Ming-3.0-audio-flash vs InternLumina U2: 조용한 두 척의 배, 정반대의 서류 작업

이 두 모델은 모두 보도자료 없이 공개되었으며, 유사점은 대략 거기서 끝난다. Ming-3.0-audio-flash는 2026년 9월 3일 Hugging Face에 259GB의 가중치로 거의 아무 문서도 없이 올라왔고, 10월 19일에야 제대로 된 모델 카드를 받았다. InternLumina-U2는 반대 방향이었다. 상하이 AI 연구소는 2026년 9월 1일 추론 코드와 프로젝트 페이지를 공개하고 가중치를 약속했으며, 나중에 하드웨어별 폴더로 제공했다. 한 팀은 결과물을 먼저 내놓고 설명은 6주 뒤에 했다. 다른 쪽은 설명을 먼저 쓰고 결과물을 기다리게 했다. 어느 쪽도 아무것도 발표하지 않았고, 어느 쪽에도 독립적인 벤치마크가 없으며, 어느 쪽도 다른 쪽을 대체할 수 없다 — 하나는 듣고, 다른 하나는 보고 그린다. 이와 같은 비교의 배경이 되는 문서화된 AI 실패 및 조용한 공개 사건들은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰 등급, 이의 제기 플래그가 함께 표시된다.

즉 이는 오픈 멀티모달 모델이 무엇을 위한 것인지에 대한 서로 다른 두 가지 베팅과, 그것을 공개하는 서로 다른 두 가지 습관을 동시에 비교하는 셈이다. 후반부는 들리는 것보다 더 유용한데, 서류 작업이 바로 그걸 화요일에 배포할 수 있는지 알려주기 때문이다. 아래 내용은 모두 두 저장소와 그 카드에서 나온 것이다. Ming의 수치는 inclusionAI 자체의 것이고, InternLumina의 수치는 Shanghai AI Lab의 것이며, 해당 카드에서는 이를 "잠정적이고 부분적인 결과"라고 표시한다. 어느 쪽도 제3자의 평가를 받은 적은 없다.

두 릴리스 타임라인을 나란히 비교

날짜는 여기에서 입수할 수 있는 가장 객관적인 증거이므로, 날짜부터 시작하세요.

• 2026년 9월 1일 04:03 UTC — GitHub 저장소 InternLM/InternLumina-U2가 생성됩니다. 13분 후 같은 이름의 Hugging Face 저장소가 나타나며, .gitattributes와 README 스텁을 담고 있습니다. 그날의 릴리스는 코드입니다: 작업별 섹션이 있는 드라이버 스크립트 하나, 영어와 중국어로 된 README, 그리고 로드맵.

• 2026년 9월 3일 11:45 및 11:49 UTC — inclusionAI가 Hugging Face에 다음을 생성합니다: Ming-3.0-audio-tiny와 Ming-3.0-audio-flash를. 9분 후 25개의 샤드가 flash 저장소에 도착합니다. 함께 제공된 README의 제목은 "Ming Audio V3"였고 ASR 경로만 설명했습니다.

• 2026년 10월 13일부터 19일까지 — Ming 저장소는 7일 동안 네 번 변경됩니다: 컨텍스트를 8,192에서 131,072로 높이는 구성, 비디오-언어 변형을 제거한 재업로드, 음성 프리셋 폴더, 그리고 마지막으로 카드, 에셋 및 MIT 재라이선스. inclusionAI/Ming-3.0-audio-flash가 10월 15일 GitHub에 등장합니다.

• 2026년 9월 24일 이후 언젠가 — internlm/InternLumina-U2가 Hugging Face에서 스텁 상태를 벗어나 두 개의 체크포인트 트리를 갖추게 됩니다, ascend/ 및 nvidia/, 각각 7개 샤드, 총 약 67.6GB 저장소, 하드웨어 트리당 약 33.8GB. 저장소는 9월 24일에 마지막으로 수정되었습니다. 카드 재작성도, 숫자가 포함된 벤치마크 표도, 기술 보고서도 없습니다.

패턴은 뒤집혀 있고, 실질적인 결과도 뒤집혀 있다. Ming의 가중치는 9월 초부터 설정 파일을 읽을 의사가 있는 사람이라면 누구나 실행할 수 있었지만, 문서는 존재하지 않았다. InternLumina의 문서는 첫날부터 존재했지만 가중치는 없었고, 가중치가 도착했을 때에도 카드가 약속한 비교 표는 함께 오지 않았다.

각 모델이 실제로 무엇을 하도록 만들어졌는지

Ming-3.0-audio-flash는 네이티브 오디오-언어 전문가 혼합 모델입니다. 전체 파라미터는 1,260억 개이고, 추론 단계당 65억 개가 활성화되며, 오디오 인코더와 프로젝터가 512명의 전문가와 토큰당 8명의 활성 전문가를 갖춘 42층 백본에 입력을 공급합니다. 어휘 크기는 157,184토큰이고, 32층, 너비 1,280, 128개 mel 빈을 갖춘 Whisper 스타일 오디오 타워가 있습니다. 입력은 오디오와 텍스트 지시문입니다. 출력은 텍스트이거나, 내장 중국어 음성과 저장소의 두 참조 클립을 갖춘 선택적 Talker 모듈을 통한 텍스트와 합성 음성입니다. 선언된 컨텍스트는 128K이며, 카드의 서빙 프로필은 텐서 병렬 방식의 80GB H800 8개입니다.

InternLumina-U2는 활성 매개변수 10억 개를 갖춘 160억 매개변수 희소 전문가 혼합 모델로, 자기회귀 모델이 아닌 확산 언어 모델로 구축되었습니다. 즉, 토큰을 왼쪽에서 오른쪽으로 내보내는 대신 전체 시퀀스를 병렬로 정제합니다. 시각적 표현은 완전히 이산적입니다. Apple의 AToken 토크나이저에서 나온 시각 토큰의 8개 코드북으로 구성되며, 입력 측에서는 위치당 하나의 백본 토큰으로 연결되고 출력 측에서는 코드북별로 예측됩니다. 이 설계의 핵심은 통합입니다. 텍스트 질의응답, 이미지 이해, 이미지 편집, 텍스트-이미지 생성, 비디오 이해, 3D 이해가 모두 LLaDA-2.0 확산 백본 위에서 동일한 어휘와 동일한 가중치를 통해 실행됩니다.

두 설명을 함께 읽으면 비교는 한 문장으로 귀결된다. Ming-3.0-audio-flash는 매우 크면서 하나의 모달리티를 깊이 다루는 전문가다. InternLumina-U2는 총 파라미터 기준으로 작으면서 다섯 가지를 적당히 해내려는 범용가다. 어느 설계도 다른 쪽의 타협이 아니다. 두 설계는 서로 다른 질문에 대한 답이다.

각각을 토큰으로 바꾸는 것, 바로 그것이 진짜 차이입니다

매개변수 수만 읽으면 Ming이 그 모델의 여덟 배라고 결론 내리게 될 것이다. 그런 해석은 양쪽 방향 모두에서 틀렸으며, 그 이유는 각자가 드러내는 인터페이스에 있다.

• 입력 — Ming-3.0-audio-flash: 오디오 및 텍스트. InternLumina-U2: 텍스트, 이미지, 비디오 프레임 및 3D 에셋.

• 출력 — Ming-3.0-audio-flash: 텍스트, 선택적으로 음성. InternLumina-U2: 텍스트, 이미지, 편집된 이미지; 오디오, 비디오, 3D 생성은 지원하지 않습니다.

• 디코딩 — Ming-3.0-audio-flash: 157,184개 토큰 어휘를 대상으로 하는 자기회귀 방식. InternLumina-U2: 이산 다중 코드북 시각 어휘를 대상으로 하는 블록 확산 방식.

• 총 매개변수 대 활성 매개변수 — Ming-3.0-audio-flash: 총 126B, 활성 6.5B. InternLumina-U2: 총 16B, 활성 1B.

• 디스크 상의 가중치 — Ming-3.0-audio-flash: 25개 샤드에 걸쳐 대략 {{1}}259 GB{{/1}}이며, 여기에 Talker와 VAE가 더해집니다. InternLumina-U2: 리포지토리 내 67.6 GB로, 각각 7개 샤드와 약 33.8 GB로 구성된 두 개의 하드웨어 트리로 분할되어 있습니다.

• 라이선스 — 정신상으로는 둘 다 MIT에 가깝지만 실제로는 다릅니다: Ming-3.0-audio-flash는 해당 카드에 따라 MIT이고, InternLumina-U2는 저장소와 카드에 따라 Apache-2.0입니다.

• 독립적 평가 — 어느 쪽도 없음.

하드웨어, 바로 여기서 둘이 가장 크게 갈린다

InternLumina-U2의 가장 흥미로운 엔지니어링 주장은 아키텍처가 아니라 백엔드 이야기다. 이 저장소는 Ascend 트리와 NVIDIA 트리를 모두 제공하며, 연구소는 학습, 평가, 추론이 화웨이 NPU와 NVIDIA GPU 양쪽에 맞게 조정되었고 이들 사이에 연산자 수준의 수치 정렬이 이루어졌다고 밝힌다. 조달이 비 NVIDIA 가속기를 거치는 사람에게 이는 실질적인 차별점이며 파일 트리에서 확인할 수 있다: 각기 자체 설정, 토크나이저, 병렬화 계획을 갖춘 두 개의 완전한 체크포인트 디렉터리가 있다.

Ming-3.0-audio-flash에는 그런 사례가 없습니다. 기준 구성은 80GB H800 8개이며, 검증된 대안은 텍스트만 반환하는 4-GPU SGLang 프로파일입니다. 저장소에는 NPU 경로가 없고, 총 9.3B·활성 2.7B의 작은 형제 모델이 노드를 투입할 수 없는 사람을 위한 답입니다.

두 모델 모두 현대적 의미에서는 pip 설치가 아니라 배포 프로젝트입니다. InternLumina의 자체 자료에는 생성 경로가 표준이 아니라는 점이 명시되어 있습니다. 블록 확산 generate API는 Transformers generate 인터페이스가 아니고, AToken 토크나이저는 FlashAttention을 요구하며, 3D 파이프라인은 토큰화 전에 Blender 4.5가 GLB 자산을 뷰로 렌더링할 것을 기대합니다. Ming의 경로는 더 관습적입니다 — AutoProcessor + AutoModelForCausalLM 및 trust_remote_code=True — 하지만 메모리 하한은 여덟 배 더 높습니다.

공급업체 수치가 말해 주는 것과 말해 줄 수 없는 것

어느 표도 다른 표와 비교할 수 없습니다. 두 모델이 단 하나의 벤치마크도 공유하지 않기 때문입니다. 이는 회피가 아니라 증거의 정직한 형태입니다.

inclusionAI의 평가 이미지에서 Ming-3.0-audio-flash는 중국어 ASR 평균 오류율 3.45, 영어 평균 3.69, 방언 평균 9.40, MMAR 74.40, BigBenchAudio 99.40을 보고합니다. 같은 이미지는 이 모델이 어디서 뒤처지는지도 보여줍니다. AMI 화자 분리 오류는 25.29로 MiMo-V2.6 Pro의 11.16에 대비되며, 장시간 오디오 Chain 점수는 12.31로 Qwen3.8-Omni Flash의 34.54에 대비됩니다. 텍스트 벤치마크는 이 카드에서 가장 약한 부분입니다. GPQA Diamond 82.45, MMLU-Pro 80.00, IFBench 59.00인데, 이는 6.5B 활성 오디오 전문 모델이 산문으로 추론하도록 요청받았을 때의 모습입니다.

InternLumina-U2의 카드에는 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, GenEval 0.81이 보고되어 있으며, 그러면서도 스스로의 발목을 잡는다. 프로젝트 페이지 자체의 표에는 LLaDA2.0-Uni가 GenEval 0.89로, LLaDA2.0-Uni를 능가한다고 주장하는 모델보다 더 우수하게 나와 있기 때문이다. 카드의 대표적인 유의 문구인 "예비적이고 부분적인 결과입니다. 전체 비교 표는 다가오는 기술 보고서에 실릴 예정입니다."는 오늘날에도 여전히 사실이다. 기술 보고서는 없다.

두 수치 집합을 함께 놓고 보면互补적인 강점과 하나의 공통된 약점이 드러납니다. 즉, 둘 중 어느 것도 그것을 훈련시킨 연구실 밖의 누구에 의해서도 재현되지 않았습니다.

어느 것, 어느 독자를 위한 것인가

제품에 음성이 포함된다면 — 방언 지원을 갖춘 회의 전사, 콜센터 오디오, 음성 답변, 더빙 — Ming-3.0-audio-flash는 둘 중 해당되는 유일한 모델이며, 솔직히 말해 해당 클래스에서 이렇게 구체적인 방언 수치를 공개한 유일한 오픈 웨이트 모델입니다. 노드 하나를 염두에 두고 계획하거나, 작은 형제 모델로 시작해 긴 오디오 점수가 더 약하다는 점을 감수하세요.

제품이 이미지를 다룬다면 — 문서 읽기, 차트 QA, 편집, 3D 에셋 설명, 또는 읽기와 그리기를 모두 하는 단일 모델 — InternLumina-U2가 해당되는 유일한 모델이며, NVIDIA를 구매하지 않는다면 Ascend 트리는 살펴볼 만한 진짜 이유입니다. 토크나이저와 싸울 준비를 하세요.

둘 다 필요하다면 두 개의 모델을 실행하고 있는 것이며, 흥미로운 질문은 운영의 문제가 됩니다. 두 개의 체크포인트, 두 개의 툴체인, 두 세트의 라이선스 조건, 하나의 멀티모달 제품입니다. 이것이 2026년 말 오픈 웨이트 작업의 정상적인 상태이며, 라우팅이 존재하는 이유이기도 합니다.

라우팅 계층, 좁게 말하자면

OrcaRouter는 두 체크포인트 모두 제공하지 않습니다. Ming-3.0-audio-flash와 InternLumina-U2는 모두 직접 실행하는 오픈 웨이트 모델이며, 둘 다 저희 카탈로그에 없고 저희 API 호출에도 나타나지 않습니다. 저희가 제공하는 것은 그 주변의 텍스트 작업입니다: 이미지 편집 지시의 틀을 잡는 프롬프트, Ming 전사본을 구조화된 노트로 바꾸는 요약기, 들어오는 에셋을 두 모델 중 어디로 보내야 할지 결정하는 분류기입니다.

마지막 조각이야말로 이름을 붙일 만한 부분이다. 음성과 비전을 함께 처리하는 파이프라인은 결국 라우팅 결정에 이르게 된다. 오디오는 Ming 노드로, 이미지는 InternLumina 노드로 보내는 식이다. 그리고 그 결정은 여느 때와 마찬가지로 하나의 모델 호출이다. 이를 0% 마크업으로 200개 이상의 모델을 아우르는 단일 API 뒤에 두면, 제공업체의 정가가 그대로 전달되고 디스패처도 다른 모든 것과 동일한 키를 유지하게 된다. 자동 페일오버도 여기서 중요하다. 자체 호스팅 체크포인트 때문이 아니라, 그 체크포인트에 입력을 공급하는 분류 단계 때문이다. 라우터의 모델이 성능이 저하되면 폴백은 망가진 파이프라인이 아니라 다른 모델이어야 한다.

그중 어느 것도 259GB 체크포인트를 호스팅 서비스로 만들어 주지 않으며, 그렇지 않다고 암시하는 것은 오해를 불러일으킬 것입니다.

다음에 볼 콘텐츠

Ming-3.0-audio-flash의 경우, 저장소에 라이선스 파일이 없고(현재 MIT는 카드 메타데이터에 있음) 오디오-언어 경로에 대한 서빙 통합도 빠져 있습니다. vLLM-Omni는 이전 Ming 세대를 지원하며 7.9B TTS 모델에 대한 열린 풀 리퀘스트가 있지만, 126B 리더에는 병합된 것이 없습니다. InternLumina-U2의 경우, 빠진 것은 기술 보고서와 그것이 약속한 전체 표입니다. 그때까지 LLaDA2.0-Uni 대비 GenEval 행이 누구나 확인할 수 있는 유일한 교차 모델 비교이며, 그것은 더 새로운 모델에 유리하지 않습니다.

두 릴리스의 공통점은 어느 한쪽의 격차보다 더 유용하다. 역량 있는 두 연구소가 상당한 오픈웨이트 멀티모달 모델을 공개하고도 아무에게도 알리지 않았다. 그것은 모델이 나쁘다는 신호가 아니라, 릴리스 발표가 선택 사항이 되었고 이제 저장소가 주요 출처라는 신호다. 읽어 보라.