
Ming-3.0-audio-flash vs Ming-3.0-audio-tiny: tredici volte i parametri, due volte e mezzo il lavoro
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 185 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 228 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 89 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 98 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
Ming-3.0-audio-flash e Ming-3.0-audio-tiny sono arrivati su Hugging Face a quattro minuti l'uno dall'altro il 3 settembre 2026 — tiny alle 11:45 UTC, flash alle 11:49 — e da allora i due sono stati confusi l'uno con l'altro. Questa mattina la confusione è diventata letterale. Il repository flash è stato modificato alle 08:26 UTC con un commit intitolato "Aggiorna il punteggio BBA di Flash a 99,8% e aggiungi il risultato complessivo n. 1 della classifica"; il repository tiny è stato modificato due minuti e otto secondi dopo con un commit intitolato "Aggiorna il punteggio BBA condiviso di Flash a 99,8%…", che riportava la stessa frase e lo stesso PNG della classifica. Il modello tiny non ha una scheda propria su Artificial Analysis, quindi se hai visto un 99,8% attribuito a Ming-3.0-audio-tiny, quel numero apparteneva al suo fratello maggiore ed è circolato tramite copia-incolla.
Vale la pena dirlo subito perché inquadra tutto il resto. Non sono due concorrenti. Sono lo stesso design su due scale: condividono un tokenizer, una finestra di contesto, una licenza e un percorso di codice di serving, e differiscono per una manciata di interi dentro config.json. La domanda interessante non è quale dei due vinca — il flash vince su ogni metrica di qualità pubblicata — ma per quali di quegli interi stai effettivamente pagando, e in cosa il più piccolo è davvero migliore.
Che cosa condividono realmente i due repository
Inizia dalle parti che sono identiche, perché ce ne sono più di quante ti aspetteresti da un divario di parametri di 13,5×.
• Nome dell'architettura — entrambi dichiarano model_type: bailing_moe_v3_audio, lo stesso percorso di codice Transformers personalizzato.
• Tokenizer — entrambi utilizzano un vocabolario di 157.184 token, con il segnaposto audio all'indice 157.168. Un prompt scritto per uno si carica sull'altro.
• Finestra di contesto — entrambi dichiarano max_position_embeddings: 131072, con lo stesso theta RoPE di 6.000.000 e nessuno scaling applicato.
• Ampiezza del routing — entrambi attivano 8 esperti per token. È questo il dato che rende i due modelli effettivamente confrontabili.
• Input e output — in ingresso audio più un'istruzione testuale; in uscita testo, oppure testo con parlato sintetizzato tramite un Talker opzionale.
• Licenza — MIT su entrambi, con lo stesso file di disclaimer legale.
• Codice — il README del modello minuscolo ti dice di git clone il repository GitHub del modello flash. C'è una sola implementazione, un solo set di script di esempio, una sola guida alla voce.
Poiché il codice è condiviso, i due checkpoint sono intercambiabili senza modifiche a livello di API. Passare dall'uno all'altro è una modifica del nome del modello, che è esattamente la proprietà che rende economica la realizzazione di una pipeline a due livelli e anche la proprietà che rende facile pubblicare il punteggio del modello sbagliato.

I quattro numeri interi che non sono condivisi
Tutto ciò che differisce si trova in text_config, e ci sono solo quattro numeri che contano.
• Livelli — flash 42, tiny 24.
• Esperti — flash 512, tiny 128.
• Larghezza esperti — flash moe_intermediate_size 768, tiny 512.
Dimensione nascosta — flash 2.560, tiny 1.536.
Moltiplicando quei valori si ottengono le cifre principali citate dalle schede: 126B parametri totali con 6,5B attivi per flash, 9,3B totali con 2,7B attivi per tiny. Su disco la differenza è di 259,33 GB di pesi bfloat16 in 25 shard contro 20,7 GB in due.
Ora guarda il rapporto anziché i numeri assoluti, perché è questa la parte che i fogli tecnici seppelliscono. I parametri totali differiscono di 13,5×. I pesi su disco differiscono di 12,5×. Ma i parametri attivi differiscono solo di 2,4×. Il modello flash mantiene una libreria di esperti molto più grande e ne consulta un numero simile; il modello tiny ha una libreria più piccola e ne consulta un numero simile. Quindi il flash non costa tredici volte più per token del tiny — è più vicino a due volte e mezzo, con un footprint di memoria tredici volte maggiore che resta per lo più inattivo. Questo è il classico compromesso dello sparse-MoE, e significa che il costo reale di scegliere flash è la capacità, non il throughput: stai comprando una libreria più grande, e devi mantenere l'intera libreria residente indipendentemente dal fatto che una determinata clip ne attinga o meno.

Una conseguenza sorprende molti. Entrambi i modelli dichiarano la stessa finestra di 131,072 token, ed è allettante concludere che gestiscano lo stesso audio. Non è così. Il contesto è un limite, non una capacità, e i dati forniti direttamente dal fornitore nella sezione successiva mostrano esattamente dove la comprensione del modello più piccolo viene meno ben prima che la finestra sia piena.
Cosa dicono le tabelle del fornitore stesso
Le immagini di valutazione su entrambe le schede sono state prodotte da inclusionAI e riportano i due modelli affiancati. Si tratta di cifre del fornitore, non verificate, e la selezione dei task è a cura del fornitore; restano comunque l'unico confronto per task esistente, perché Artificial Analysis valuta solo il flash.
• Punteggio della catena long-audio — flash 12.31, tiny 10.56.
• LongAudioSpan — flash 41,12, tiny 35,45.
• URO-Bench-Pro — flash 81,92, tiny 54,15.
• VoiceBench — flash 86,74, tiny 74,29.
Due cose meritano di essere evidenziate. Primo, l’ordinamento: il modello tiny perde su ognuno di essi, quindi nessuno dovrebbe sceglierlo aspettandosi parità. Secondo, e meno ovvio: il divario è molto più ampio sui benchmark di ragionamento audio (URO-Bench-Pro, in calo di 27,8 punti, e VoiceBench, in calo di 12,5) rispetto a quelli sull’audio lungo (in calo di 1,75 e 5,67). Qualunque cosa abbiano apportato gli esperti e gli strati aggiuntivi, hanno apportato soprattutto capacità di ragionamento su ciò che è stato ascoltato, non resistenza grezza su una registrazione lunga.
E i numeri del flash stesso sull'audio lungo sono deboli in termini assoluti — un punteggio a catena di 12,31 su qualunque sia la scala di quel benchmark, contro 34,54 di Qwen3.8-Omni Flash e 49,63 di Gemini 3.8 Flash sulla stessa scheda. Quindi la lettura onesta della coppia non è "il flash è buono, il tiny è scarso". È che nessuno dei due checkpoint è un modello per registrazioni lunghe, e il tiny è semplicemente ancora più debole in tutto ciò che misurano i benchmark per audio breve.
Il limite dell'hardware è determinato dai byte, non dai parametri.
È qui che di solito la scelta si fa da sé, e i due README sono insolitamente precisi riguardo ai profili che hanno validato.
• Ming-3.0-audio-flash — profilo di serving di riferimento 128K con tensor parallelism 4 su H800 da 80 GB; l'audio lungo può causare OOM in quella configurazione, con un fallback a 8 GPU documentato; SGLang validato su quattro GPU per l'output testuale; SGLang-Omni con --thinker.tp_size 2 su una coppia di schede.
• Ming-3.0-audio-tiny — vLLM-Omni con il Thinker su una GPU per testo e ASR, oppure Thinker sulla GPU 0 e Talker sulla GPU 1 per il parlato; SGLang convalidato su una GPU per il testo; SGLang-Omni su una singola scheda con --talker.gpu 0.
Leggi quelle righe come una decisione infrastrutturale, non come una specifica. Flash richiede un nodo multi-GPU e un motivo per occuparlo. Tiny richiede una sola scheda e, se vuoi solo trascrizione o risposta a domande audio, richiede una scheda senza alcun Talker — nessuna fase di sintesi vocale, nessun secondo processo, nessuna selezione della voce. La differenza pratica tra i due non è quattro volte le GPU; è se ciò che stai distribuendo sta su una macchina che hai già.
C'è un effetto di secondo ordine che emerge nelle operazioni. Un checkpoint da 259 GB con 25 shard deve essere scaricato su ogni nodo che lo serve, versionato e mantenuto caldo; il profilo di fallback a otto GPU significa che il piano di capacità deve tollerare un modello che occasionalmente richiede il doppio delle schede per lo stesso traffico. Un checkpoint da 20,7 GB con due shard entra in uno strato di immagine container, si avvia in pochi secondi e può essere scalato aggiungendo repliche. Per strumenti interni con traffico a raffiche, questa differenza domina ogni metrica di qualità in questo articolo.

La pipeline a due livelli per cui questi due checkpoint sono stati costruiti
Ecco il caso d’uso a cui la coppia serve davvero, e che nessuna delle due schede modello descrive: eseguire il modello tiny su tutto e il modello flash solo su ciò che sopravvive.
Un primo passaggio economico con Ming-3.0-audio-tiny può rispondere a domande come "c'è parlato in questo file", "in che lingua è", "quanti parlanti ci sono", "l'audio è abbastanza pulito da valere la pena di essere trascritto" — e può farlo su una singola scheda alla velocità che quella scheda riesce a sostenere. Solo i clip che richiedono ragionamento, gestione dei dialetti o una trascrizione accurata passano poi a Ming-3.0-audio-flash. Poiché il tokenizer, il formato del prompt e il codice di serving sono condivisi, la seconda chiamata è la stessa richiesta con un nome di modello diverso; non c'è alcuna ricodifica, nessuna riscrittura del prompt e nessuna seconda integrazione da mantenere.
Il punto è l'economia. Se un quinto del tuo audio è difficile, il modello flash vede un quinto del volume e puoi dimensionare il suo nodo per quella frazione anziché per il picco. Se quasi tutto il tuo audio è difficile, la cascata non offre alcun vantaggio e dovresti eseguire solo flash — cosa utile da imparare da una settimana di triage con modelli minuscoli prima di impegnarti con quattro H800s.
La stessa struttura compare un livello più in alto, nelle chiamate di testo che circondano i modelli audio: il classificatore che decide a quale livello appartiene un clip, l'estrazione strutturata da una trascrizione, il riepilogo scritto successivamente. Si tratta di normali completamenti chat, e OrcaRouter li instrada su oltre 200 modelli dietro un'unica chiave con 0% di ricarico, con failover automatico — così il classificatore che fa da gate al vostro costoso livello audio non diventa il componente che manda in tilt la pipeline. Il DSL di routing è l'elemento che rende la decisione sul livello esprimibile come configurazione anziché come codice: inviate i clip brevi e puliti in un modo, quelli lunghi o con accento in un altro, e lasciate che un modello di fallback copra il divario quando un provider si degrada. Non serviamo nessuno dei due checkpoint Ming; entrambi sono download che eseguite voi stessi.
Come risolverlo con il tuo audio
Entrambi i checkpoint sono MIT, entrambi rientrano nello stesso percorso di codice ed entrambi, nel caso minimo, sono abbastanza piccoli da poter essere testati senza dover avviare una trattativa con l'ufficio acquisti. Questo rende un pomeriggio di misurazioni più informativo di qualunque numero riportato sopra.
Preleva duecento clip dal tuo stesso traffico, ponderate verso l'estremità più difficile: parlato con accento, parlanti sovrapposti, rumore di fondo, le lunghe registrazioni che hai davvero. Esegui entrambi i modelli con gli stessi prompt e valuta tre cose: l'accuratezza della trascrizione sulle clip per cui disponi di una verità di riferimento, se l'etichetta della lingua era corretta e quanto spesso l'output era inutilizzabile anziché semplicemente errato. Poi esegui la cascata e misura quante clip il modello tiny ha gestito abbastanza bene che non è mai stato necessario ricorrere al modello flash.
Quell'ultimo numero è l'unico che decide l'infrastruttura. Se risulta alto, hai un deployment con una sola GPU e un modello grande dietro per la coda. Se risulta basso, hai scoperto che il tuo carico di lavoro è quello per cui è stato creato il modello flash, e che il tiny è stato un esperimento utile più che un tier. Entrambe le risposte costano poco. Indovinare dal numero di parametri no, perché il 13,5× sulla scheda e il 2,4× nel budget di calcolo puntano a hardware completamente diverso, e solo le tue registrazioni possono dirti quale stai acquistando.
