Ming-3.0-audio-flash wydano sześć tygodni przed jego własną kartą modelu.

Model audio-językowy z 126 miliardami parametrów jest dostępny do pobrania z Hugging Face od 3 września 2026 r., a na jego koncie jest 22 pobrań i osiem polubień. Do tego tygodnia jedynym opisem dołączonym do repozytorium była nieaktualna karta, która nazywała się „Ming Audio V3” i głosiła, że repo „obecnie dokumentuje ścieżkę ASR”. Ming-3.0-audio-flash to nazwa, którą nosi teraz. Wagi nie są nowe. To, co pojawiło się w dniach 13–19 października 2026 r., to wszystko, co sprawia, że checkpoint jest użyteczny dla kogoś, kto go nie trenował: konfiguracja, która wreszcie deklaruje kontekst 128K, ponowne wgranie, które zamienia model wideo-język-audio w model wyłącznie audio na ścieżce kodu Transformers 5, pakiet głosowy z dwoma klipami referencyjnymi oraz pierwsza prawdziwa karta modelu, jaką repozytorium kiedykolwiek miało. inclusionAI nie ogłosiło nic z tego. Żadna strona trzecia nie opublikowała ani jednej liczby dotyczącej modelu, więc wszystko poniżej albo odczytano bezpośrednio z historii commitów, albo zacytowano z własnych obrazów ewaluacyjnych dostawcy — dlatego warto na początku powiedzieć, że model pochodzi z września, a tylko dokumentacja z tego tygodnia. Udokumentowane awarie AI i incydenty z agentami, stojące za takimi wydaniami jak to, są zebrane w Archiwum incydentów AI OrcaRouter gdzie każdy wpis zawiera własne źródła, poziom istotności, ocenę pewności i flagę sporności.

Co się zmieniło i kiedy

Dziennik zatwierdzeń jest wyjątkowo czytelny i opowiada historię, której karta modelu nie zdradza. Repozytorium utworzono 3 września 2026 r. o 11:49 UTC, umieszczając w nim jeden plik – .gitattributes. Dziewięć minut później pod zatwierdzeniem zatytułowanym „Add files using upload-large-folder tool” pojawiło się 25 fragmentów safetensors o łącznym rozmiarze 257 GB – to typowy ślad zespołu trenującego model, który wypycha punkt kontrolny, a nie zespołu produktowego przygotowującego premierę. Towarzyszący plik README deklarował licencję Apache 2.0, oznaczał repozytorium tagiem automatic-speech-recognition i zalecał tworzenie instancji modelu z trust_remote_code=False.

Potem repozytorium ucichło na sześć tygodni. Kiedy znów się poruszyło, poruszyło się cztery razy w ciągu siedmiu dni.

• 13 października, 12:17 UTC — „Wgraj config.json”. Jeden plik, i to ten interesujący: max_position_embeddings zmienia się z 8 192 na 131 072. Nic więcej w repozytorium się nie zmienia, więc przez dwa dni repozytorium reklamowało kontekst 128K, choć żaden kod modelujący nie potrafił go wykorzystać.

• 15 października, 09:35 i 09:40 UTC — „Usuń przestarzałe pliki”, a następnie „Prześlij zaktualizowany model”. Układ wag nie uległ zmianie, ale przepisano 46 plików, a pierwszy shard zmniejszył się z 10,64 GB do 9,77 GB. W konfiguracji audio model_type zmienił się z bailing_moe_v3_vl_audio na bailing_moe_v3_audio, a pozostały video_patch_token został usunięty, a zadeklarowana wartość transformers_version skoczyła z 4.56.2 do 5.14.1, a w auto_map pojawiły się wpisy AutoModel i AutoProcessor, których wcześniej nie było. W tym samym pushu README i folder examples/ zniknęły — przez kolejne cztery dni repozytorium nie miało w ogóle karty modelu.

• 17 października, 11:44 UTC — „Dodaj presety głosu”. Pojawia się folder voice_presets/ wraz z US_James.wav, 灵楷.wav oraz plikiem voice_prompts.jsonzawierającym ich transkrypcje.

• 19 października, od 11:35 UTC — „Add model card”, następnie zasoby, potem kilkanaście drobnych commitów dopracowujących nawigację i wyrównanie linków, kończąc o 13:20 UTC na „Add Tiny model link”. To commit, który zmienił nazwę modelu, zmienił metadane licencji na MIT i dodał kartę o rozmiarze 8 259 bajtów opisującą pełny model audio-językowy, a nie ścieżkę ASR. Zastąpiony przez niego README został usunięty cztery dni wcześniej; wcześniejsza wersja, z września, miała tytuł „Ming Audio V3” i deklarowała Apache 2.0.

Istnieje drugie repozytorium, o którym warto wiedzieć. Ming-3.0-audio-tiny utworzono w tym samym momencie co model flash, 3 września o 11:45 UTC, a 19 października potraktowano je tak samo. To mniejszy brat: 9,3B parametrów łącznie, z czego 2,7B aktywnych, MIT, około 21 GB w czterech shardach i trzy pobrania.

Co faktycznie możesz pobrać

Konfiguracja jest opublikowana, więc architektura nie jest tajemnicą. To, co zmieniło się w tym tygodniu, to fakt, że konfiguracja i kod w końcu się zgadzają. Niestandardowe pliki modelowania znajdują się w repozytorium od pierwszego przesłania — modeling_bailing_moe_v3_audio.py i processing_bailing_moe_v3_audio.py oba były tam 3 września — ale konfiguracja, którą miały wczytać, opisywała model wideo-językowo-audio z oknem 8K, a karta modelu mówiła, by utworzyć go z trust_remote_code=False, co jest przeciwieństwem tego, czego wymaga niestandardowy kod. Ponowne przesłanie z 15 października to wersja, w której audio_config.model_type przyjmuje wartość bailing_moe_v3_audio, token patcha wideo zniknął, zadeklarowane środowisko uruchomieniowe to transformers_version 5.14.1, a auto_map rejestruje AutoModel i AutoProcessor obok dwóch wpisów, które zawsze tam były.

• Rozmiar — 25 shardów safetensors w formacie bfloat16 o łącznym rozmiarze 256 GB dla modelu językowego, plus para Talker i VAE o rozmiarze 3 GB w katalogu talker/. Mały model ma około 21 GB w czterech shardach.

• Szkielet — 42 warstwy, wymiar warstwy ukrytej 2 560, 512 ekspertów z 8 aktywnymi na token, słownik 157 184. Według karty to 126 mld łącznie i 6,5 mld aktywnych na krok wnioskowania.

• Wieża audio — enkoder w stylu Whisper o 32 warstwach i szerokości 1280 z 20 głowami, 128 binami mel i kontekstem audio wynoszącym 3000 ramek. Identyfikator tokenu audio to 157 168.

• Kontekst — 131 072 pozycji. W konfiguracji z 3 września było to 8 192, a konfiguracja z 13 października, która jako pierwsza tę wartość zwiększyła, wciąż nazywała się bailing_moe_v3_vl_audio i wciąż zawierała token patcha wideo; czysta wersja wyłącznie audio to ta z 15 października.

• Wyjście — tekst lub tekst z zsyntetyzowaną mową przez opcjonalny Talker. Karta wymienia domyślny głos IP, 灵小柔, oraz dwa wstępnie ustawione głosy referencyjne, 灵楷 i US_James, których nagrania audio i transkrypcje znajdują się w repozytorium.

• Licencja — MIT. Do 19 października obowiązywała licencja Apache 2.0. Należy zauważyć, że samo repozytorium nie zawiera pliku LICENSE: deklaracja MIT znajduje się w metadanych karty i w linku do ścieżki GitHub, a jedyny tekst licencji faktycznie obecny w repozytorium należy do dołączonego modelu identyfikacji języka w katalogu talker/data/.

Szybki start jeszcze nie rozwiązuje problemu

To jest część, której czytelnik planujący ocenę modelu potrzebuje przede wszystkim, a której nie ma w karcie. Blok instalacyjny w karcie klonuje github.com/inclusionAI/Ming-3.0-audio-flash. Ten URL zwraca dziś HTTP 404, zarówno z poziomu przeglądarki, jak i API. To samo dotyczy każdej ścieżki, którą karta buduje na jego podstawie: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh oraz requirements-transformers.txt.

Żaden z nich nie istnieje również w repozytorium Hugging Face. Nie zawiera examples/ — wcześniejszy został usunięty 17 września — nie ma scripts/, nie ma docs/, ani pliku requirements poza talker/. Zawiera natomiast wszystko, co jest potrzebne do załadowania modelu bezpośrednio za pomocą Transformers, co karta dokumentuje również jako fragment kodu Pythona: AutoProcessor z use_fast=False, AutoModelForCausalLM w bfloat16 z device_map="auto", trust_remote_code=True, a dźwięk przekazywany przez processor(messages) z audio_feats rzutowanym na typ danych modelu.

Uczciwy stan rzeczy jest więc taki: model się ładuje, skrypty serwujące obecnie nie istnieją, więc czytelnik nie może ich przeczytać, a karta opisuje repozytorium, które nie zostało jeszcze opublikowane. To nie skandal — dokumentacja pojawiająca się kilka godzin przed wypchnięciem kodu to rzecz zwyczajna — ale oznacza, że dwóch poniższych receptur wdrożeniowych nie da się zweryfikować, można je tylko zacytować. Każdy, kto rozważa ten checkpoint, powinien obrać ścieżkę Transformers i powinien przeczytać modeling_bailing_moe_v3_audio.py przed włączeniem zdalnego kodu, co zaleca sama karta.

To, co można sprawdzić, to kontrakt tokenizacji, a karta jest w tej kwestii niezwykle konkretna: zweryfikowany prompt ASR wymaga, aby model nazwał język mówiony i wstawił tabulator między etykietę języka a transkrypcję. Jeśli piszesz harness ewaluacyjny, tym parserem jest właśnie ten tabulator. Ogólny prompt „transcribe this” nie jest konfiguracją, którą zmierzył dostawca.

Tabela opublikowana przez inclusionAI, wraz z kolumnami, które traci

Trzy obrazy PNG w assets/ zawierają ocenę. Każda liczba na nich pochodzi z własnego przebiegu inclusionAI; gwiazdki oznaczają pozycje, które dostawca oznacza jako samooceniane, i żadna z tych wartości nie została odtworzona przez stronę trzecią. Artificial Analysis publikuje rankingi audio i nie ma wpisu dla tego modelu. Nie ma wyniku arena, niezależnego Elo ani drugiej opinii — czytaj więc poniższe jako opis własnego modelu przygotowany przez dostawcę, i dokładnie tym to jest.

Obraz rozpoznawania mowy jest najmocniejszym elementem tej sprawy i wypada mocno na osi, dla której model został wyraźnie zbudowany. Uśredniając po swoim chińskim zestawie testowym, model flash osiąga 3,45 wobec 3,54 dla Qwen3.8-Omni Flash i 9,83 dla Gemini 3.8 Flash; w przypadku angielskiego — 3,69 wobec 4,02 i 5,05. W przypadku dialektów różnica gwałtownie się powiększa:

• Średnia dialektowa — 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 wobec 49.95, 28.08 i 81.62 dla tych samych trzech.

• Dialekt szanghajski — 11,15 wobec 26,32, 21,10 i 88,64.

• Kantoński — 4,09 wobec 6,64, 4,76 i 42,62. Ten wynik jest bliski remisu z Qwen3.8-Omni Flash i stanowi zdecydowane zwycięstwo nad Gemini 3.8 Flash.

• Hubei — 9,46 wobec 11,35, 7,75 i 48,24. Qwen3.8-Omni Flash wygrywa w tym wierszu, a dostawca i tak to opublikował.

• Hunan — 8,76 wobec 20,30, 17,11 i 71,39.

Ten sam obraz jest mniej pochlebny, gdy zadanie przestaje być transkrypcją. W przypadku diaryzacji mówców AISHELL-4 podaje wskaźnik błędu diaryzacji 8,58 dla modelu flash wobec 2,80 dla Qwen3.8-Omni Flash; AliMeeting — 8,66 wobec 3,40; AMI — 25,29 wobec 11,16 dla MiMo-V2.6 Pro. Jeśli Twoim problemem jest „kto mówił, kiedy”, a nie „co zostało powiedziane”, to nie jest model, który zaleca własna tabela dostawcy. Wskaźnik błędu znaków dla długich, połączonych wypowiedzi z minimalną permutacją na AMI opowiada tę samą historię: 39,62 dla modelu flash wobec 30,91 dla MiMo-V2.6 Pro i 23,19 dla Qwen3.8-Omni Flash.

Obraz inteligencji audio to miejsce, w którym argumentacja słabnie. Model wygrywa swoje flagowe wiersze — BigBenchAudio 99,40, MMAU 82,00 — a potem ustępuje niemal wszędzie tam, gdzie zadanie wymaga rozumowania w oparciu o długie nagranie, a nie opisywania krótkiego.

• LongAudioSpan — 41,12 w porównaniu z 50,26 dla Seed2.0 Lite i 66,40 dla Qwen3.8-Omni Flash.

• Wynik Long-audio Chain — 12,31 wobec 34,54 dla Qwen3.8-Omni Flash, 48,70 dla jego trybu myślenia i 49,63 dla Gemini 3.8 Flash. To czterokrotna różnica w metryce, którą dostawca zdecydował się opublikować.

• MMAR — 74,40 w porównaniu z 77,70 dla Seed2.0 Lite. MMSU — 78,82 w porównaniu z 82,10. AudioMarathon — 68,41 w porównaniu z 70,06.

• Wywoływanie narzędzi — BFCL-v3 Audio 81,40 wobec 75,08 dla Seed2.0 Lite i 86,68 dla Gemini 3.8 Flash.

Benchmarki tekstowe są najmniej zaskakujące i najbardziej użyteczne, ponieważ mówią, czym model nie jest. W ogólnym rozumowaniu model flash wypada poniżej modeli omni, z którymi jest porównywany, w niemal każdym wierszu: GPQA Diamond 82.45 wobec 91.00 dla Qwen3.8-Omni Flash, MMLU-Pro 80.00 wobec 87.70, IFBench 59.00 wobec 81.50, LiveCodeBench v6 79.90 wobec 92.60, AA-LCR 73.90 wobec 80.00. Trzonem jest specjalista audio z 6.5B aktywnych parametrów, noszący licznik 126B parametrów, a tabela tekstowa pokazuje, jak wygląda to z zewnątrz. Jeśli chcesz jednego modelu, który zarówno słucha spotkania, jak i pisze kod uzupełniający, własne liczby inclusionAI mówią, że nie należy oczekiwać, iż ten model udźwignie drugą połowę.

Ile kosztuje prowadzenie

Przytacza się dwa profile obsługi, z których żadnego nie można jeszcze zaudytować. Referencyjny profil vLLM-Omni dla kontekstu 128K wykorzystuje równoległość tensorową na ośmiu GPU H800 o pojemności 80 GB. Zweryfikowany profil SGLang wykorzystuje cztery GPU i zwraca wyłącznie tekst. To konfiguracje dostawcy, a nie pomiary, a przy 256 GB wag przed jakimkolwiek KV cache nie ma mniejszej wersji tego — konfiguracja 8K udostępniona w repozytorium we wrześniu nie zmieniłaby dolnej granicy pamięci, ponieważ tę granicę wyznacza checkpoint.

Praktyczny wniosek jest taki, że to model klastrowy, a nie model stacji roboczej. Cztery GPU to w przybliżeniu koszt poważnego węzła GPU; osiem GPU po 80 GB to już zupełnie inna pozycja budżetowa. Ming-3.0-audio-tiny jest odpowiedzią dla każdego, kto chce przetestować rodzinę bez takiego zobowiązania — 21 GB i 2,7 mld aktywnych parametrów zmieszczą się na jednej dużej karcie — ale model tiny to inny checkpoint z własnymi, konsekwentnie gorszymi liczbami w tych samych tabelach (długie audio: wynik Chain 10,56 wobec 12,31, LongAudioSpan 35,45 wobec 41,12, URO-Bench-Pro 54,15 wobec 81,92, VoiceBench 74,29 wobec 86,74), a dostawca nie publikuje niczego, co potwierdzałoby, że jego zachowanie się przenosi.

Warto zauważyć dla wszystkich planujących integrację: Talker jest opcjonalny i można go oddzielić. Karta opisuje go jako generujący mowę z danych wyjściowych modelu, a presety znajdują się we własnym folderze z własnym plikiem wymagań, więc wdrożenie wyłącznie tekstowe nie musi go zawierać. Oba udokumentowane profile obsługi domyślnie zwracają tekst.

Gdzie router ma swoje miejsce, a gdzie nie

OrcaRouter nie obsługuje Ming-3.0-audio-flash. Nie ma go w naszym katalogu, nie możemy podać dla niego punktu końcowego i nic w tym tekście nie powinno być odczytywane jako oferta tego rodzaju. W potoku zbudowanym wokół takiego modelu router przydaje się do tej połowy pracy, która nie dotyczy samego modelu. Systemy przetwarzania mowy to głównie praca z tekstem: prompt decydujący, o co zapytać materiał audio, przetwarzanie końcowe zamieniające etykietę języka rozdzieloną tabulatorami na ustrukturyzowane dane wyjściowe, podsumowanie napisane na podstawie transkrypcji, mechanizm awaryjny uruchamiany, gdy węzeł GPU jest przeciążony. To zwykłe wywołania tekstowe, a jedno API dla ponad 200 modeli przy 0% marży — cena katalogowa dostawcy przekazywana bez zmian, więc obniżka ceny przez dostawcę obowiązuje u nas tego samego dnia — to prostsza rzecz do podłączenia niż cztery umowy z dostawcami. Automatyczne przełączanie awaryjne pozwala skierować część ruchu do nowego, niesprawdzonego modelu bez opierania na nim całej ścieżki.

Warto tę granicę wyrazić wprost, ponieważ to jest cały powód, dla którego ten artykuł nie kończy się polem rejestracji: checkpoint o rozmiarze 259 GB uruchamiany na własnych ośmiu GPU jest infrastrukturą, a nie wywołaniem API. Router kieruje wywołaniami. Nie zamienia modelu klastrowego w model hostowany i nie sprawia, że 22 pobrania stają się dowodem produkcyjnym.

Co obejrzeć

Trzy rzeczy zmieniłyby obraz sytuacji, a każdą z nich można zweryfikować w sposób, w jaki nie da się zweryfikować benchmarków. Po pierwsze, repozytorium GitHub: gdy inclusionAI/Ming-3.0-audio-flash przestanie zwracać 404, skrypty serwujące i przewodnik po głosie staną się rzeczywiste, a dwa powyższe przepisy wdrożeniowe staną się możliwe do audytu. Po drugie, niezależny wynik: w momencie, gdy Artificial Analysis lub jakaś arena wymieni ten checkpoint, czterokrotna luka w długim audio przestanie być samodzielnym raportem dostawcy i zacznie być punktem danych. Po trzecie, plik licencji: MIT jest zadeklarowany w metadanych, a plik LICENSE w repozytorium uczyniłby go faktem, a nie twierdzeniem — ta różnica ma znaczenie dla każdego, którego proces zakupowy czyta repozytorium, a nie kartę.

Do tego czasu trafny opis jest ten nieefektowny. Poważny checkpoint audio-językowy, najmocniejszy w chińskiej mowie z akcentem i w dialektach, słaby w rozumowaniu na długim audio i diaryzacji mówców według jego własnych opublikowanych wyników, na papierze objęty licencją MIT, około 259 GB na dysku i udokumentowany dopiero od tego tygodnia. Sześć tygodni ciszy nie jest dowodem na nic poza tym, że inclusionAI udostępniło wagi, zanim udostępniło dokumentację — ale to dokumentacja mówi, co pobierasz, i teraz wreszcie jest do przeczytania.