
Ming-3.0-audio-flash kontra Ming-3.0-audio-tiny: trzynaście razy więcej parametrów, dwa i pół raza więcej pracy
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 185 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 228 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 89 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 98 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
Ming-3.0-audio-flash i Ming-3.0-audio-tinypojawiły się na Hugging Face cztery minuty po sobie 3 września 2026 roku — tiny o 11:45 UTC, flash o 11:49 — i od tamtej pory ta para jest ze sobą mylona. Dziś rano zamieszanie stało się dosłowne. Repozytorium flash zostało zmodyfikowane o 08:26 UTC commitem zatytułowanym „Aktualizacja wyniku Flash BBA do 99,8% i dodanie ogólnego wyniku nr 1 w rankingu”; repozytorium tiny zostało zmodyfikowane dwie minuty i osiem sekund później commitem zatytułowanym „Aktualizacja wspólnego wyniku Flash BBA do 99,8%…”, zawierającym to samo zdanie i ten sam plik PNG z rankingiem. Model tiny nie ma własnego wpisu w Artificial Analysis, więc jeśli widziałeś 99,8% przypisane do Ming-3.0-audio-tiny, ta liczba należała do jego większego bliźniaka i trafiła tam przez kopiowanie i wklejanie.
Warto to powiedzieć na początku, bo stanowi ramę dla wszystkiego innego. To nie są dwaj konkurenci. To jeden projekt w dwóch skalach, dzielący tokenizer, okno kontekstu, licencję i ścieżkę kodu serwowania, a różniący się garścią liczb całkowitych w config.json. Ciekawe pytanie nie brzmi, który z nich wygrywa — flash wygrywa w każdym opublikowanym wskaźniku jakości — ale za które z tych liczb całkowitych faktycznie płacisz i w czym mniejszy model jest naprawdę lepszy.
Co tak naprawdę mają wspólnego te dwa repozytoria
Zacznij od części, które są identyczne, ponieważ jest ich więcej, niż można by się spodziewać po 13,5× różnicy w liczbie parametrów.
• Nazwa architektury — oba deklarują model_type: bailing_moe_v3_audio, tę samą niestandardową ścieżkę kodu Transformers.
• Tokenizer — oba korzystają ze słownika liczącego 157,184 tokenów, a placeholder audio znajduje się pod indeksem 157,168. Prompt napisany dla jednego wczytuje się w drugim.
• Okno kontekstu — oba deklarują max_position_embeddings: 131072, z tą samą wartością theta RoPE równą 6 000 000 i bez zastosowanego skalowania.
• Szerokość routingu — oba aktywują 8 ekspertów na token. To liczba, która sprawia, że ta para jest w ogóle porównywalna.
• Wejścia i wyjścia — na wejściu dźwięk oraz instrukcja tekstowa; na wyjściu tekst lub tekst z syntezowaną mową przez opcjonalny Talker.
• Licencja — MIT w obu przypadkach, z tym samym plikiem zrzeczenia się odpowiedzialności.
• Kod — README malutkiego modelu mówi, aby git clone repozytorium modelu flash na GitHubie. Jest jedna implementacja, jeden zestaw przykładowych skryptów, jeden przewodnik po głosie.
Ponieważ kod jest współdzielony, oba punkty kontrolne są wymienne bez żadnych modyfikacji na poziomie API. Przełączenie z jednego na drugi to zmiana nazwy modelu — i właśnie ta właściwość sprawia, że dwupoziomowy potok jest tani w budowie, a jednocześnie sprawia, że łatwo opublikować wynik niewłaściwego modelu.

Cztery liczby całkowite, które nie są wspólne
Wszystko, co się różni, znajduje się w text_config, a tylko cztery liczby mają znaczenie.
• Warstwy — flash 42, tiny 24.
• Eksperci — flash 512, tiny 128.
• Szerokość eksperta — flash moe_intermediate_size 768, tiny 512.
• Rozmiar ukryty — flash 2 560, tiny 1 536.
Po przemnożeniu otrzymasz kluczowe wartości podawane na kartach: 126 mld parametrów łącznie, z czego 6,5 mld aktywnych w przypadku flash, oraz 9,3 mld łącznie, z czego 2,7 mld aktywnych w przypadku tiny. Na dysku różnica to 259,33 GB wag bfloat16 w 25 shardach wobec 20,7 GB w dwóch.
Teraz spójrz na proporcje, a nie na bezwzględne liczby, bo to właśnie ta część bywa zakopywana w kartach specyfikacji. Łączna liczba parametrów różni się 13,5×. Wagi na dysku różnią się 12,5×. Ale aktywne parametry różnią się tylko 2,4×. Model flash utrzymuje znacznie większą bibliotekę ekspertów i korzysta z podobnej ich liczby; malutki model ma mniejszą bibliotekę i korzysta z podobnej liczby. Zatem flash nie jest trzynaście razy droższy za token niż malutki — jest bliżej dwa i pół raza, a jego ślad pamięciowy jest trzynaście razy większy i przez większość czasu pozostaje bezczynny. To klasyczny kompromis rzadkiego MoE i oznacza, że rzeczywisty koszt wyboru flash to pojemność, a nie przepustowość: kupujesz większą bibliotekę i musisz utrzymywać całą bibliotekę w pamięci, niezależnie od tego, czy dany klip z niej korzysta.

Jedna konsekwencja zaskakuje ludzi. Oba modele deklarują to samo okno 131 072 tokenów i kusi, by wyciągnąć wniosek, że obsługują ten sam materiał audio. Nic bardziej mylnego. Kontekst to limit, a nie możliwość, a własne dane producenta w kolejnej sekcji pokazują dokładnie, gdzie rozumienie mniejszego modelu się załamuje, na długo zanim okno zostanie zapełnione.
Co mówią własne tabele dostawcy
Obrazy ewaluacyjne na obu kartach zostały wygenerowane przez inclusionAI i przedstawiają oba modele obok siebie. Są to dane producenta, niepoddane audytowi, a wybór zadań należy do producenta; wciąż jednak stanowią jedyne istniejące porównanie na poziomie poszczególnych zadań, ponieważ Artificial Analysis ocenia wyłącznie model flash.
• Wynik łańcucha długiego audio — flash 12.31, tiny 10.56.
• LongAudioSpan — flash 41.12, tiny 35.45.
• URO-Bench-Pro — flash 81,92, tiny 54,15.
• VoiceBench — flash 86,74, tiny 74,29.
Warto podkreślić dwie rzeczy. Po pierwsze, kolejność: wersja tiny przegrywa w każdym z tych testów, więc nikt nie powinien jej wybierać, oczekując równorzędności. Po drugie, co mniej oczywiste: różnica jest znacznie większa w benchmarkach rozumowania audio (URO-Bench-Pro, spadek o 27,8 punktu, oraz VoiceBench, spadek o 12,5) niż w tych dotyczących długiego audio (spadek o 1,75 i 5,67). Cokolwiek dały dodatkowi eksperci i warstwy, dały głównie rozumowanie tego, co usłyszano, a nie surową wytrzymałość na długim nagraniu.
A wyniki samego flasha dla długiego audio są słabe w ujęciu bezwzględnym — wynik chain 12,31 w skali tego benchmarku, jakakolwiek by ona była, wobec 34,54 dla Qwen3.8-Omni Flash i 49,63 dla Gemini 3.8 Flash na tej samej karcie. Rzetelna interpretacja tej pary nie brzmi więc: „flash jest dobry, tiny jest zły”. Brzmi tak: żaden z checkpointów nie jest modelem do długich nagrań, a tiny jest po prostu jeszcze słabszy we wszystkim, co mierzą benchmarki krótkiego audio.
Linia sprzętowa jest wyznaczana przez bajty, a nie przez parametry
I tu właśnie wybór zwykle dokonuje się sam, a oba pliki README są nietypowo konkretne, jeśli chodzi o profile, które zweryfikowały.
• Ming-3.0-audio-flash — referencyjny profil obsługi 128K przy równoległości tensorowej 4 na kartach H800 80 GB; długie audio może powodować OOM w tym przypadku, z udokumentowanym fallbackiem na 8 GPU; SGLang zweryfikowano na czterech GPU pod kątem wyjścia tekstowego; SGLang-Omni przy --thinker.tp_size 2 na parze kart.
• Ming-3.0-audio-tiny — vLLM-Omni z Thinkerem na jednym GPU do tekstu i ASR albo Thinker na GPU 0 i Talker na GPU 1 do mowy; SGLang zweryfikowany na jednym GPU do tekstu; SGLang-Omni na jednej karcie z --talker.gpu 0.
Czytaj te wiersze jako decyzję infrastrukturalną, a nie specyfikację. Flash potrzebuje węzła z wieloma GPU i powodu, by go zajmować. Tiny potrzebuje jednej karty, a jeśli chcesz tylko transkrypcji lub odpowiadania na pytania dotyczące audio, potrzebuje jednej karty całkowicie bez Talkera — bez etapu syntezy mowy, bez drugiego procesu, bez wyboru głosu. Praktyczna różnica między nimi nie polega na czterokrotnie większej liczbie GPU; polega na tym, czy to, co wdrażasz, zmieści się na maszynie, którą już masz.
Efekt drugiego rzędu ujawnia się w operacjach. Checkpoint podzielony na 25 shardów o rozmiarze 259 GB musi być pobierany do każdego węzła, który go obsługuje, wersjonowany i utrzymywany w stanie gotowości; awaryjny profil z ośmioma GPU oznacza, że plan pojemności musi uwzględniać model, który czasami potrzebuje dwa razy więcej kart przy tym samym ruchu. Checkpoint podzielony na dwa shardy o rozmiarze 20,7 GB mieści się w warstwie obrazu kontenera, uruchamia się w kilka sekund i można go skalować, dodając repliki. W przypadku wewnętrznych narzędzi o skokowym obciążeniu ta różnica dominuje nad każdym wskaźnikiem jakości w tym artykule.

Dwupoziomowy potok przetwarzania, dla którego zbudowano te dwa punkty kontrolne
Oto przypadek użycia, któremu ta para faktycznie służy, i jest to przypadek, którego nie opisuje żadna z kart modeli: uruchamiaj mały model na wszystkim, a model flash tylko na tym, co przetrwa.
Tani pierwszy przebieg z Ming-3.0-audio-tiny może odpowiedzieć na pytania „czy w tym pliku jest mowa”, „w jakim to języku”, „ile jest mówców”, „czy dźwięk jest wystarczająco czysty, by warto go transkrybować” — i może to zrobić na jednej karcie w tempie, jakie ta karta utrzymuje. Dopiero klipy wymagające rozumowania, obsługi dialektu lub starannej transkrypcji trafiają do Ming-3.0-audio-flash. Ponieważ tokenizer, format promptu i kod obsługi są współdzielone, drugie wywołanie to to samo żądanie z inną nazwą modelu; nie ma ponownego kodowania, przepisywania promptu ani drugiej integracji do utrzymywania.
Ekonomia jest tu kluczowa. Jeśli jedna piąta Twojego audio jest trudna, model flash widzi tylko jedną piątą wolumenu i możesz dobrać rozmiar jego węzła do tego ułamka, a nie do szczytu. Jeśli prawie całe Twoje audio jest trudne, kaskada nic nie daje i powinieneś uruchomić sam model flash — to cenna lekcja z tygodnia triage’u z użyciem malutkiego modelu, zanim postawisz na cztery H800s.
Ten sam wzorzec pojawia się o warstwę wyżej, w wywołaniach tekstowych wokół modeli audio: klasyfikator decydujący, do którego poziomu należy klip, strukturalne wyodrębnianie danych z transkrypcji, podsumowanie sporządzane później. To zwykłe uzupełnienia czatu, a OrcaRouter kieruje je przez ponad 200 modeli za jednym kluczem z 0% narzutu, z automatycznym przełączaniem awaryjnym — dzięki czemu klasyfikator kontrolujący dostęp do Twojego kosztownego poziomu audio nie staje się komponentem, który unieruchamia cały potok. DSL routingu to element, który pozwala wyrazić decyzję o poziomie jako konfigurację, a nie kod: krótkie, czyste klipy wysyłaj jedną drogą, długie lub z akcentem — inną, a model zapasowy niech wypełnia lukę, gdy dostawca działa gorzej. Nie udostępniamy żadnego z checkpointów Ming; oba są plikami do pobrania, które uruchamiasz samodzielnie.
Jak to rozstrzygnąć przy użyciu własnego audio
Oba punkty kontrolne są objęte licencją MIT, oba pasują do tej samej ścieżki kodu i oba są wystarczająco małe w tym najmniejszym przypadku, by przetestować je bez rozmowy z działem zakupów. To sprawia, że popołudnie pomiarów jest bardziej informacyjne niż którakolwiek z powyższych liczb.
Wyciągnij dwieście klipów z własnego ruchu, z naciskiem na trudniejszy koniec — mowę z akcentem, nakładających się mówców, szum tła i długie nagrania, które faktycznie masz. Uruchom oba modele z tymi samymi promptami i oceń trzy rzeczy: dokładność transkrypcji na klipach, dla których masz dane referencyjne (ground truth), czy etykieta języka była poprawna oraz jak często wynik był nieużywalny, a nie tylko błędny. Następnie uruchom kaskadę i zmierz, ile klipów model tiny obsłużył wystarczająco dobrze, że model flash w ogóle nie był potrzebny.
Ta ostatnia liczba jest jedyną, która decyduje o infrastrukturze. Jeśli wynik będzie wysoki, masz wdrożenie na jednym GPU z dużym modelem za nim dla ogona. Jeśli będzie niski, dowiedziałeś się, że twoje obciążenie to obciążenie, dla którego zbudowano model flash, a tiny był użytecznym eksperymentem, a nie poziomem. Każda odpowiedź jest tania. Zgadywanie na podstawie liczby parametrów już nie, ponieważ 13,5× na karcie i 2,4× w budżecie obliczeniowym wskazują na zupełnie inny sprzęt, a tylko twoje nagrania mogą powiedzieć, który z nich kupujesz.
