Ming-3.0-audio-flash werd zes weken vóór zijn eigen modelkaart uitgebracht

Een audio-taalmodel met 126 miljard parameters is sinds 3 september 2026 te downloaden van Hugging Face, en daar staan 22 downloads en acht likes tegenover. Tot deze week was de enige beschrijving bij de repository een verouderde kaart die zichzelf "Ming Audio V3" noemde en zei dat de repo "momenteel het ASR-pad documenteert." Ming-3.0-audio-flash is de naam die het nu draagt. De gewichten zijn niet nieuw. Wat in de periode 13–19 oktober 2026 verscheen, is alles wat een checkpoint bruikbaar maakt voor iemand die het niet heeft getraind: een configuratie die eindelijk een 128K-context claimt, een herupload die een video-taal-audiomodel omzet in een audio-only model op een Transformers 5-codepad, een stemmenpakket met twee referentieclips, en de eerste echte modelkaart die de repository ooit heeft gehad. inclusionAI heeft niets daarvan aangekondigd. Geen enkele derde partij heeft ook maar één cijfer voor het model gepubliceerd, dus alles hieronder is ofwel rechtstreeks uit de commitgeschiedenis afgelezen ofwel geciteerd uit de eigen evaluatieafbeeldingen van de leverancier — daarom is het de moeite waard om bovenaan te zeggen dat het model uit september stamt en alleen de documentatie van deze week is. De gedocumenteerde AI-fouten en agent-incidenten achter releases zoals deze zijn verzameld in the OrcaRouter AI Incident Archive waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwist-vlag bevat.

Wat is er veranderd, en wanneer

De commitlog is ongewoon goed leesbaar en vertelt een verhaal dat de modelkaart niet vertelt. De repository is aangemaakt op 3 september 2026 om 11:49 UTC met één bestand erin, een .gitattributes. Negen minuten later verschenen 25 safetensors-shards met een totale omvang van 257 GB onder een commit met de titel "Add files using upload-large-folder tool" — het standaardkenmerk van een trainingsteam dat een checkpoint pusht, niet van een productteam dat een lancering voorbereidt. De bijbehorende README vermeldde Apache 2.0, gaf de repo de tag automatic-speech-recognition, en zei dat je het model moest instantiëren met trust_remote_code=False.

Toen werd het zes weken stil rond de repository. Toen er weer beweging kwam, was er vier keer beweging in zeven dagen.

• 13 oktober, 12:17 UTC — "Upload config.json." Eén bestand, en wel het interessante: max_position_embeddings gaat van 8.192 naar 131.072. Niets anders in de repository verandert, dus twee dagen lang adverteerde de repo met een context van 128K zonder dat enige modelleercode die kon benutten.

• 15 oktober, 09:35 en 09:40 UTC — "Verwijder verouderde bestanden", gevolgd door "Upload bijgewerkt model." De gewichtsindeling is niet gewijzigd, maar 46 bestanden zijn herschreven en de eerste shard ging van 10,64 GB naar 9,77 GB. De audio-model_type van de config is gewijzigd van bailing_moe_v3_vl_audio naar bailing_moe_v3_audio; een overgebleven video_patch_token is verwijderd, de gedeclareerde transformers_version is van 4.56.2 naar 5.14.1 gesprongen, en auto_map heeft AutoModel en AutoProcessor-vermeldingen gekregen die er voorheen niet waren. In dezelfde push zijn de README en de map examples/ verdwenen — de daaropvolgende vier dagen had de repository helemaal geen modelkaart.

• 17 oktober, 11:44 UTC — "Voeg stemvoorinstellingen toe." Een map voice_presets/ verschijnt met US_James.wav, 灵楷.wav en een voice_prompts.json met de bijbehorende transcripties.

• 19 oktober, vanaf 11:35 UTC — "Add model card," dan assets, dan een dozijn kleine commits die navigatie en linkuitlijning verfijnen, eindigend om 13:20 UTC met "Add Tiny model link." Dit is de commit die het model hernoemde, de licentiemetadata wijzigde naar MIT en de 8.259 bytes grote kaart toevoegde die een volledig audio-taalmodel beschrijft in plaats van een ASR-pad. De README die het verving, was vier dagen eerder verwijderd; de versie daarvoor, uit september, heette "Ming Audio V3" en vermeldde Apache 2.0.

Er is nog een tweede repository die de moeite waard is om te kennen. Ming-3.0-audio-tiny werd op hetzelfde moment aangemaakt als het flash-model, op 3 september om 11:45 UTC, en kreeg op 19 oktober dezelfde behandeling. Het is het kleinere broertje: 9,3B totale parameters met 2,7B actief, MIT, ongeveer 21 GB verdeeld over vier shards, en drie downloads.

Wat je daadwerkelijk kunt downloaden

De configuratie is gepubliceerd, dus de architectuur is geen mysterie. Wat deze week is veranderd, is dat de configuratie en de code eindelijk overeenkomen. Aangepaste modelleringsbestanden staan al sinds de eerste upload in de repository — modeling_bailing_moe_v3_audio.py en processing_bailing_moe_v3_audio.py waren er beide op 3 september — maar de configuratie die ze zouden moeten laden, beschreef een video-taal-audiomodel met een 8K-venster, en de kaart zei dat je het moest instantiëren met trust_remote_code=False, wat het tegenovergestelde is van wat aangepaste code nodig heeft. De herupload van 15 oktober is de versie waarin audio_config.model_type leestbailing_moe_v3_audio, het videopatchtoken is verdwenen, de gedeclareerde runtime is transformers_version 5.14.1, en auto_map registreert AutoModel en AutoProcessor naast de twee vermeldingen die er altijd al waren.

• Grootte — 25 bfloat16 safetensors-shards met een totaal van 256 GB voor het taalmodel, plus een 3 GB Talker- en VAE-paar onder talker/. Het kleine model is ongeveer 21 GB in vier shards.

• Backbone — 42 lagen, verborgen grootte 2.560, 512 experts met 8 actief per token, vocabulaire 157.184. Dat is 126B totaal en 6,5B actief per inferentiestap, volgens de kaart.

• Audiotoren — een encoder in Whisper-stijl met 32 lagen en breedte 1.280, met 20 aandachtkoppen, 128 mel-bins en een audiocontext van 3.000 frames. De audio-token-id is 157.168.

• Context — 131.072 posities. In de configuratie van 3 september waren dat er 8.192, en de configuratie van 13 oktober die dit voor het eerst verhoogde, noemde zichzelf nog steeds bailing_moe_v3_vl_audio en droeg nog steeds de video-patchtoken; de zuivere audio-only versie is die van 15 oktober.

• Output — tekst, of tekst plus gesynthetiseerde spraak via een optionele Talker. De kaart noemt een standaard IP-stem, 灵小柔, en twee vooraf ingestelde referentiestemmen, 灵楷 en US_James, waarvan zowel de audio als de transcripties in de repo staan.

• Licentie — MIT. Het was Apache 2.0 tot 19 oktober. Merk op dat de repository zelf geen LICENSE-bestand bevat: de MIT-claim staat in de metadata van de kaart en in een link naar een GitHub-pad, en de enige licentietekst die daadwerkelijk in de repo aanwezig is, hoort bij een meegeleverd taalidentificatiemodel onder talker/data/.

De quickstart wordt nog niet opgelost

Dit is het onderdeel dat een lezer die van plan is het model te evalueren als eerste nodig heeft, en het staat niet in de kaart. Het installatieblok van de kaart kloont github.com/inclusionAI/Ming-3.0-audio-flash. Die URL geeft vandaag HTTP 404 terug, zowel via het web als via de API. Dat geldt ook voor elk pad dat de kaart erop bouwt: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, en requirements-transformers.txt.

Geen van die dingen bestaat ook in de Hugging Face-repository. Deze bevat geen examples/-map — een eerdere ervan is op 17 september verwijderd — geen scripts/, geen docs/, en geen requirements-bestand buiten talker/. Wat het wel bevat, is alles wat nodig is om het model rechtstreeks met Transformers te laden, wat de modelkaart ook documenteert als een Python-fragment: AutoProcessor met use_fast=False, AutoModelForCausalLM in bfloat16 met device_map="auto", trust_remote_code=True, en audio die via processor(messages) wordt doorgegeven, waarbij audio_feats naar het dtype van het model wordt gecast.

De eerlijke status is dus: het model laadt, er zijn momenteel geen serving-scripts die een lezer kan lezen, en de kaart beschrijft een repository die nog niet is gepubliceerd. Dat is geen schandaal — documentatie die een paar uur vóór een code-push verschijnt, is heel gewoon — maar het betekent wel dat de twee onderstaande deploymentrecepten niet kunnen worden geaudit, alleen geciteerd. Iedereen die deze checkpoint overweegt, moet de Transformers-route plannen en moet modeling_bailing_moe_v3_audio.py lezen voordat je externe code inschakelt, wat de kaart zelf adviseert.

Wat kan worden gecontroleerd, is het tokenisatiecontract, en de kaart is er ongewoon specifiek over: de gevalideerde ASR-prompt vraagt het model om de gesproken taal te benoemen en een tab tussen het taallabel en de transcriptie te plaatsen. Als je een evaluatieharnas schrijft, is die tab de parser. Een generieke prompt als "transcribe this" is niet de configuratie die de leverancier heeft gemeten.

De tabel die inclusionAI publiceerde, inclusief de kolommen die hij verliest

Drie PNG-afbeeldingen in assets/ bevatten de evaluatie. Elk getal erop is inclusionAI's eigen run; de asterisken markeren vermeldingen die de leverancier als zelfgeëvalueerd bestempelt, en niets ervan is door een derde partij gereproduceerd. Artificial Analysis publiceert audioleaderboards en heeft geen vermelding voor dit model. Er is geen arenascore, geen onafhankelijke Elo en geen second opinion — lees het volgende dus als een leverancier die zijn eigen model beschrijft, en dat is precies wat het is.

De afbeelding voor spraakherkenning is het sterkste onderdeel van de casus, en die is sterk op de as waarvoor het model duidelijk is gebouwd. Gemiddeld over de Chinese testset rapporteert het flash-model 3,45 tegen 3,54 voor Qwen3.8-Omni Flash en 9,83 voor Gemini 3.8 Flash; voor Engels 3,69 tegen 4,02 en 5,05. Bij dialecten wordt de kloof scherp groter:

• Dialectgemiddelde — 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 — 12,84 tegenover 49,95, 28,08 en 81,62 voor dezelfde drie.

• Shanghainees — 11,15 tegen 26,32, 21,10 en 88,64.

• Kantonees — 4,09 tegen 6,64, 4,76 en 42,62. Deze ligt dicht bij een gelijkspel met Qwen3.8-Omni Flash en een afstraffing van Gemini 3.8 Flash.

• Hubei — 9,46 tegen 11,35, 7,75 en 48,24. Qwen3.8-Omni Flash wint deze rij, en de leverancier heeft het toch afgedrukt.

• Hunan — 8,76 tegenover 20,30, 17,11 en 71,39.

Hetzelfde beeld is minder flatteus zodra de taak niet langer transcriptie is. Bij sprekerdiarisatie rapporteert AISHELL-4 een diarisatiefoutpercentage van 8,58 voor het flash-model tegen 2,80 voor Qwen3.8-Omni Flash; AliMeeting 8,66 tegen 3,40; AMI 25,29 tegen 11,16 voor MiMo-V2.6 Pro. Als uw probleem “wie sprak wanneer” is in plaats van “wat er werd gezegd”, is dit niet het model dat de eigen tabel van de leverancier aanbeveelt. Het lange-vorm-geconcateneerde minimum-permutatie-tekenfoutpercentage op AMI vertelt hetzelfde verhaal: 39,62 voor het flash-model tegen 30,91 voor MiMo-V2.6 Pro en 23,19 voor Qwen3.8-Omni Flash.

Het beeld van audio-intelligentie is waar het betoog dun wordt. Het model wint zijn kopregels — BigBenchAudio 99.40, MMAU 82.00 — en moet daarna bijna overal terrein prijsgeven waar de taak redeneren over een lange opname vereist in plaats van het beschrijven van een korte.

LongAudioSpan — 41,12, tegenover 50,26 voor Seed2.0 Lite en 66,40 voor Qwen3.8-Omni Flash.

• Long-audio Chain-score — 12,31, tegen 34,54 voor Qwen3.8-Omni Flash, 48,70 voor de thinking-modus ervan, en 49,63 voor Gemini 3.8 Flash. Dat is een viervoudig verschil op de maatstaf die de leverancier besloot te publiceren.

• MMAR — 74,40 tegen 77,70 voor Seed2.0 Lite. MMSU — 78,82 tegen 82,10. AudioMarathon — 68,41 tegen 70,06.

• Tool-aanroepen — BFCL-v3 Audio 81,40 tegenover 75,08 voor Seed2.0 Lite en 86,68 voor Gemini 3.8 Flash.

De tekstbenchmarks zijn het minst verrassend en het meest nuttig, omdat ze zeggen wat het model niet is. Bij algemeen redeneren komt het flashmodel op bijna elke rij lager uit dan de omni-modellen waarmee het wordt vergeleken: GPQA Diamond 82,45 tegen 91,00 voor Qwen3.8-Omni Flash, MMLU-Pro 80,00 tegen 87,70, IFBench 59,00 tegen 81,50, LiveCodeBench v6 79,90 tegen 92,60, AA-LCR 73,90 tegen 80,00. De ruggengraat is een audiospecialist met 6,5B actieve parameters en een parameteraantal van 126B, en de teksttabel is hoe dat er van buitenaf uitziet. Als je één model wilt dat zowel een vergadering beluistert als de vervolgcode schrijft, zeggen inclusionAI's eigen cijfers dat je niet moet verwachten dat dit model de tweede helft voor zijn rekening neemt.

Wat het kost om te draaien

Er worden twee servingprofielen aangehaald, die beide nog niet auditeerbaar zijn. Het referentie-vLLM-Omni-profiel voor een context van 128K gebruikt tensorparallelisme over acht H800-GPU's van 80 GB. Het gevalideerde SGLang-profiel gebruikt vier GPU's en levert alleen tekst op. Dat zijn de configuraties van de leverancier, geen metingen, en met 256 GB aan gewichten vóór enige KV-cache bestaat er geen kleinere versie hiervan — de 8K-configuratie die de repository in september meeleverde, zou de geheugenondergrens niet hebben veranderd, omdat de ondergrens het checkpoint is.

De praktische conclusie is dat dit een clustermodel is, geen werkstationmodel. Vier GPU's kosten ongeveer hetzelfde als een serieuze GPU-node; acht met 80 GB is een heel andere begrotingspost. Ming-3.0-audio-tiny is het antwoord voor iedereen die de familie wil testen zonder die verplichting — 21 GB en 2,7B actieve parameters passen op één grote kaart — maar het tiny-model is een ander checkpoint met zijn eigen, consistent slechtere cijfers in dezelfde tabellen (long-audio Chain-score 10,56 tegen 12,31, LongAudioSpan 35,45 tegen 41,12, URO-Bench-Pro 54,15 tegen 81,92, VoiceBench 74,29 tegen 86,74), en de leverancier publiceert niets waaruit blijkt dat het gedrag ervan overdraagbaar is.

Het is de moeite waard om te weten voor iedereen die een integratie plant: de Talker is optioneel en apart te gebruiken. De kaart beschrijft hem als een component die spraak genereert op basis van de uitvoer van het model, en de presets staan in hun eigen map met hun eigen requirements-bestand, dus een deployment met alleen tekst hoeft hem er niet bij te dragen. Beide gedocumenteerde servingprofielen retourneren standaard tekst.

Waar een router zijn plek verdient, en waar niet

OrcaRouter levert Ming-3.0-audio-flash niet. Het staat niet in onze catalogus, we kunnen je er geen endpoint voor geven, en niets in dit stuk mag worden opgevat als een aanbod daartoe. Waar een router goed voor is in een pipeline die rond een model als dit is gebouwd, is het deel dat niet het model zelf is. Spraaksystemen zijn grotendeels tekstwerk: de prompt die bepaalt wat je de audio vraagt, de nabewerking die een tab-gescheiden taallabel omzet in gestructureerde output, de samenvatting die op basis van het transcript wordt geschreven, de fallback die draait wanneer het GPU-knooppunt verzadigd is. Dat zijn gewone tekstaanroepen, en één API voor meer dan 200 modellen tegen 0% markup — de lijstprijs van de provider wordt doorgegeven, dus een prijsverlaging van een leverancier is dezelfde dag live aan onze kant — is eenvoudiger aan te sluiten dan vier leverancierscontracten. Automatische failover is wat je in staat stelt een nieuw, onbewezen model achter een deel van je verkeer te zetten zonder je hele pad erop te verwedden.

De grens is het waard om ronduit te benoemen, want dat is precies de reden dat dit artikel niet eindigt met een aanmeldvak: een checkpoint van 259 GB dat je op je eigen acht GPU's draait, is infrastructuur, geen API-aanroep. Een router routeert aanroepen. Hij maakt van een clustermodel geen gehost model, en hij maakt van 22 downloads geen bewijs uit productie.

Wat te kijken

Drie dingen zouden het beeld veranderen, en elk ervan is controleerbaar op een manier waarop de benchmarks dat niet zijn. Ten eerste de GitHub-repository: wanneer inclusionAI/Ming-3.0-audio-flash geen 404 meer teruggeeft, worden de serveerscripts en de stemgids werkelijkheid en worden de twee deploymentrecepten hierboven auditeerbaar. Ten tweede een onafhankelijke score: zodra Artificial Analysis of een arena dit checkpoint vermeldt, is de vier keer zo grote kloof bij lange audio niet langer een zelfrapportage van een leverancier, maar een datapunt. Ten derde het licentiebestand: MIT wordt in de metadata vermeld, en een LICENSE-bestand in de repository zou er een feit van maken in plaats van een bewering — het onderscheid is van belang voor iedereen wiens inkoopproces de repo leest in plaats van de kaart.

Tot die tijd is de juiste beschrijving de weinig glamoureuze. Een serieuze audio-taal-checkpoint, het sterkst op Chinees met accent en dialect, zwak op redeneren over lange audio en sprekerdiarisatie volgens zijn eigen gepubliceerde cijfers, op papier MIT-gelicentieerd, ongeveer 259 GB op schijf, en pas sinds deze week gedocumenteerd. Zes weken stilte zijn geen bewijs van iets, behalve dat inclusionAI de gewichten heeft uitgebracht voordat het de documentatie uitbracht — maar de documentatie is juist het deel dat je vertelt wat je aan het downloaden bent, en die is er nu eindelijk om te lezen.