Ming-3.0-audio-flash vs InternLumina U2: due navi silenziose, documentazione opposta

Entrambi questi modelli sono stati pubblicati senza un comunicato stampa, e più o meno è lì che finisce la somiglianza. Ming-3.0-audio-flash è comparso su Hugging Face il 3 settembre 2026 sotto forma di 259 GB di pesi con quasi nessuna documentazione, e ha ricevuto una vera model card solo il 19 ottobre. InternLumina-U2 ha seguito il percorso inverso: Shanghai AI Laboratory ha pubblicato il codice di inferenza e una pagina di progetto il 1 settembre 2026, ha promesso i pesi e li ha rilasciati successivamente in cartelle specifiche per l'hardware. Un team ha reso disponibile prima l'artefatto e la spiegazione sei settimane dopo. L'altro ha scritto prima la spiegazione e ti ha fatto aspettare l'artefatto. Nessuno dei due ha annunciato nulla, nessuno dei due dispone di un benchmark indipendente e nessuno dei due sostituisce l'altro — uno ascolta, l'altro vede e disegna. I fallimenti documentati dell'IA e gli incidenti di rilascio silenzioso che stanno dietro a confronti come questo sono raccolti nel OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la severità, il livello di confidenza e il flag di contestazione.

Ciò rende questa una comparazione su due cose contemporaneamente: due diverse scommesse su a cosa serva un modello multimodale aperto, e due diverse abitudini nel rilasciarne uno. La seconda metà è più utile di quanto sembri, perché è la documentazione a dirti se puoi implementare la cosa un martedì qualsiasi. Tutto quanto segue proviene dai due repository e dalle loro card. I numeri di Ming sono di inclusionAI; quelli di InternLumina sono dello Shanghai AI Lab, e la sua stessa card li etichetta come "risultati preliminari e parziali". Nessuna terza parte ha assegnato un punteggio a nessuno dei due.

Le due tempistiche di rilascio, affiancate

Le date sono la prova più oggettiva disponibile qui, quindi inizia da queste.

• 1 settembre 2026, 04:03 UTC — il repository GitHub InternLM/InternLumina-U2 viene creato. Tredici minuti dopo compare un repository Hugging Face con lo stesso nome, contenente un .gitattributes e uno stub di README. La release di quel giorno è codice: uno script driver con una sezione per attività, un README in inglese e cinese e una roadmap.

• 3 settembre 2026, 11:45 e 11:49 UTC — inclusionAI crea Ming-3.0-audio-tiny e Ming-3.0-audio-flash su Hugging Face. Nove minuti dopo, 25 shard approdano sul repository flash. Il README che li accompagnava si intitolava "Ming Audio V3" e descriveva solo il percorso ASR.

• Dal 13 al 19 ottobre 2026 — i repository Ming si muovono quattro volte in sette giorni: una configurazione che porta il contesto da 8.192 a 131.072, un nuovo caricamento che elimina la variante video-linguaggio, una cartella di preset vocali e infine la card, gli asset e una ri-licenza MIT. inclusionAI/Ming-3.0-audio-flash compare su GitHub il 15 ottobre.

• In un momento imprecisato dopo il 24 settembre 2026 — internlm/InternLumina-U2 su Hugging Face smette di essere uno stub e acquisisce due alberi di checkpoint, ascend/ e nvidia/, sette shard ciascuno, circa 67,6 GB di spazio di archiviazione in totale, all'incirca 33,8 GB per albero hardware. Il repository è stato modificato l'ultima volta il 24 settembre. Nessuna riscrittura della card, nessuna tabella di benchmark con numeri, nessun report tecnico.

Lo schema è invertito, e anche la conseguenza pratica è invertita. I pesi di Ming sono eseguibili dall'inizio di settembre da chiunque sia disposto a leggere un file di configurazione; la sua documentazione non esisteva. La documentazione di InternLumina esisteva dal primo giorno; i suoi pesi no, e quando sono arrivati sono arrivati senza le tabelle di confronto che la scheda prometteva.

A cosa è effettivamente progettato ciascun modello

Ming-3.0-audio-flash è un mixture of experts audio-linguistico nativo: 126 miliardi di parametri in totale, 6,5 miliardi attivi per ogni passaggio di inferenza, un encoder audio e un proiettore che alimentano un backbone a 42 strati con 512 esperti e 8 attivi per token, un vocabolario di 157.184 token e una torre audio in stile Whisper a 32 strati e larghezza 1.280 con 128 bin mel. L'input è audio più istruzioni testuali. L'output è testo, oppure testo più parlato sintetizzato tramite un modulo Talker opzionale con voci cinesi integrate e due clip di riferimento nel repository. Il contesto dichiarato è 128K, e il profilo di servizio della scheda prevede otto H800 da 80 GB in parallelismo tensoriale.

InternLumina-U2 è un mixture of experts sparso da 16 miliardi di parametri con 1 miliardo attivi, costruito come modello linguistico a diffusione anziché autoregressivo: rifinisce un'intera sequenza in parallelo invece di emettere token da sinistra a destra. La sua rappresentazione visiva è completamente discreta: otto codebook di token visivi dal tokenizer AToken di Apple, concatenati in un unico token backbone per posizione sul lato input e previsti codebook per codebook sul lato output. Il senso di questo design è l'unificazione: risposta a domande testuali, comprensione delle immagini, modifica delle immagini, generazione testo-immagine, comprensione video e comprensione 3D passano tutti attraverso lo stesso vocabolario e gli stessi pesi, su un backbone a diffusione LLaDA-2.0.

Leggi le due descrizioni insieme e il confronto si risolve in una sola frase. Ming-3.0-audio-flash è uno specialista molto grande che approfondisce una sola modalità. InternLumina-U2 è un generalista piccolo in termini di parametri totali che cerca di fare cinque cose in modo adeguato. Nessuno dei due progetti è un compromesso dell'altro; sono risposte a domande diverse.

Convertire ciascuno in token, ecco la vera differenza

Se guardi solo il numero di parametri, concluderesti che Ming è otto volte il modello. Questa lettura è sbagliata in entrambe le direzioni, e il motivo è l'interfaccia che ciascuno dei due espone.

• Ingresso — Ming-3.0-audio-flash: audio e testo. InternLumina-U2: testo, immagini, fotogrammi video e asset 3D.

• Output — Ming-3.0-audio-flash: testo, facoltativamente voce. InternLumina-U2: testo, immagini, immagini modificate; nessun audio, nessun video, nessuna generazione 3D.

• Decodifica — Ming-3.0-audio-flash: autoregressivo su un vocabolario di 157.184 token. InternLumina-U2: diffusione a blocchi su un vocabolario visivo discreto multi-codebook.

• Parametri totali rispetto a quelli attivi — Ming-3.0-audio-flash: 126B totali, 6,5B attivi. InternLumina-U2: 16B totali, 1B attivi.

• Pesi su disco — Ming-3.0-audio-flash: circa 259 GB distribuiti su 25 shard più un Talker e un VAE. InternLumina-U2: 67,6 GB nel repository, suddivisi in due alberi hardware di sette shard e circa 33,8 GB ciascuno.

• Licenza — entrambe vicine allo spirito della MIT, ma diverse nei fatti: Ming-3.0-audio-flash è MIT secondo la sua scheda, InternLumina-U2 è Apache-2.0 secondo il suo repository e la sua scheda.

• Valutazione indipendente — nessuna per nessuno dei due.

L'hardware, che è il punto in cui i due divergono maggiormente

La più interessante tra le affermazioni ingegneristiche di InternLumina-U2 non riguarda l'architettura, bensì il backend. Il repository include sia un albero Ascend sia un albero NVIDIA, e il laboratorio dichiara che training, valutazione e inferenza sono stati adattati sia alle NPU Huawei sia alle GPU NVIDIA, con un allineamento numerico a livello di operatore tra le due piattaforme. Per chiunque si rifornisca tramite acceleratori non NVIDIA, si tratta di un vero elemento distintivo, verificabile nell'albero dei file: due directory di checkpoint complete, ciascuna con la propria configurazione, il proprio tokenizer e il proprio piano di parallelismo.

Ming-3.0-audio-flash non ha una storia del genere. Il suo profilo di riferimento è otto H800 da 80 GB; la sua alternativa convalidata è un profilo SGLang a quattro GPU che restituisce solo testo. Non esiste alcun percorso NPU nel repository, e il piccolo fratello da 9,3B totali e 2,7B attivi è la risposta per chiunque non possa dedicare un nodo.

Entrambi i modelli sono, nel senso contemporaneo, progetti di deployment più che installazioni pip. I materiali di InternLumina sono espliciti sul fatto che il percorso di generazione non è standard: l'API generate della diffusione a blocchi non è l'interfaccia generate di Transformers, il tokenizer AToken richiede FlashAttention e la pipeline 3D prevede che Blender 4.5 renderizzi gli asset GLB in viste prima della tokenizzazione. Il percorso di Ming è più convenzionale — AutoProcessor più AutoModelForCausalLM con trust_remote_code=True — ma la soglia minima di memoria è otto volte superiore.

Cosa dicono i numeri del fornitore e cosa non possono dire

Nessuna delle due tabelle può essere confrontata con l'altra, perché i due modelli non condividono nemmeno un benchmark. Non è una scappatoia; è la forma onesta delle prove.

Nelle immagini di valutazione di inclusionAI, Ming-3.0-audio-flash riporta un tasso di errore medio ASR cinese di 3,45, una media inglese di 3,69, una media dialettale di 9,40, MMAR 74,40 e BigBenchAudio 99,40. Le stesse immagini mostrano dove perde: errore di diarizzazione AMI di 25,29 contro 11,16 di MiMo-V2.6 Pro, e un punteggio Chain su audio lungo di 12,31 contro 34,54 di Qwen3.8-Omni Flash. I suoi benchmark testuali sono la sezione più debole della scheda — GPQA Diamond 82,45, MMLU-Pro 80,00, IFBench 59,00 — che è l'aspetto di uno specialista audio da 6,5B attivi quando gli si chiede di ragionare in prosa.

La scheda di InternLumina-U2 riporta 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 e GenEval 0.81 — e poi si smentisce, perché la tabella della pagina del progetto mostra LLaDA2.0-Uni a GenEval 0.89, meglio del modello che dichiara di superare. L'avvertenza principale della scheda, "Risultati preliminari e parziali. Le tabelle comparative complete compariranno nel prossimo rapporto tecnico", è ancora valida oggi. Non esiste alcun rapporto tecnico.

Letti insieme, i due insiemi di numeri descrivono punti di forza complementari e una debolezza condivisa: nessuno dei due è stato riprodotto da qualcuno al di fuori del laboratorio che lo ha addestrato.

Quale, per quale lettore

Se il tuo prodotto prevede la voce — trascrizione di riunioni con copertura dei dialetti, audio di call centre, risposte parlate, doppiaggio — Ming-3.0-audio-flash è l'unico dei due che si applica e, onestamente, l'unico modello open-weight della sua categoria con numeri sui dialetti pubblicati così specifici. Metti in conto un nodo, oppure inizia con il piccolo fratello e accetta i suoi punteggi più deboli sull'audio lungo.

Se il vostro prodotto coinvolge immagini — lettura di documenti, QA su grafici, editing, descrizione di asset 3D o un singolo modello che sia in grado sia di leggere sia di disegnare — InternLumina-U2 è l'unico che faccia al caso vostro, e l'albero Ascend è un motivo concreto per dare un'occhiata se non state comprando NVIDIA. Mettete in conto di dover combattere con il tokenizer.

Se hai bisogno di entrambi, stai eseguendo due modelli, e la domanda interessante diventa operativa: due checkpoint, due toolchain, due insiemi di termini di licenza, un unico prodotto multimodale. Questo è lo stato normale del lavoro sui modelli a pesi aperti alla fine del 2026, ed è il motivo per cui esiste il routing.

Il livello di routing, detto in termini ristretti

OrcaRouter non eroga nessuno dei due checkpoint. Ming-3.0-audio-flash e InternLumina-U2 sono entrambi modelli open-weight che esegui tu stesso; nessuno dei due è nel nostro catalogo e nessuno dei due comparirà in una chiamata alla nostra API. Quello che forniamo è il lavoro testuale circostante: il prompt che inquadra un'istruzione di modifica dell'immagine, il riassuntore che trasforma una trascrizione Ming in note strutturate, il classificatore che decide a quale dei due modelli debba essere indirizzato un asset in ingresso.

Quest'ultimo elemento è quello che vale la pena nominare. Una pipeline che gestisce sia voce che visione finisce per dover prendere una decisione di instradamento — l'audio va al nodo Ming, le immagini al nodo InternLumina — e quella decisione è una chiamata a un modello come qualsiasi altra. Metterla dietro un'unica API per oltre 200 modelli con 0% di ricarico, dove il prezzo di listino del fornitore passa direttamente, mantiene il dispatcher sulla stessa chiave di tutto il resto. Il failover automatico conta anche qui, non per i checkpoint self-hosted ma per la fase di classificazione che li alimenta: se il modello del router è degradato, il fallback dovrebbe essere un modello diverso, non una pipeline rotta.

Niente di tutto ciò trasforma un checkpoint da 259 GB in un servizio ospitato, e sarebbe fuorviante suggerire il contrario.

Cosa guardare dopo

Per Ming-3.0-audio-flash, gli elementi mancanti sono un file di licenza nel repository (attualmente la MIT risiede nei metadati della scheda) e un'integrazione di serving per il percorso audio-linguaggio; vLLM-Omni supporta la generazione precedente di Ming e ha una pull request aperta per il modello TTS da 7.9B, ma nulla di integrato per il reader da 126B. Per InternLumina-U2, l'elemento mancante è il report tecnico e le tabelle complete che promette; fino ad allora, la riga GenEval rispetto a LLaDA2.0-Uni è l'unico confronto tra modelli che chiunque può verificare, e non favorisce il modello più recente.

Ciò che le due release hanno in comune è più utile di entrambe le lacune. Due laboratori validi hanno pubblicato modelli multimodali open-weight sostanziali senza dirlo a nessuno. Non è un segno che i modelli siano scarsi: è un segno che l'annuncio di rilascio è diventato opzionale e che ora il repository è la fonte primaria. Leggilo.