Ming-3.0-audio-flash vs MiniCPM-V 4.7: Un modello che ascolta e un modello che entra in tasca

Se stai scegliendo tra Ming-3.0-audio-flash e MiniCPM-V 4.7 35B-A3B, la scelta non è affatto in bilico su nessun asse che normalmente valuteresti, perché non competono per lo stesso slot. Uno è un mixture of experts audio-linguaggio da 126 miliardi di parametri — 6,5 miliardi attivi — che inclusionAI ha caricato il 3 settembre 2026 e documentato sei settimane dopo, e che richiede otto GPU da 80 GB nella sua configurazione di riferimento. L'altro è un modello visione-linguaggio sparso da 35,2 miliardi di parametri che OpenBMB ha rilasciato su Hugging Face la sera del 6 ottobre 2026 senza alcuna card, ha pubblicato la card il 12 ottobre, e dichiara di decodificare a più di 13 token al secondo su un iPhone 17 Pro Max usando circa 3 GB di memoria. Uno ascolta e sta in un rack. L'altro guarda e sta in una mano. Ciò che li rende degni di essere messi sulla stessa pagina è che entrambi sono stati rilasciati in sordina da laboratori cinesi nelle stesse sei settimane, entrambi hanno pesi aperti, ed entrambi sono valutati da team che hanno esattamente uno slot nella propria architettura. I guasti documentati dell'IA e gli incidenti di deployment dietro confronti come questo sono raccolti nel OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.

Ecco prima la regola decisionale, poi le prove che la supportano. Se l'input è audio — chiamate, riunioni, dialetti, musica, una voce fuori campo generata che devi verificare — solo uno di questi modelli può partire. Se l'input è un'immagine, un documento, un grafico, uno screenshot o un fotogramma video, solo l'altro può partire. La sovrapposizione è una pipeline che gestisce entrambi, e in quella pipeline sono due fasi anziché due candidati. Ogni dato riportato di seguito è dichiarato dal fornitore: quelli di inclusionAI provengono dalle sue stesse immagini di valutazione, quelli di OpenBMB da una scheda pubblicata il 12 ottobre, e nessuno dei due è stato riprodotto da terzi.

Ciò che ognuno si rifiuta di fare

Il modo più rapido per vedere la differenza è elencare le cose che ciascun modello non accetta, perché le schede tecniche sono scritte per nasconderlo.

• Ming-3.0-audio-flash non guarderà nulla. I suoi input sono istruzioni audio e testuali; non c'è alcun encoder di immagini nel repository, nessuna torre di visione nella configurazione e nessun percorso video, poiché il nuovo caricamento del 15 ottobre ha rimosso la variante video-linguaggio e il suo patch token. Se un frame è importante, questo modello è cieco ad esso.

• MiniCPM-V 4.7 35B-A3B non è in grado di ascoltare nulla. È contrassegnato come image-text-to-text, il suo processore gestisce immagini e fotogrammi video, e non c'è alcuna torre audio, alcun percorso ASR e alcuna testa TTS in nessuno dei 70,4 GB di pesi. Un file WAV non è un input di cui abbia una rappresentazione.

• Ming-3.0-audio-flash non genererà un'immagine, una modifica o un asset 3D. Il suo output opzionale oltre al testo è il parlato, tramite un modulo Talker con voci integrate e di riferimento.

• MiniCPM-V 4.7 35B-A3B non parla. Legge una pagina e risponde in testo. Per la voce bisognerebbe aggiungere un sintetizzatore separato, il che è una decisione di prodotto diversa.

Questa è l'intera struttura del confronto. Tutto il resto — contesto, sparsità, licenze, hardware — è secondario al fatto che gli insiemi di modalità non si intersecano.

Due modi molto diversi di essere sparsi

Entrambi i modelli sono architetture mixture-of-experts, e la parola nasconde scommesse ingegneristiche opposte.

Ming-3.0-audio-flash è sparse perché è enorme: 42 layer, dimensione nascosta 2.560, 512 esperti con 8 selezionati per token, 126B totali e 6.5B attivi, più un encoder audio in stile Whisper a 32 layer e larghezza 1.280 con 128 bin mel. La sparsità garantisce throughput su un modello che altrimenti sarebbe non addestrabile e non servibile. Non rende il modello piccolo. Venticinque shard bfloat16 più una coppia Talker e VAE arrivano a circa 259 GB su disco, e il profilo di serving 128K del fornitore è tensor parallelism su otto H800 da 80 GB.

MiniCPM-V 4.7 35B-A3B è sparso per la ragione opposta: 35,2 miliardi di parametri memorizzati, con routing 8-su-256 per token, su oltre 40 layer di testo con un pattern di attenzione three-linear-to-one-full, dietro una torre visione da 27 layer con hidden size 1.152 che si inserisce al layer 6 dello stack di testo. L'affermazione legata a questo design non è il throughput su un cluster, ma la fattibilità su un telefono. Il Lookahead Expert Scheduling di OpenBMB prevede quali esperti serviranno al layer successivo, li prefetcha e sovrappone il caricamento al calcolo — il tipo di trucco che si inventa solo quando il collo di bottiglia è la larghezza di banda di memoria su uno smartphone, non i FLOP in un data center.

• Parametri totali — Ming-3.0-audio-flash 126B; MiniCPM-V 4.7 35B-A3B 35,2B.

• Parametri attivi — 6,5B contro circa 3B (8 esperti su 256 più un esperto condiviso).

• Contesto — 131.072 token rispetto a 262.144.

• Pesi su disco — circa 259 GB rispetto a 70,4 GB distribuiti su 16 shard.

• Hardware di riferimento — otto H800 da 80 GB rispetto a un iPhone 17 Pro Max a 13+ token al secondo e circa 3 GB.

• Licenze — MIT rispetto ad Apache-2.0, entrambe dichiarate nelle rispettive schede.

Dove il lavoro in lingua cinese differisce davvero

Entrambi i modelli sono sviluppati da laboratori cinesi ed entrambi sono più forti in cinese, ma eccellono in ambiti diversi, e le tabelle dei fornitori lo rendono insolitamente chiaro.

Ming-3.0-audio-flash è più forte proprio dove il parlato diventa difficile. Nelle sue stesse immagini di valutazione riporta un tasso di errore medio ASR cinese di 3.45 e una media del 9.40 sui dialetti — cantonese 4.09, shanghainese 11.15, hokkien 12.84, hubei 9.46, hunan 8.76 — rispetto a un riferimento Gemini 3.8 Flash di 48.41 sulla media dei dialetti. Le stesse immagini mostrano che perde sulla diarizzazione dei parlanti (AMI 25.29 contro 11.16 di MiMo-V2.6 Pro) e sul ragionamento su audio lunghi (punteggio Chain 12.31 contro 34.54 di Qwen3.8-Omni Flash). Quindi la lettura onesta è: eccellente nella trascrizione con accento, nella norma nello stabilire chi ha parlato e cosa significava la registrazione.

MiniCPM-V 4.7 35B-A3B è il più forte sul cinese visivo denso: OCRBench 91.20, OCRBench_v2 68.47, OmniDocBench v1.6 94.24, CCOCR 81.14, MMMU 80.22, MathVista 88.00, CharXiv reasoning 75.60, TextVQA 84.99 — tutti dal grafico proprietario di OpenBMB, tutti non riprodotti, e diverse righe indicate come superiori ai modelli Qwen e Gemma della classe 35B con margini ristretti. Il downsampling misto dei token 4x/16x della torre visiva è il meccanismo: 16x unisce i token per la velocità, 4x ne conserva quattro volte il numero per i dettagli fini, e l'impostazione deve essere passata sia al processore sia a generate(), altrimenti i due non concordano.

La sovrapposizione nelle capacità sul cinese è quindi limitata e reale: un documento cinese scansionato con una nota vocale allegata è un problema che richiede due modelli, e nessuno dei due gestisce l'altra metà.

Quanto costa mettere in produzione uno dei due

Questi non sono numeri comparabili, e fingere il contrario è il solito errore di questo genere di pezzo.

Ming-3.0-audio-flash richiede un nodo. Otto H800 da 80 GB rappresentano il profilo del fornitore per il contesto a 128K; l'alternativa SGLang convalidata utilizza quattro GPU e restituisce solo testo. Il modello gemello Ming-3.0-audio-tiny, da 9,3B totali e 2,7B attivi, entra su una singola scheda di grandi dimensioni, ma i suoi numeri pubblicati sono costantemente peggiori sulle stesse tabelle — long-audio Chain 10,56 contro 12,31, LongAudioSpan 35,45 contro 41,12, URO-Bench-Pro 54,15 contro 81,92 — quindi è un prodotto diverso, non uno più economico.

MiniCPM-V 4.7 35B-A3B costa quanto un telefono, o una singola GPU, o assolutamente nulla se sono i tuoi utenti a portare il dispositivo. Ha un ecosistema attivo che Ming non ha: varianti GGUF, FP8, int4, GPTQ e AWQ pubblicate nel giro di pochi giorni, un modello draft per la decodifica speculativa DSpark, supporto in llama.cpp e Ollama oltre che in vLLM e SGLang, 76.000 download e oltre mille like sul repository principale. A prescindere dal resto, questo è un modello che altri stanno già usando.

Quella differenza nell'adozione è il dato più rilevante ai fini della decisione nell'articolo e non ha nulla a che vedere con la qualità. Un modello con 76.000 download ha una community che si è già imbattuta nel tuo bug. Un modello con 22 download ha un repository e una card.

Allora dove si incontrano?

In esattamente un'architettura: un'applicazione che deve sia ascoltare sia vedere. Il caso ovvio è una pipeline di assistenza o conformità — una chiamata registrata in mandarino con un parlante di un dialetto, più un modulo scansionato che il chiamante ha caricato, e un riassunto che deve collegare i due. Ming trascrive e risponde a domande sull'audio; MiniCPM legge il modulo ed estrae i campi. Nessuno dei due può fare la metà dell'altro, e il collegamento tra loro è il testo.

Quel punto di giunzione è la parte che la maggior parte dei team sottovaluta. Due checkpoint open-weight significano due revisioni delle licenze, due scenari di deployment, due modalità di guasto e una chiamata in più al modello per decidere quale documento va dove. Il percorso di Ming è Transformers con trust_remote_code=True e una soglia minima di memoria nell'ordine delle centinaia di gigabyte; quello di MiniCPM è un file quantizzato su un laptop. Il contrasto operativo tra le due metà della stessa pipeline è maggiore del contrasto tra la maggior parte dei modelli concorrenti.

Il livello di routing e i suoi limiti

OrcaRouter non ospita nessuno dei due checkpoint. Entrambi sono pesi aperti che esegui tu stesso, nessuno dei due è nel nostro catalogo, e nessuna frase qui va intesa come un'offerta di endpoint. Ciò che un router raggiunge davvero è il tessuto connettivo: il classificatore che decide se un asset in arrivo è audio o immagine e lo invia al nodo giusto, il prompt che inquadra l'estrazione, il riassuntore che fonde i due output in un unico report.

Quelle sono normali chiamate di testo, e la ragione per metterle dietro un'unica API per più di 200 modelli con 0% di ricarico è semplice — il prezzo di listino del provider viene passato così com'è, quindi un taglio di prezzo del fornitore è attivo dalla nostra parte lo stesso giorno, una sola chiave invece di tre contratti. Il DSL di routing è il tassello che si adatta a questo problema specifico: una pipeline con un ramo per l'audio e un ramo per le immagini è un problema di routing prima ancora che un problema di modello, e il failover automatico mantiene vivo il dispatcher quando il modello di classificazione ha un intoppo, che è l'unica chiamata della catena che non puoi permetterti di perdere.

Il limite è altrettanto semplice. Il routing non fa sì che un checkpoint da 259 GB venga ospitato, né trasforma un modello di visione delle dimensioni di un telefono in un sistema ASR.

La versione breve

Ming-3.0-audio-flash è il modello più ambizioso e quello meno utilizzabile oggi: riconoscimento vocale del cinese dialettale migliore di qualsiasi altro con numeri pubblicati nella sua categoria, nessuna verifica indipendente, nessuna integrazione di serving unita e un requisito hardware che lo mette fuori portata per chiunque non abbia un nodo GPU. MiniCPM-V 4.7 35B-A3B è il prodotto più rifinito: una scheda, quantizzazioni, supporto ai framework, una proposta on-device davvero innovativa e una comunità. È anche un modello di visione, il che significa che non può fare ciò per cui esiste l'altro.

Scegli in base alla modalità e il confronto richiede trenta secondi. Scegli in base all'ambizione e passerai un mese a scoprire che quello ambizioso ha 22 download.