sesungguhnya

Jika Anda hanya membaca jumlah parameternya, Anda akan menyimpulkan bahwa Ming delapan kali lipat model tersebut. Pembacaan itu salah di kedua arah, dan alasannya adalah antarmuka yang dihadirkan masing-masing.

• Input — Ming-3.0-audio-flash: audio dan teks. InternLumina-U2: teks, gambar, frame video, dan aset 3D.

• Keluaran — Ming-3.0-audio-flash: teks, opsional suara. InternLumina-U2: teks, gambar, gambar hasil edit; tanpa audio, tanpa video, tanpa pembuatan 3D.

• Dekode — Ming-3.0-audio-flash: autoregresif atas kosakata 157.184 token. InternLumina-U2: difusi blok atas kosakata visual multi-codebook diskret.

• Parameter total versus aktif — Ming-3.0-audio-flash: total 126B, aktif 6,5B. InternLumina-U2: total 16B, aktif 1B.

• Bobot pada disk — Ming-3.0-audio-flash: sekitar 259 GB yang tersebar di 25 shard ditambah Talker dan VAE. InternLumina-U2: 67.6 GB di repositori, terbagi menjadi dua pohon perangkat keras yang masing-masing terdiri dari tujuh shard dan sekitar 33.8 GB.

• Lisensi — keduanya secara semangat mirip MIT, tetapi pada kenyataannya berbeda: Ming-3.0-audio-flash adalah MIT menurut kartunya, InternLumina-U2 adalah Apache-2.0 menurut repositori dan kartunya.

• Evaluasi independen — tidak ada untuk keduanya.

Perangkat keras, yang merupakan titik di mana keduanya paling berbeda.

Klaim rekayasa paling menarik dari InternLumina-U2 bukanlah arsitekturnya; melainkan kisah backend-nya. Repositori ini menyertakan pohon Ascend dan pohon NVIDIA, dengan laboratorium menyatakan bahwa pelatihan, evaluasi, dan inferensi diadaptasi ke NPU Huawei maupun GPU NVIDIA dengan penyelarasan numerik tingkat operator di antara keduanya. Bagi siapa pun yang pengadaannya melalui akselerator non-NVIDIA, itu adalah pembeda nyata dan dapat diperiksa di pohon berkas: dua direktori checkpoint lengkap, masing-masing dengan konfigurasi, tokenizer, dan rencana paralelnya sendiri.

Ming-3.0-audio-flash tidak memiliki cerita seperti itu. Profil referensinya adalah delapan H800 80 GB; alternatif tervalidasinya adalah profil SGLang empat GPU yang hanya mengembalikan teks. Tidak ada jalur NPU di repositori, dan saudara mungilnya dengan total 9,3B dan 2,7B aktif adalah jawabannya bagi siapa pun yang tidak dapat mengalokasikan satu node.

Kedua model, dalam pengertian kontemporer, adalah proyek deployment, bukan instalasi pip. Materi InternLumina sendiri secara eksplisit menyatakan bahwa jalur generasi tidak standar: API generate block-diffusion bukan antarmuka generate milik Transformers, tokenizer AToken memerlukan FlashAttention, dan pipeline 3D mengharapkan Blender 4.5 untuk merender aset GLB menjadi tampilan sebelum tokenisasi. Jalur Ming lebih konvensional — AutoProcessor ditambah AutoModelForCausalLM dengan trust_remote_code=True — tetapi batas bawah memori delapan kali lebih tinggi.

Apa yang dikatakan angka-angka vendor, dan apa yang tidak bisa mereka katakan

Kedua tabel itu tidak dapat dibandingkan satu sama lain, karena kedua model tidak berbagi satu pun tolok ukur. Itu bukan bentuk mengelak; itulah wujud jujur dari bukti yang ada.

Pada gambar evaluasi inclusionAI, Ming-3.0-audio-flash melaporkan rata-rata ASR bahasa Mandarin dengan tingkat kesalahan 3.45, rata-rata bahasa Inggris 3.69, rata-rata dialek 9.40, MMAR 74.40, dan BigBenchAudio 99.40. Gambar yang sama menunjukkan di mana model ini kalah: error diarisasi AMI 25.29 versus 11.16 untuk MiMo-V2.6 Pro, dan skor Chain audio panjang 12.31 versus 34.54 untuk Qwen3.8-Omni Flash. Tolok ukur teksnya adalah bagian terlemah dari kartu tersebut — GPQA Diamond 82.45, MMLU-Pro 80.00, IFBench 59.00 — yang merupakan gambaran seperti apa spesialis audio dengan 6.5B parameter aktif ketika diminta menalar dalam bentuk prosa.

Kartu InternLumina-U2 melaporkan 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, dan GenEval 0.81 — lalu melemahkan klaimnya sendiri, karena tabel di halaman proyek itu sendiri menunjukkan LLaDA2.0-Uni pada GenEval 0.89, lebih baik daripada model yang mengklaim melampauinya. Peringatan utama di kartu tersebut, "Hasil awal dan sebagian. Tabel perbandingan lengkap akan muncul dalam laporan teknis mendatang," masih benar hingga hari ini. Tidak ada laporan teknis.

Dibaca bersama, kedua rangkaian angka tersebut menggambarkan kekuatan yang saling melengkapi dan satu kelemahan bersama: tidak satu pun telah direproduksi oleh siapa pun di luar lab yang melatihnya.

Yang mana, untuk pembaca yang mana

Jika produk Anda melibatkan suara — transkripsi rapat dengan cakupan dialek, audio pusat panggilan, jawaban lisan, dubbing — Ming-3.0-audio-flash adalah satu-satunya dari kedua model yang relevan, dan sejujurnya satu-satunya model open-weight di kelasnya dengan angka dialek terpublikasi yang spesifik seperti ini. Rencanakan menggunakan satu node, atau mulailah dengan model saudara kecilnya dan terima skor audio panjangnya yang lebih lemah.

Jika produk Anda melibatkan gambar — pembacaan dokumen, QA grafik, pengeditan, deskripsi aset 3D, atau satu model yang sekaligus membaca dan menggambar — InternLumina-U2 adalah satu-satunya yang berlaku, dan ekosistem Ascend adalah alasan nyata untuk meliriknya jika Anda tidak membeli NVIDIA. Bersiaplah untuk bergulat dengan tokenizer.

Jika Anda membutuhkan keduanya, berarti Anda menjalankan dua model, dan pertanyaan yang menarik pun menjadi bersifat operasional: dua checkpoint, dua toolchain, dua set ketentuan lisensi, satu produk multimodal. Itulah keadaan normal pekerjaan berbobot terbuka pada akhir 2026, dan itulah sebabnya routing ada.

Lapisan perutean, dinyatakan secara sempit

OrcaRouter tidak menyediakan kedua checkpoint tersebut. Ming-3.0-audio-flash dan InternLumina-U2 sama-sama model open-weight yang Anda jalankan sendiri; keduanya tidak ada dalam katalog kami dan tidak akan muncul dalam panggilan ke API kami. Yang kami sediakan adalah pekerjaan teks di sekitarnya: prompt yang membingkai instruksi pengeditan gambar, perangkum yang mengubah transkrip Ming menjadi catatan terstruktur, pengklasifikasi yang menentukan ke model mana dari kedua model tersebut aset yang masuk harus dikirim.

Bagian terakhir itulah yang layak disebut. Pipeline yang menangani suara dan visi berakhir dengan keputusan perutean — audio masuk ke node Ming, gambar ke node InternLumina — dan keputusan itu adalah pemanggilan model seperti yang lain. Menempatkannya di balik satu API untuk lebih dari 200 model dengan markup 0%, tempat harga daftar dari penyedia diteruskan langsung, membuat dispatcher tetap memakai kunci yang sama dengan semuanya. Failover otomatis juga penting di sini, bukan untuk checkpoint yang di-host sendiri, melainkan untuk langkah klasifikasi yang memberi masukan kepadanya: jika model router mengalami penurunan performa, fallback-nya harus model yang berbeda, bukan pipeline yang rusak.

Semua itu tidak mengubah checkpoint 259 GB menjadi layanan yang dihosting, dan akan menyesatkan untuk menyiratkan sebaliknya.

Tontonan Berikutnya

Untuk Ming-3.0-audio-flash, bagian yang hilang adalah berkas lisensi di repositori (MIT saat ini berada di metadata kartu) dan integrasi serving untuk jalur audio-bahasa; vLLM-Omni mendukung generasi Ming sebelumnya dan memiliki pull request terbuka untuk model TTS 7.9B, tetapi belum ada yang di-merge untuk reader 126B. Untuk InternLumina-U2, bagian yang hilang adalah laporan teknis dan tabel lengkap yang dijanjikannya; sampai saat itu, baris GenEval terhadap LLaDA2.0-Uni adalah satu-satunya perbandingan antarmodel yang dapat diperiksa siapa pun, dan itu tidak menguntungkan model yang lebih baru.

Hal yang sama-sama dimiliki kedua rilis ini lebih berguna daripada salah satu celahnya. Dua lab yang mumpuni menerbitkan model multimodal berbobot terbuka yang substansial dan tidak memberi tahu siapa pun. Itu bukan tanda modelnya buruk — itu tanda bahwa pengumuman rilis telah menjadi opsional, dan bahwa repositori kini menjadi sumber utama. Bacalah.