Ming-3.0-audio-flash, 자체 모델 카드보다 6주 앞서 출시되다

1,260억 개 매개변수 규모의 오디오-언어 모델이 2026년 9월 3일부터 Hugging Face에서 다운로드할 수 있었지만, 그 성과라고는 다운로드 22회와 좋아요 8개뿐이다. 이번 주까지 이 저장소에 붙어 있던 유일한 설명은 스스로를 "Ming Audio V3"라고 부르며 해당 저장소가 "현재 ASR 경로를 문서화하고 있다"고 적은 오래된 카드였다. Ming-3.0-audio-flash가 이제 사용하는 이름이다. 가중치는 새롭지 않다. 2026년 10월 13–19일에 걸쳐 도착한 것은 모델을 직접 훈련하지 않은 사람도 체크포인트를 사용할 수 있게 만드는 모든 요소다: 마침내 128K 컨텍스트를 내세우는 설정, Transformers 5 코드 경로에서 비디오-언어-오디오 모델을 오디오 전용 모델로 바꾸는 재업로드, 참조 클립 두 개가 담긴 음성 팩, 그리고 이 저장소가 처음으로 갖춘 진짜 모델 카드다. inclusionAI는 이 중 어느 것도 발표하지 않았다. 어떤 제3자도 이 모델에 대한 수치를 단 하나도 공개하지 않았으므로, 아래의 모든 내용은 커밋 기록에서 직접 읽어낸 것이거나 공급업체 자체의 평가 이미지에서 인용한 것이다. 그래서 이 모델은 9월의 것이고 문서만 이번 주의 것이라고 맨 앞에서 말해 둘 가치가 있다. 이와 같은 릴리스의 배경에 있는 문서화된 AI 실패와 에이전트 사건은 the OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급 및 이의 제기 여부 플래그가 함께 제공된다.

무엇이 바뀌었고, 언제인가요?

커밋 로그는 유난히 읽기 쉽고, 모델 카드가 말해주지 않는 이야기를 들려준다. 저장소는 2026년 9월 3일 11:49 UTC에 파일 하나, 즉 .gitattributes만을 담은 채로 생성되었다. 9분 뒤, 총 257 GB에 달하는 25개의 safetensors 샤드가 "Add files using upload-large-folder tool"이라는 제목의 커밋으로 들어왔는데, 이는 제품팀이 출시를 준비하는 모습이 아니라 학습팀이 체크포인트를 밀어 넣을 때 나타나는 전형적인 특징이다. 함께 포함된 README는 Apache 2.0을 선언했고, 저장소에 automatic-speech-recognition 태그를 달았으며, 모델을 trust_remote_code=False로 인스턴스화하라고 안내했다.

그 후 저장소는 6주 동안 잠잠했다. 다시 움직였을 때는 7일 동안 네 번 움직였다.

• 10월 13일 12:17 UTC — "config.json 업로드." 파일 하나, 그것도 흥미로운 파일입니다: max_position_embeddings 값이 8,192에서 131,072로 바뀝니다. 저장소의 다른 어떤 것도 변하지 않았기에, 이틀 동안 이 저장소는 128K 컨텍스트를 내세웠지만 그것을 사용할 수 있는 모델링 코드는 없었습니다.

• 10월 15일 09:35 및 09:40 UTC — "사용 중단된 파일 제거"에 이어 "업데이트된 모델 업로드". 가중치 레이아웃은 변경되지 않았지만 46개 파일이 다시 작성되었고 첫 번째 샤드는 10.64 GB에서 9.77 GB로 줄었다. 설정의 audio model_type이 bailing_moe_v3_vl_audio에서 bailing_moe_v3_audio로 바뀌었고, 남아 있던 video_patch_token이 삭제되었으며, 선언된 transformers_version은 4.56.2에서 5.14.1로 뛰었고, auto_map에는 이전에 없던 AutoModel 및 AutoProcessor 항목이 추가되었다. 같은 푸시에서 README와 examples/ 폴더가 사라졌다 — 이후 나흘 동안 저장소에는 모델 카드가 전혀 없었다.

• 10월 17일, 11:44 UTC — "음성 프리셋 추가." 새로운 voice_presets/ 폴더가 다음 파일들과 함께 나타납니다: US_James.wav, 灵楷.wav, 그리고 전사 내용을 담은 voice_prompts.json 파일이 있습니다.

• 10월 19일 11:35 UTC부터 — "Add model card," 그다음 assets, 이어서 내비게이션과 링크 정렬을 다듬는 십여 개의 작은 커밋이 있었고, 13:20 UTC에 "Add Tiny model link."로 끝났습니다. 이 커밋은 모델 이름을 바꾸고, 라이선스 메타데이터를 MIT로 변경하고, ASR 경로가 아닌 전체 오디오-언어 모델을 설명하는 8,259바이트 카드를 추가한 커밋입니다. 이것이 대체한 README는 나흘 전에 삭제되었습니다. 그 이전 버전인 9월의 것은 "Ming Audio V3"라는 제목이었고 Apache 2.0을 선언했습니다.

알아둘 만한 두 번째 저장소가 있습니다. Ming-3.0-audio-tiny는 플래시 모델과 같은 시점인 9월 3일 11:45 UTC에 만들어졌고, 10월 19일에는 같은 처리를 받았습니다. 더 작은 형제 모델로, 총 파라미터 9.3B에 활성 2.7B, MIT, 4개 샤드에 걸쳐 약 21 GB, 다운로드 3회입니다.

실제로 다운로드할 수 있는 것

설정이 공개되어 있으므로 아키텍처는 수수께끼가 아닙니다. 이번 주에 달라진 점은 설정과 코드가 마침내 일치한다는 것입니다. 사용자 정의 모델링 파일은 첫 업로드부터 저장소에 있었습니다 — modeling_bailing_moe_v3_audio.py 및 processing_bailing_moe_v3_audio.py는 둘 다 9월 3일에 있었습니다 — 하지만 그것들이 로드해야 했던 설정은 8K 윈도우를 가진 비디오-언어-오디오 모델을 설명했고, 카드는 trust_remote_code=False로 인스턴스화하라고 했는데, 이는 사용자 정의 코드에 필요한 것과 정반대입니다. 10월 15일 재업로드본은 audio_config.model_type이 bailing_moe_v3_audio로 표시되고, 비디오 패치 토큰은 사라졌으며, 선언된 런타임은 transformers_version 5.14.1이고, auto_map은 AutoModel 및 AutoProcessor를 항상 있던 두 항목과 함께 등록하는 버전입니다.

• 크기 — 언어 모델용 bfloat16 safetensors 샤드 25개(총 256GB)와 3GB의 Talker 및 VAE 쌍이 talker/ 아래에 있습니다. 초소형 모델은 샤드 4개로 약 21GB입니다.

• 백본 — 42개 레이어, 히든 크기 2,560, 전문가 512개(토큰당 8개 활성), 어휘 157,184. 카드에 따르면 총 126B이며 추론 단계당 6.5B가 활성입니다.

• 오디오 타워 — 32개 레이어, 너비 1,280, 20개 헤드, 128개 멜 빈, 3,000프레임 오디오 컨텍스트를 갖춘 Whisper 스타일 인코더. 오디오 토큰 id는 157,168입니다.

• 컨텍스트 — 131,072개 포지션. 9월 3일 구성에서는 8,192였고, 이를 처음 높인 10월 13일 구성도 여전히 스스로를 bailing_moe_v3_vl_audio라고 칭했으며 여전히 비디오 패치 토큰을 포함하고 있었습니다. 깨끗한 오디오 전용 버전은 10월 15일 버전입니다.

• 출력 — 텍스트 또는 선택적 {{1}}Talker{{/1}}를 통한 텍스트와 합성 음성. 이 카드는 기본 IP 음성인 {{2}}灵小柔{{/2}}와, 오디오와 전사본이 모두 저장소에 있는 두 가지 사전 설정 참조 음성인 灵楷 및 US_James를 명시합니다.

• 라이선스 — MIT. 10월 19일까지는 Apache 2.0이었습니다. 참고로 저장소 자체에는 LICENSE 파일이 없습니다: MIT 표기는 카드의 메타데이터와 GitHub 경로 링크에 있으며, 저장소에 실제로 존재하는 유일한 라이선스 텍스트는 talker/data/.

빠른 시작은 아직 해결되지 않습니다

이것은 모델을 평가하려는 독자가 무엇보다 먼저 알아야 하는 부분인데, 카드에는 없습니다. 카드의 설치 블록은 github.com/inclusionAI/Ming-3.0-audio-flash를 클론합니다. 그 URL은 현재 웹과 API 양쪽 모두에서 HTTP 404를 반환합니다. 카드가 그 위에 구성한 모든 경로도 마찬가지입니다: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, 그리고 requirements-transformers.txt.

Hugging Face 저장소에도 그런 것들은 존재하지 않습니다. 이 저장소에는 examples/ 디렉터리가 없으며 — 이전의 디렉터리는 9월 17일에 삭제되었습니다 — scripts/도, docs/도, talker/ 외부의 requirements 파일도 없습니다. 대신 이 저장소에는 Transformers로 모델을 직접 로드하는 데 필요한 모든 것이 포함되어 있으며, 모델 카드에서도 이를 Python 스니펫으로 문서화하고 있습니다: AutoProcessor와 use_fast=False, bfloat16의 AutoModelForCausalLM와 device_map="auto", trust_remote_code=True, 그리고 processor(messages)를 통해 오디오를 전달하고 audio_feats를 모델 dtype으로 캐스팅합니다.

그래서 솔직한 현황은 이렇습니다: 모델은 로드되지만, 현재 독자가 읽을 수 있는 서빙 스크립트는 존재하지 않으며, 카드는 아직 게시되지 않은 저장소를 설명하고 있습니다. 그것은 스캔들이 아닙니다 — 코드 푸시 몇 시간 전에 문서가 도착하는 것은 흔한 일입니다 — 하지만 아래의 두 배포 레시피는 검증할 수 없고 인용만 할 수 있다는 뜻입니다. 이 체크포인트를 검토하는 사람은 누구나 Transformers 경로를 기준으로 계획해야 하며, 읽어야 할 파일은 modeling_bailing_moe_v3_audio.py이며, 원격 코드를 활성화하기 전에 읽어야 합니다. 카드 자체가 그렇게 권고합니다.

확인할 수 있는 것은 토큰화 계약이며, 카드는 그 점에 대해 유난히 구체적이다. 검증된 ASR 프롬프트는 모델에게 발화 언어의 이름을 밝히고 언어 레이블과 전사 사이에 탭을 넣으라고 요구한다. 평가 하네스를 작성하고 있다면, 그 탭이 곧 파서다. 일반적인 "이것을 전사하라" 프롬프트는 공급업체가 측정한 구성이 아니다.

inclusionAI가 공개한 표, 그것이 잃는 열들까지 포함

PNG 이미지 세 장이 assets/에 있으며 평가를 담고 있습니다. 그 안의 모든 수치는 inclusionAI 자체 실행 결과이며, 별표는 벤더가 자체 평가라고 표시한 항목을 나타내고, 그중 어느 것도 제3자에 의해 재현되지 않았습니다. Artificial Analysis는 오디오 리더보드를 게시하지만 이 모델에 대한 항목은 없습니다. 아레나 점수도, 독립적인 Elo도, 제2의 의견도 없습니다 — 그러므로 다음 내용은 벤더가 자사 모델을 설명하는 것으로 읽어야 하며, 그것이 바로 이 글의 정체입니다.

음성 인식 부문의 모습은 이 사례에서 가장 강력한 부분이며, 이 모델이 분명히 겨냥해 만들어졌음이 드러나는 축에서 강력하다. 중국어 테스트 세트에서 평균했을 때 flash 모델은 3.45를 기록한 반면 Qwen3.8-Omni Flash는 3.54, Gemini 3.8 Flash는 9.83이었다. 영어에서는 3.69 대 4.02, 5.05였다. 방언에서는 격차가 급격히 벌어진다:

• 방언 평균 — 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 — 동일한 세 항목의 49.95, 28.08, 81.62에 비해 12.84.

• 상하이어 — 26.32, 21.10, 88.64에 비해 11.15.

• 광둥어 — 6.64, 4.76, 42.62 대비 4.09. 이 항목은 Qwen3.8-Omni Flash와 거의 무승부에 가깝고 Gemini 3.8 Flash에는 압승이다.

• 후베이 — 9.46 대 11.35, 7.75, 48.24. Qwen3.8-Omni Flash가 이 행에서 이겼는데도 벤더는 그대로 인쇄했다.

• 후난 — 8.76 대 20.30, 17.11 및 71.39.

같은 그림은 작업이 전사가 아닌 영역으로 넘어가면 덜 우호적으로 보입니다. 화자 분리에서 AISHELL-4는 flash 모델의 화자 분리 오류율이 8.58인 반면 Qwen3.8-Omni Flash는 2.80이라고 보고합니다. AliMeeting은 8.66 대 3.40, AMI는 25.29 대 MiMo-V2.6 Pro의 11.16입니다. 당신의 문제가 "무엇을 말했는가"가 아니라 "누가 언제 말했는가"라면, 이것은 벤더 자체 표가 권장하는 모델이 아닙니다. AMI의 장문 연쇄 최소 순열 문자 오류율도 같은 이야기를 합니다. flash 모델은 39.62인 반면 MiMo-V2.6 Pro는 30.91, Qwen3.8-Omni Flash는 23.19입니다.

오디오 지능 지표에서는 논거가 약해진다. 이 모델은 대표 항목에서는 앞선다 — BigBenchAudio 99.40, MMAU 82.00 — 하지만 짧은 녹음을 묘사하는 대신 긴 녹음 전반에 걸쳐 추론해야 하는 작업에서는 거의 모든 부분에서 밀린다.

• LongAudioSpan — 41.12, Seed2.0 Lite의 50.26 및 Qwen3.8-Omni Flash의 66.40과 비교.

• 롱 오디오 Chain 점수 — 12.31로, Qwen3.8-Omni Flash의 34.54, 해당 모델의 사고 모드 48.70, Gemini 3.8 Flash의 49.63과 대비됩니다. 이는 벤더가 공개하기로 선택한 지표에서 네 배에 달하는 격차입니다.

• MMAR — Seed2.0 Lite의 77.70 대비 74.40. MMSU — 82.10 대비 78.82. AudioMarathon — 70.06 대비 68.41.

• 도구 호출 — BFCL-v3 Audio 81.40 (Seed2.0 Lite 75.08, Gemini 3.8 Flash 86.68 대비)

텍스트 벤치마크는 가장 놀랍지 않으면서 가장 유용합니다. 모델이 무엇이 아닌지를 말해주기 때문입니다. 일반 추론에서 flash 모델은 거의 모든 행에서 비교 대상인 omni 모델들보다 낮습니다. GPQA Diamond는 82.45로 Qwen3.8-Omni Flash의 91.00보다 낮고, MMLU-Pro는 80.00 대 87.70, IFBench는 59.00 대 81.50, LiveCodeBench v6는 79.90 대 92.60, AA-LCR은 73.90 대 80.00입니다. 백본은 126B 파라미터 규모를 두른 6.5B 활성 오디오 전문 모델이며, 텍스트 표는 그것이 외부에서 보이는 모습입니다. 회의를 듣고 후속 코드까지 작성하는 하나의 모델을 원한다면, inclusionAI 자체 수치로 볼 때 이 모델이 후반부를 담당할 것이라고 기대해서는 안 됩니다.

운영하는 데 드는 비용

두 가지 서빙 프로필이 제시되어 있지만, 아직 어느 것도 감사 가능하지 않다. 128K 컨텍스트용 참조 vLLM-Omni 프로필은 80GB H800 GPU 8개에 걸친 텐서 병렬화를 사용한다. 검증된 SGLang 프로필은 GPU 4개를 사용하며 텍스트만 반환한다. 이는 공급업체의 구성일 뿐 측정값이 아니며, KV 캐시를 고려하기 전에도 가중치가 256GB이므로 이보다 작은 버전은 존재하지 않는다. 저장소가 9월에 배포한 8K 구성도 메모리 하한을 바꾸지 못했을 것이다. 하한은 체크포인트이기 때문이다.

실용적으로 해석하면 이것은 워크스테이션 모델이 아니라 클러스터 모델입니다. GPU 4개는 대략 본격적인 GPU 노드 하나의 비용이고, 80GB 8개는 완전히 다른 예산 항목입니다. Ming-3.0-audio-tiny는 그런 부담 없이 이 패밀리를 시험해 보고 싶은 사람에게 답이 됩니다. 21GB와 활성 파라미터 2.7B면 대형 카드 한 장에 들어가기 때문입니다. 하지만 tiny 모델은 별도의 체크포인트이며, 동일한 표에서 일관되게 더 나쁜 수치를 보입니다(긴 오디오 Chain 점수 10.56 대 12.31, LongAudioSpan 35.45 대 41.12, URO-Bench-Pro 54.15 대 81.92, VoiceBench 74.29 대 86.74). 그리고 제조사는 이 모델의 동작이 그대로 이전된다는 것을 입증하는 자료를 전혀 공개하지 않았습니다.

통합을 계획하는 분이라면 주목할 점: Talker는 선택 사항이며 분리 가능합니다. 카드에는 Talker가 모델 출력으로부터 음성을 생성한다고 설명되어 있고, 프리셋은 자체 requirements 파일과 함께 자체 폴더에 있으므로 텍스트 전용 배포에서는 이를 포함할 필요가 없습니다. 문서화된 두 서빙 프로필 모두 기본적으로 텍스트를 반환합니다.

라우터가 진가를 발휘하는 곳과 그렇지 않은 곳

OrcaRouter는 Ming-3.0-audio-flash를 제공하지 않습니다. 이 모델은 저희 카탈로그에 없으며, 이에 대한 엔드포인트를 제공할 수 없고, 이 글의 어떤 내용도 제공 제안으로 해석되어서는 안 됩니다. 이런 모델을 중심으로 구축된 파이프라인에서 라우터가 유용한 부분은 모델이 아닌 나머지 절반입니다. 음성 시스템은 대부분 텍스트 작업입니다. 오디오에 무엇을 물을지 결정하는 프롬프트, 탭으로 구분된 언어 레이블을 구조화된 출력으로 바꾸는 후처리, 전사본에서 작성하는 요약, GPU 노드가 포화될 때 실행되는 폴백 등이 그렇습니다. 이런 것들은 평범한 텍스트 호출이며, 0% 마크업으로 200개 이상의 모델을 위한 단일 API — 공급자 목록 가격을 그대로 전달하므로 공급업체의 가격 인하가 같은 날 저희 쪽에도 반영됩니다 — 는 네 개의 공급업체 계약보다 연결하기 더 간단합니다. 자동 장애 조치는 새롭고 검증되지 않은 모델을 전체 경로를 걸지 않고 트래픽 일부 뒤에 둘 수 있게 해줍니다.

경계는 분명히 말할 가치가 있습니다. 왜냐하면 이것이 바로 이 글이 가입 박스로 끝나지 않는 이유 전체이기 때문입니다. 직접 보유한 8개 GPU에서 실행하는 259 GB 체크포인트는 인프라이지 API 호출이 아닙니다. 라우터는 호출을 라우팅합니다. 라우터는 클러스터 모델을 호스팅되는 모델로 만들지 않으며, 22건의 다운로드를 프로덕션 증거로 바꾸지도 않습니다.

볼 만한 것

세 가지가 상황을 바꿀 것이며, 각각은 벤치마크와는 다른 방식으로 확인할 수 있다. 첫째, GitHub 저장소: inclusionAI/Ming-3.0-audio-flash가 더 이상 404를 반환하지 않게 되면, 서빙 스크립트와 음성 가이드는 실제가 되고 위의 두 배포 레시피는 감사 가능해진다. 둘째, 독립적인 점수: Artificial Analysis나 아레나가 이 체크포인트를 목록에 올리는 순간, 네 배에 달하는 롱오디오 격차는 벤더의 자체 보고가 아니라 데이터 포인트가 되기 시작한다. 셋째, 라이선스 파일: 메타데이터에 MIT가 선언되어 있으며, 저장소에 LICENSE 파일이 있으면 그것은 주장이 아니라 사실이 된다 — 이 구분은 카드가 아니라 저장소를 읽는 조달 프로세스를 가진 사람에게 중요하다.

그때까지 정확한 설명은 매력 없는 설명이다. 진지한 오디오-언어 체크포인트로, 악센트와 방언이 있는 중국어 음성에서 가장 강하고, 자체 공개 수치로 보면 긴 오디오 추론과 화자 분리에는 약하며, 서류상 MIT 라이선스이고, 디스크에서 약 259GB이며, 이번 주에야 문서화되었다. 6주간의 침묵은 inclusionAI가 문서보다 가중치를 먼저 내놓았다는 것 외에는 아무것도 증명하지 않는다 — 하지만 문서야말로 당신이 무엇을 다운로드하는지 알려주는 부분이며, 이제 마침내 읽을 수 있게 되었다.