Ming-3.0-audio-flash vs MiniCPM-V 4.7: Een model dat hoort en een model dat in je zak past

Als je moet kiezen tussen Ming-3.0-audio-flash en MiniCPM-V 4.7 35B-A3B, is de keuze op geen enkele dimensie die je normaal zou afwegen ook maar enigszins nipt, omdat ze niet om dezelfde plek concurreren. De ene is een audio-taalmixture-of-expertsmodel met 126 miljard parameters — 6,5 miljard actief — dat inclusionAI op 3 september 2026 uploadde en zes weken later documenteerde, en dat in zijn referentieconfiguratie acht GPU's van 80 GB nodig heeft. De andere is een sparse visie-taalmodel met 35,2 miljard parameters dat OpenBMB op de avond van 6 oktober 2026 zonder enige modelkaart op Hugging Face zette, de kaart op 12 oktober publiceerde, en claimt te decoderen met meer dan 13 tokens per seconde op een iPhone 17 Pro Max met ongeveer 3 GB geheugen. De ene luistert en staat in een rack. De andere kijkt en past in een hand. Wat het de moeite waard maakt om ze op dezelfde pagina te zetten, is dat ze allebei in dezelfde zes weken stilletjes door Chinese labs zijn uitgebracht, allebei open weights zijn, en allebei worden geëvalueerd door teams die precies één slot in hun architectuur hebben. De gedocumenteerde AI-fouten en deploymentincidenten achter vergelijkingen zoals deze zijn verzameld in het OrcaRouter AI Incident Archive waarbij elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwistvlag heeft.

Eerst de beslissingsregel, dan het bewijs ervoor. Als de invoer geluid is — oproepen, vergaderingen, dialecten, muziek, een gegenereerde voice-over die je moet verifiëren — kan slechts één van deze modellen starten. Als de invoer een afbeelding, een document, een grafiek, een schermafbeelding of een videoframe is, kan alleen het andere starten. De overlap is een pijplijn die beide verwerkt, en in die pijplijn zijn het twee fasen in plaats van twee kandidaten. Elk cijfer hieronder is door de leverancier gerapporteerd: die van inclusionAI uit zijn eigen evaluatieafbeeldingen, die van OpenBMB uit een kaart die op 12 oktober is gepubliceerd, en geen van beide is door een derde partij gereproduceerd.

Wat elk van hen weigert te doen

De snelste manier om het verschil te zien, is de dingen op te sommen die elk model niet accepteert, omdat specificatielijsten zijn geschreven om dit te verbergen.

Ming-3.0-audio-flash kijkt naar niets. De invoer bestaat uit audio en tekstinstructies; er is geen beeldencoder in de repository, geen vision-tower in de configuratie, en geen videopad sinds de herupload van 15 oktober de video-taalvariant en de bijbehorende patch-token heeft verwijderd. Als een frame ertoe doet, is dit model er blind voor.

• MiniCPM-V 4.7 35B-A3B luistert naar helemaal niets. Het is getagd als image-text-to-text, de processor verwerkt afbeeldingen en videoframes, en er is nergens in de 70,4 GB aan gewichten een audiotoren, een ASR-pad of een TTS-head. Een WAV-bestand is geen invoer waarvoor het model een representatie heeft.

• Ming-3.0-audio-flash genereert geen afbeelding, bewerking of 3D-asset. De optionele uitvoer naast tekst is spraak, via een Talker-module met ingebouwde en referentiestemmen.

• MiniCPM-V 4.7 35B-A3B spreekt niet. Het leest een pagina en antwoordt in tekst. Voor spraak zou je een aparte synthesizer eraan koppelen, wat een andere productbeslissing is.

Dat is de hele vorm van de vergelijking. Al het overige — context, sparsity, licenties, hardware — is ondergeschikt aan het feit dat de modaliteitsverzamelingen elkaar niet overlappen.

Twee heel verschillende manieren om spaarzaam te zijn

Beide modellen zijn mixture-of-experts-ontwerpen, en het woord verbergt tegengestelde technische keuzes.

Ming-3.0-audio-flash is sparse omdat het enorm is: 42 lagen, verborgen grootte 2.560, 512 experts met 8 geselecteerd per token, 126B totaal en 6,5B actief, plus een audio-encoder in Whisper-stijl met 32 lagen en breedte 1.280 met 128 mel-bins. De sparsiteit levert doorvoer op voor een model dat anders niet te trainen en niet te serveren zou zijn. Het maakt het model niet klein. Vijfentwintig bfloat16-shards plus een Talker- en VAE-paar komen op ongeveer 259 GB op schijf, en het 128K-servingprofiel van de leverancier is tensorparallellisme over acht H800's van 80 GB.

MiniCPM-V 4.7 35B-A3B is om de tegenovergestelde reden sparse: 35,2 miljard opgeslagen parameters, waarbij per token 8 van de 256 worden gerouteerd, over meer dan 40 tekstlagen met een attentionpatroon van drie lineaire attentionlagen gevolgd door één volledige attentionlaag, achter een vision tower van 27 lagen met hidden size 1.152 die invoegt bij laag 6 van de tekststack. De claim die aan dat ontwerp hangt, is niet doorvoer op een cluster maar levensvatbaarheid op een telefoon. OpenBMB's Lookahead Expert Scheduling voorspelt welke experts de volgende laag nodig heeft, laadt ze vooraf en laat het laden overlappen met berekeningen — het soort truc dat je alleen bedenkt wanneer de bottleneck geheugenbandbreedte op een handset is, niet FLOPs in een datacenter.

• Totaal aantal parameters — Ming-3.0-audio-flash 126B; MiniCPM-V 4.7 35B-A3B 35,2B.

• Actieve parameters — 6,5B tegenover ongeveer 3B (8 van de 256 experts plus een gedeelde expert).

• Context — 131,072 tokens tegenover 262,144.

• Gewichten op schijf — ongeveer 259 GB tegenover 70,4 GB verspreid over 16 shards.

• Referentiehardware — acht H800's van 80 GB tegenover een iPhone 17 Pro Max met 13+ tokens per seconde en ongeveer 3 GB.

• Licenties — MIT tegenover Apache-2.0, beide vermeld in de respectieve kaarten.

Waar het Chineestalige werk daadwerkelijk verschilt

Beide modellen zijn door Chinese labs gebouwd en beide zijn het sterkst in het Chinees, maar ze zijn op verschillende gebieden sterk, en de tabellen van de leveranciers maken dat ongewoon duidelijk.

Ming-3.0-audio-flash is het sterkst precies waar spraak moeilijk wordt. Op zijn eigen evaluatieafbeeldingen meldt het een gemiddeld Chinees ASR-foutpercentage van 3,45 en een dialectgemiddelde van 9,40 — Kantonees 4,09, Shanghainees 11,15, Hokkien 12,84, Hubei 9,46, Hunan 8,76 — tegen een referentie van 48,41 voor Gemini 3.8 Flash op het dialectgemiddelde. Dezelfde afbeeldingen laten zien dat het verliest op sprekerdiarisatie (AMI 25,29 tegen 11,16 voor MiMo-V2.6 Pro) en op redeneren over lange audio (Chain-score 12,31 tegen 34,54 voor Qwen3.8-Omni Flash). De eerlijke conclusie is dus: uitstekend in het transcriberen van spraak met accenten, matig in het achterhalen wie er sprak en wat de opname betekende.

MiniCPM-V 4.7 35B-A3B is het sterkst op dichte visuele Chinese tekst: 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 — allemaal uit OpenBMB's eigen grafiek, geen enkele gereproduceerd, en bij verschillende rijen staat dat ze Qwen- en Gemma-modellen uit de 35B-klasse met kleine marges verslaan. De gemengde 4x/16x token-downsampling van de vision tower is het mechanisme: 16x voegt tokens samen voor snelheid, 4x behoudt vier keer zoveel voor fijn detail, en de instelling moet zowel aan de processor als aan generate() worden doorgegeven, anders komen ze niet overeen.

De overlap in Chinese capaciteiten is dus smal en reëel: een gescand Chinees document met een bijgevoegde spraaknotitie is een probleem voor twee modellen, en geen van beide modellen behandelt de andere helft.

Wat het kost om een van beide in productie te nemen

Dit zijn geen vergelijkbare cijfers, en doen alsof dat wel zo is, is de gebruikelijke tekortkoming van dit soort stukken.

Ming-3.0-audio-flash kost een node. Acht 80 GB H800's vormen het profiel van de leverancier voor 128K-context; het gevalideerde SGLang-alternatief gebruikt vier GPU's en levert alleen tekst. Het zusje met 9,3B totaal en 2,7B actief, Ming-3.0-audio-tiny, past op één grote kaart, maar de gepubliceerde cijfers zijn consistent slechter op dezelfde tabellen — long-audio Chain 10,56 tegen 12,31, LongAudioSpan 35,45 tegen 41,12, URO-Bench-Pro 54,15 tegen 81,92 — dus het is een ander product, geen goedkopere variant.

MiniCPM-V 4.7 35B-A3B kost een telefoon, of één GPU, of helemaal niets als je gebruikers het apparaat zelf meenemen. Het heeft een actief ecosysteem dat Ming niet heeft: GGUF-, FP8-, int4-, GPTQ- en AWQ-varianten die binnen enkele dagen verschenen, een DSpark-conceptmodel voor speculatieve decoding, ondersteuning in llama.cpp en Ollama evenals in vLLM en SGLang, 76.000 downloads en meer dan duizend likes op de hoofdrepository. Wat er verder ook waar moge zijn, dit is een model dat anderen al draaien.

Dat verschil in adoptie is het meest beslissingsrelevante feit in het artikel, en het heeft niets met kwaliteit te maken. Een model met 76.000 downloads heeft een community die jouw bug al is tegengekomen. Een model met 22 downloads heeft een repository en een kaart.

Waar ontmoeten ze elkaar dan?

In precies één architectuur: een applicatie die zowel moet horen als zien. Het voor de hand liggende geval is een support- of compliance-pijplijn — een opgenomen gesprek in Mandarijn met een dialectspreker, plus een gescand formulier dat de beller heeft geüpload, en een samenvatting die de twee met elkaar moet verbinden. Ming transcribeert en beantwoordt vragen over de audio; MiniCPM leest het formulier en extraheert velden. Geen van beide kan de helft van de ander doen, en de koppeling tussen hen is tekst.

Die koppeling is het onderdeel dat de meeste teams onderschatten. Twee checkpoints met open gewichten betekenen twee licentiereviews, twee deploymentverhalen, twee faalmodi en nog een extra modelaanroep om te bepalen welk document waar naartoe gaat. Het pad van Ming is Transformers met trust_remote_code=True en een geheugenondergrens van honderden gigabytes; dat van MiniCPM is een gequantiseerd bestand op een laptop. Het operationele contrast tussen de twee helften van dezelfde pipeline is groter dan het contrast tussen de meeste concurrerende modellen.

De routeringslaag, en de beperkingen ervan

OrcaRouter host geen van beide checkpoints. Beide zijn open gewichten die je zelf draait, geen van beide staat in onze catalogus, en geen enkele zin hier mag worden gelezen als een aanbod van een endpoint. Wat een router wel bereikt, is het bindweefsel: de classifier die bepaalt of een binnenkomend asset audio of een afbeelding is en het naar de juiste node stuurt, de prompt die de extractie kadert, de samenvatter die de twee outputs samenvoegt tot één rapport.

Dat zijn gewone tekstaanroepen, en het pleidooi om ze achter één API voor meer dan 200 modellen tegen 0% opslag te zetten is simpel — de lijstprijs van de provider wordt doorgegeven, dus een prijsverlaging van een leverancier is dezelfde dag bij ons live, één sleutel in plaats van drie contracten. De routing-DSL is precies het onderdeel dat bij dit specifieke probleem past: een pipeline met een tak voor audio en een tak voor afbeeldingen is een routingprobleem voordat het een modelprobleem is, en automatische failover houdt de dispatcher in leven wanneer het classificatiemodel hapert, en dat is juist de aanroep in de keten die je je niet kunt veroorloven te verliezen.

De beperking is even simpel. Routing zorgt er niet voor dat een checkpoint van 259 GB gehost wordt, en het maakt van een visiemodel ter grootte van een telefoon geen ASR-systeem.

De korte versie

Ming-3.0-audio-flash is het ambitieuzere model en vandaag het minder bruikbare: betere Chinese dialectspraakherkenning dan wat dan ook met gepubliceerde cijfers in zijn klasse, geen onafhankelijke verificatie, geen gemergede serving-integratie, en een hardwarevereiste die het buiten bereik plaatst van iedereen zonder GPU-node. MiniCPM-V 4.7 35B-A3B is het meer afgewerkte product: een modelkaart, quants, frameworkondersteuning, een on-deviceverhaal dat echt nieuw is, en een community. Het is ook een visionmodel, wat betekent dat het niet kan doen waarvoor het andere bestaat.

Kies op modaliteit en de vergelijking kost dertig seconden. Kies op ambitie en je bent een maand bezig om erachter te komen dat de ambitieuze 22 downloads heeft.