Ming-3.0-audio-flash è stato rilasciato sei settimane prima della sua stessa model card

Un modello audio-linguistico da 126 miliardi di parametri è scaricabile da Hugging Face dal 3 settembre 2026, e può vantare 22 download e otto "mi piace". Fino a questa settimana l'unica descrizione allegata al repository era una scheda obsoleta che si faceva chiamare "Ming Audio V3" e diceva che il repo "documenta attualmente il percorso ASR".Ming-3.0-audio-flash è il nome che porta ora. I pesi non sono nuovi. Ciò che è arrivato tra il 13 e il 19 ottobre 2026 è tutto ciò che rende un checkpoint utilizzabile da chi non lo ha addestrato: una configurazione che finalmente dichiara un contesto da 128K, un nuovo caricamento che trasforma un modello video-linguaggio-audio in un modello solo audio su un percorso di codice Transformers 5, un pacchetto vocale con due clip di riferimento e la prima vera scheda modello che il repository abbia mai avuto. inclusionAI non ha annunciato nulla di tutto ciò. Nessuna terza parte ha pubblicato una singola cifra per il modello, quindi tutto quanto segue è letto direttamente dalla cronologia dei commit o citato dalle stesse immagini di valutazione del fornitore — ecco perché vale la pena dire subito che il modello è di settembre e solo la documentazione è di questa settimana. I fallimenti documentati dell'IA e gli incidenti degli agenti dietro release come questa sono raccolti in l'Archivio degli incidenti IA di OrcaRouter dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.

Cosa è cambiato, e quando

Il registro dei commit è insolitamente leggibile e racconta una storia che la scheda del modello non racconta. Il repository è stato creato il 3 settembre 2026 alle 11:49 UTC con un solo file al suo interno, un .gitattributes. Nove minuti dopo, 25 shard safetensors per un totale di 257 GB sono stati caricati con un commit intitolato "Add files using upload-large-folder tool" — la firma standard di un team di addestramento che carica un checkpoint, non di un team di prodotto che prepara un lancio. Il README di accompagnamento dichiarava Apache 2.0, etichettava il repository come automatic-speech-recognition e indicava di istanziare il modello con trust_remote_code=False.

Poi il repository rimase silenzioso per sei settimane. Quando si mosse di nuovo, si mosse quattro volte in sette giorni.

• 13 ottobre, 12:17 UTC — "Upload config.json." Un solo file, e quello interessante: max_position_embeddings passa da 8.192 a 131.072. Nient'altro nel repository cambia, quindi per due giorni il repo ha pubblicizzato un contesto da 128K senza alcun codice di modellazione in grado di usarlo.

• 15 ottobre, 09:35 e 09:40 UTC — "Rimuovi i file deprecati" seguito da "Carica il modello aggiornato". Il layout dei pesi non è cambiato, ma 46 file sono stati riscritti e il primo shard è sceso da 10,64 GB a 9,77 GB. Il model_type audio della configurazione è passato da bailing_moe_v3_vl_audio a bailing_moe_v3_audio, un video_patch_token residuo è stato eliminato, la transformers_version dichiarata è saltata da 4.56.2 a 5.14.1, e auto_map ha acquisito le voci AutoModel e AutoProcessor che prima non c'erano. Nello stesso push, il README e la cartella examples/ sono scomparsi — per i quattro giorni successivi il repository non ha avuto alcuna scheda del modello.

• 17 ottobre, 11:44 UTC — «Aggiungi preset vocali». Appare una cartella voice_presets/ con US_James.wav, 灵楷.wav e un file voice_prompts.json che contiene le loro trascrizioni.

• Dal 19 ottobre, dalle 11:35 UTC in poi — "Add model card", poi gli asset, poi una dozzina di piccoli commit che rifiniscono la navigazione e l'allineamento dei link, terminando alle 13:20 UTC con "Add Tiny model link". Questo è il commit che ha rinominato il modello, cambiato i metadati della licenza in MIT e aggiunto la scheda da 8.259 byte che descrive un modello audio-linguistico completo anziché un percorso ASR. Il README che ha sostituito era stato eliminato quattro giorni prima; la versione precedente, di settembre, era intitolata "Ming Audio V3" e dichiarava Apache 2.0.

C'è un secondo repository che vale la pena conoscere. Ming-3.0-audio-tiny è stato creato nello stesso momento del modello flash, il 3 settembre alle 11:45 UTC, e ha ricevuto lo stesso trattamento il 19 ottobre. È il fratello minore: 9,3B parametri totali con 2,7B attivi, MIT, circa 21 GB distribuiti su quattro shard e tre download.

Cosa puoi effettivamente scaricare

La configurazione è pubblicata, quindi l'architettura non è un mistero. Quello che è cambiato questa settimana è che la configurazione e il codice finalmente concordano. I file di modellazione personalizzati sono nel repository fin dal primo caricamento — modeling_bailing_moe_v3_audio.py e processing_bailing_moe_v3_audio.py c'erano entrambi il 3 settembre — ma la configurazione che avrebbero dovuto caricare descriveva un modello video-linguaggio-audio con una finestra da 8K, e la scheda ti diceva di istanziarlo con trust_remote_code=False, che è l'opposto di ciò che serve al codice personalizzato. Il ricaricamento del 15 ottobre è la versione in cui audio_config.model_type riporta bailing_moe_v3_audio, il token di patch video è sparito, il runtime dichiarato è transformers_version 5.14.1, e auto_map registra AutoModel e AutoProcessor insieme alle due voci che c'erano sempre state.

• Dimensioni — 25 shard safetensors bfloat16 per un totale di 256 GB per il modello linguistico, più una coppia Talker e VAE da 3 GB sotto talker/. Il modello piccolo è di circa 21 GB in quattro shard.

• Backbone — 42 strati, dimensione nascosta 2.560, 512 esperti con 8 attivi per token, vocabolario 157.184. Secondo la scheda, sono 126B in totale e 6,5B attivi per ogni passo di inferenza.

• Torre audio — un encoder in stile Whisper a 32 strati e larghezza 1.280 con 20 teste, 128 bin mel e un contesto audio di 3.000 frame. L'ID del token audio è 157.168.

• Contesto — 131.072 posizioni. Era 8.192 nella configurazione del 3 settembre, e la configurazione del 13 ottobre che per la prima volta lo ha aumentato si chiamava ancora bailing_moe_v3_vl_audio e portava ancora il token di patch video; la versione pulita solo audio è quella del 15 ottobre.

Output — testo, oppure testo più parlato sintetizzato tramite un Talker opzionale. La scheda indica una voce IP predefinita, 灵小柔, e due voci di riferimento preimpostate, 灵楷 e US_James, le cui tracce audio e trascrizioni sono entrambe nel repository.

• Licenza — MIT. È stata Apache 2.0 fino al 19 ottobre. Nota che il repository stesso non contiene alcun file LICENSE: la dichiarazione MIT è presente nei metadati della card e in un link a un percorso GitHub, e l'unico testo di licenza effettivamente presente nel repo appartiene a un modello di identificazione della lingua incluso in talker/data/.

L'avvio rapido non si risolve ancora

Questa è la parte di cui un lettore che intende valutare il modello ha bisogno prima di ogni altra cosa, e non è presente nella scheda. Il blocco di installazione della scheda clona github.com/inclusionAI/Ming-3.0-audio-flash. Oggi quell'URL restituisce HTTP 404, sia dal web sia dall'API. Lo stesso vale per ogni percorso che la scheda costruisce a partire da esso: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, e requirements-transformers.txt.

Nessuno di questi esiste nemmeno nel repository Hugging Face. Non contiene alcuna examples/ directory — una precedente è stata eliminata il 17 settembre — nessuna scripts/, nessuna docs/, e nessun file requirements al di fuori di talker/. Ciò che invece contiene è tutto il necessario per caricare il modello direttamente con Transformers, che la card documenta anche come snippet Python: AutoProcessor con use_fast=False, AutoModelForCausalLM in bfloat16 con device_map="auto", trust_remote_code=True, e audio passato tramite processor(messages) con audio_feats cast al dtype del modello.

Quindi lo stato onesto è questo: il modello si carica, al momento non esistono script di serving che un lettore possa leggere, e la scheda descrive un repository che non è ancora stato pubblicato. Non è uno scandalo — che la documentazione arrivi qualche ora prima di un push di codice è normale — ma significa che le due ricette di deployment qui sotto non possono essere verificate, solo citate. Chiunque stia valutando questo checkpoint dovrebbe puntare sul percorso Transformers e leggere modeling_bailing_moe_v3_audio.pyprima di abilitare il codice remoto, come consiglia la scheda stessa.

Ciò che si può verificare è il contratto di tokenizzazione, e la scheda è insolitamente specifica al riguardo: il prompt ASR convalidato chiede al modello di indicare la lingua parlata e di inserire una tabulazione tra l'etichetta della lingua e la trascrizione. Se stai scrivendo un harness di valutazione, quella tabulazione è il parser. Un prompt generico «trascrivi questo» non è la configurazione misurata dal fornitore.

La tabella pubblicata da inclusionAI, comprese le colonne che perde

Tre immagini PNG in assets/ contengono la valutazione. Ogni numero riportato è frutto di un'esecuzione di inclusionAI; gli asterischi contrassegnano le voci che il fornitore etichetta come autovalutate, e nulla di tutto ciò è stato riprodotto da una terza parte. Artificial Analysis pubblica classifiche audio e non ha alcuna voce per questo modello. Non esiste un punteggio di arena, né un Elo indipendente, né un secondo parere — quindi leggete quanto segue come un fornitore che descrive il proprio modello, che è esattamente ciò che è.

Il quadro del riconoscimento vocale è la parte più forte del caso, ed è forte sull'asse per cui il modello è stato chiaramente costruito. Facendo la media sul suo set di test cinese, il modello flash riporta 3,45 contro 3,54 di Qwen3.8-Omni Flash e 9,83 di Gemini 3.8 Flash; sull'inglese, 3,69 contro 4,02 e 5,05. Sui dialetti il divario si allarga nettamente:

• Media dialetto — 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 rispetto a 49,95, 28,08 e 81,62 per gli stessi tre.

• Shanghainese — 11,15 contro 26,32, 21,10 e 88,64.

• Cantonese — 4,09 contro 6,64, 4,76 e 42,62. Questo è quasi un pareggio con Qwen3.8-Omni Flash e una batosta per Gemini 3.8 Flash.

• Hubei — 9,46 contro 11,35, 7,75 e 48,24. Qwen3.8-Omni Flash vince questa riga, e il fornitore l'ha comunque stampata.

• Hunan — 8,76 contro 20,30, 17,11 e 71,39.

La stessa immagine è meno lusinghiera quando il compito smette di essere trascrizione. Sulla diarizzazione dei parlanti, AISHELL-4 riporta un tasso di errore di diarizzazione di 8,58 per il modello flash contro 2,80 per Qwen3.8-Omni Flash; AliMeeting, 8,66 contro 3,40; AMI, 25,29 contro 11,16 per MiMo-V2.6 Pro. Se il problema è "chi ha parlato quando" anziché "cosa è stato detto", questo non è il modello che il fornitore stesso raccomanda nella propria tabella. Il tasso di errore sui caratteri (CER) concatenato a permutazione minima per forme lunghe su AMI conferma lo stesso quadro: 39,62 per il modello flash contro 30,91 per MiMo-V2.6 Pro e 23,19 per Qwen3.8-Omni Flash.

Il quadro dell'intelligenza audio è quello in cui la tesi si indebolisce. Il modello vince le sue voci di punta — BigBenchAudio 99.40, MMAU 82.00 — per poi cedere terreno quasi ovunque il compito richieda di ragionare su una registrazione lunga anziché descriverne una breve.

• LongAudioSpan — 41.12, rispetto a 50.26 di Seed2.0 Lite e 66.40 di Qwen3.8-Omni Flash.

• Punteggio Chain per audio lungo — 12,31, contro 34,54 di Qwen3.8-Omni Flash, 48,70 della sua modalità thinking e 49,63 di Gemini 3.8 Flash. Si tratta di un divario di quattro volte sulla metrica che il fornitore ha scelto di pubblicare.

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

• Chiamata degli strumenti — BFCL-v3 Audio 81,40 contro 75,08 di Seed2.0 Lite e 86,68 di Gemini 3.8 Flash.

I benchmark testuali sono i meno sorprendenti e i più utili, perché dicono ciò che il modello non è. Sul ragionamento generale il modello flash si colloca al di sotto dei modelli omni con cui viene confrontato quasi su ogni riga: GPQA Diamond 82.45 contro 91.00 di Qwen3.8-Omni Flash, MMLU-Pro 80.00 contro 87.70, IFBench 59.00 contro 81.50, LiveCodeBench v6 79.90 contro 92.60, AA-LCR 73.90 contro 80.00. La backbone è uno specialista audio con 6.5B parametri attivi e un totale di 126B parametri, e la tabella testuale è l'aspetto che tutto ciò ha dall'esterno. Se volete un unico modello che ascolti una riunione e scriva anche il codice di follow-up, i numeri stessi di inclusionAI dicono che non ci si dovrebbe aspettare che questo modello copra la seconda metà.

Quanto costa

Vengono citati due profili di serving, nessuno dei due ancora verificabile. Il profilo di riferimento vLLM-Omni per un contesto di 128K utilizza il parallelismo tensoriale su otto GPU H800 da 80 GB. Il profilo SGLang convalidato utilizza quattro GPU e restituisce solo testo. Quelle sono le configurazioni del fornitore, non misurazioni, e con 256 GB di pesi prima di qualsiasi cache KV non esiste una versione più piccola di questo — la configurazione 8K fornita dal repository a settembre non avrebbe cambiato il limite minimo di memoria, perché il limite è il checkpoint.

La lettura pratica è che si tratta di un modello per cluster, non di un modello per workstation. Quattro GPU corrispondono all'incirca al costo di un nodo GPU di fascia alta; otto da 80 GB sono una voce di budget del tutto diversa. Ming-3.0-audio-tiny è la risposta per chiunque voglia testare la famiglia senza quel tipo di investimento — 21 GB e 2,7B parametri attivi entrano su una singola scheda di grandi dimensioni — ma il modello tiny è un checkpoint diverso, con numeri propri e costantemente peggiori sulle stesse tabelle (punteggio Chain su audio lungo 10,56 contro 12,31, LongAudioSpan 35,45 contro 41,12, URO-Bench-Pro 54,15 contro 81,92, VoiceBench 74,29 contro 86,74), e il fornitore non pubblica nulla che stabilisca che il suo comportamento si trasferisca.

Da notare per chiunque stia pianificando un'integrazione: il Talker è opzionale e separabile. La scheda lo descrive come generatore di parlato a partire dall'output del modello, e i preset si trovano in una cartella dedicata con il proprio file dei requisiti, quindi un deployment solo testo non deve includerlo. Entrambi i profili di serving documentati restituiscono testo per impostazione predefinita.

Dove un router merita il suo posto, e dove no

OrcaRouter non fornisce Ming-3.0-audio-flash. Non è nel nostro catalogo, non possiamo fornirvi un endpoint per quel modello, e nulla in questo articolo deve essere interpretato come un'offerta in tal senso. Ciò per cui un router è utile in una pipeline costruita attorno a un modello come questo è la metà che non è il modello. I sistemi vocali sono per lo più lavoro sul testo: il prompt che decide cosa chiedere all'audio, la post-elaborazione che trasforma un'etichetta di lingua delimitata da tabulazioni in un output strutturato, il riepilogo scritto a partire dalla trascrizione, il fallback che entra in funzione quando il nodo GPU è saturo. Quelle sono normali chiamate di testo, e una sola API per oltre 200 modelli con markup allo 0% — il prezzo di listino del fornitore viene trasferito direttamente, quindi una riduzione di prezzo del fornitore è attiva da noi lo stesso giorno — è più semplice da integrare rispetto a quattro contratti con i fornitori. Il failover automatico è ciò che ti consente di mettere un modello nuovo e non comprovato dietro parte del tuo traffico senza puntare tutto il percorso su di esso.

Il confine vale la pena di essere enunciato chiaramente, perché è proprio il motivo per cui questo articolo non si conclude con un riquadro di registrazione: un checkpoint da 259 GB che esegui sulle tue otto GPU è infrastruttura, non una chiamata API. Un router instrada chiamate. Non trasforma un modello cluster in un modello ospitato e non trasforma 22 download in una prova di produzione.

Cosa guardare

Tre cose cambierebbero il quadro, e ciascuna è verificabile in un modo in cui i benchmark non lo sono. Primo, il repository GitHub: quando inclusionAI/Ming-3.0-audio-flash smetterà di restituire 404, gli script di serving e la guida vocale diventeranno reali e le due ricette di deployment sopra diventeranno verificabili. Secondo, un punteggio indipendente: nel momento in cui Artificial Analysis o un'arena elencherà questo checkpoint, il divario quadruplo sull'audio lungo smetterà di essere un'autodichiarazione del fornitore e inizierà a essere un dato. Terzo, il file di licenza: MIT è dichiarata nei metadati, e un file LICENSE nel repository la renderebbe un fatto anziché un'affermazione — la distinzione conta per chiunque abbia un processo di procurement che legge il repository invece della scheda.

Fino ad allora, la descrizione accurata è quella poco glamour. Un serio checkpoint audio-linguistico, più forte sul parlato cinese accentato e dialettale, debole nel ragionamento su audio lunghi e nella diarizzazione degli speaker stando ai suoi stessi numeri pubblicati, con licenza MIT sulla carta, circa 259 GB su disco, e documentato solo da questa settimana. Sei settimane di silenzio non sono prova di nulla, se non che inclusionAI ha rilasciato i pesi prima della documentazione — ma la documentazione è la parte che ti dice cosa stai scaricando, e ora, finalmente, c'è da leggere.