Ming-3.0-audio-tiny vs Qwen-Audio 3.1: okno, na którym można wykonywać obliczenia, w zestawieniu z katalogiem, na którym nie można

Oto liczba, którą łatwo sprawdzić, a trudno wykorzystać: tekstowy szkielet wewnątrz Ming-3.0-audio-tiny jest skonfigurowany na 131 072 pozycji, a wieża audio przed nim przyjmuje jednorazowo 3000 ramek z 128 binami mel. Qwen-Audio 3.1natomiast nie publikuje żadnej długości kontekstu — ani w indeksie modeli, ani w jednowierszowych opisach dołączonych do jego trzech identyfikatorów modeli. Jedna strona podaje ci liczbę i pozostawia interpretację tobie; druga podaje ci trzy nazwy produktów, a kwestię sprzętu zostawia firmie Alibaba. Na tej asymetrii polega całe porównanie i nie jest to porównanie tego, który model lepiej słyszy. To porównanie tego, który z nich można oszacować, zanim cokolwiek wydasz. Udokumentowane awarie AI i incydenty z udziałem agentów stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, wagę, stopień pewności i flagę sporności.

Najpierw daty, ponieważ ten model ma kłopotliwą chronologię. Wagi stojące za Ming-3.0-audio-tiny trafiły na Hugging Face 3 września 2026 r.; repozytorium utworzono o 11:45 UTC, a dwa shardy safetensors pojawiły się cztery minuty później. To, co zmieniło się niedawno, to nie checkpoint. Między 16 a 19 października 2026 r. repozytorium przepisano wokół niego — konfiguracja, która wreszcie opisywała model audio, a nie model wideo-językowy, Talker do generowania mowy, dwa referencyjne klipy głosowe z transkrypcjami, trzy profile wdrożeniowe na GitHubie oraz — 19 października o 13:19 UTC — pierwsza w historii repozytorium karta modelu. Nikt tego nie ogłosił. Zatem uczciwe pytanie nie brzmi, co wydano we wrześniu, lecz co można teraz obliczyć w kwestii jego uruchamiania oraz czego katalog A​libaba pozwala obliczyć, a czego nie, w odniesieniu do alternatywy.

Zamiana 131,072 tokenów na minuty

Ta liczba jest realna i można ją sprawdzić, czego nie da się powiedzieć o większości twierdzeń dotyczących kontekstu. Konfiguracja tekstowa deklaruje max_position_embeddings 131,072, mechanizm uwagi MLA z latentem KV o szerokości 512 oraz bazę rotary wynoszącą 6 000 000. Ale okno kontekstu wyrażone w tokenach staje się użyteczne dopiero wtedy, gdy wiadomo, ile tokenów kosztuje sekunda dźwięku, a producent tego nie podaje. Można to wyprowadzić z samych liczb wieży audio.

• Wejście enkodera — 3000 ramek po 128 binów mel, czyli dokładnie to samo 30-sekundowe okno, którego Whisper używa przy skoku 10 ms.

• Downsampler — jądro [3,3,3] z krokiem [2,2,2], więc jedno okno zmniejsza się ośmiokrotnie.

• Tokeny na okno — 3000 podzielone przez 8, czyli 375 tokenów audio na około 30 sekund dźwięku.

• Co to oznacza — 131 072 podzielone przez 375 daje około 349 okien, czyli nieco mniej niż trzy godziny audio, jeśli potok przetwarzania podaje pojedynczy ciągły strumień, zamiast ponownie buforować między oknami.

Ta ostatnia klauzula odgrywa dużą rolę i chcę to wyraźnie podkreślić. Liczba trzech godzin to wynik obliczeń na dwóch opublikowanych wartościach konfiguracyjnych, a nie twierdzenie dostawcy, i będzie błędna, jeśli procesor resetuje pozycję między klipami — co dokładnie sugeruje profil reprodukcji ASR, gdy ogranicza audio do jednego klipu na prompt. Traktuj ją jako górną granicę do sprawdzenia, a nie specyfikację do cytowania.

To, co nie jest arytmetyką, jest konsekwencją pamięciową. MLA przechowuje latent KV zamiast kluczy i wartości dla poszczególnych głów, dlatego okno 131K jest w ogóle wykonalne na jednej karcie. Referencyjny profil tekstowy rezerwuje 0,92 pojedynczego GPU przy max_num_batched_tokens 32 768, co jest rezerwacją rozmiaru pełnego okna plus dużego batcha, a nie dolnym limitem. Usuń max_model_len, a rezerwacja spadnie razem z nim. Shardy Thinkera sumują się do 17,74 GB, więc karta 24 GB mieści wagi z zapasem.

Druga strona odpowiada na to samo pytanie podziałem produktu.

Indeks Model Studio Alibaby wymienia Qwen-Audio 3.1 jako trzy identyfikatory modeli, a nie jeden model z polem kontekstu. qwen-audio-3.1-asr-flash-streaming i qwen-audio-3.1-asr-flash-filetrans znajdują się w kategorii rozpoznawania mowy; qwen-audio-3.1-realtime-plus znajduje się w kategorii mowy na mowę i jest opisywany jako kompleksowa rozmowa głosowa end-to-end bez osobnych wywołań ASR i TTS. Na tej stronie nie ma wag, liczby parametrów, długości kontekstu ani ceny. Dokumentacja szczegółowa dla każdego z tych identyfikatorów nie została wyświetlona podczas sprawdzania.

Odczytuj ten podział jako odpowiedź na problem długiego audio, a nie jako przypadkowy efekt pakowania. SKU do transkrypcji plików to sposób, w jaki dostawca sprzedaje godzinę audio: przesyłasz plik, usługa dzieli go na fragmenty, jak chce, a okno kontekstu to czyjś inny problem inżynierski. SKU strumieniowe to sposób, w jaki dostawca sprzedaje rozmowę telefoniczną. Żadne z tych SKU nie ujawnia liczby, którą ujawnia Ming, co oznacza, że nie można zbudować modelu wydajnościowego dla Qwen-Audio 3.1 tak, jak można dla Ming-3.0-audio-tiny. Można jedynie wyliczyć rachunek, i nawet to wymaga konsoli.

• Co możesz sprawdzić — Ming: konfiguracja, architektura, licencja, cztery pliki safetensors, trzy obrazy benchmarków, YAML wdrożenia. Q​wen: trzy identyfikatory i po jednym zdaniu do każdego.

• Co możesz zwymiarować — Ming: 17,74 GB wag i jeden GPU do tekstu, dwa do mowy. Q​wen: nieznane, dopóki nie przeczytasz cennika, którego stąd nie widzisz.

• Co możesz buforować — Ming: własną pamięć podręczną KV, przy własnym max_model_len. Q​wen: cokolwiek endpoint robi wewnętrznie, w niewidoczny sposób.

• Tryb awarii — Ming: OOM, który spowodowałeś i który możesz naprawić. Q​wen: limit przydziału, region albo strona dokumentacji, która nic nie zwraca.

• Licencja — Ming: MIT, w metadanych karty i w pliku LICENSE repozytorium GitHub, przy czym należy zauważyć, że repozytorium Hugging Face nie zawiera własnego pliku LICENSE. Q​wen: warunki komercyjne Model Studio, ponieważ nie ma licencji wag do przeczytania.

Pytanie benchmarkowe, na które nikt nie potrafi szczerze odpowiedzieć

Ming-3.0-audio-tiny dostarcza trzy obrazy ewaluacyjne w assets/, a każda komórka w nich to inclusionAI mierzące inclusionAI. Karta oznacza wiersze oceniane samodzielnie gwiazdką i przyznaje, że modele porównawcze odtworzono przy użyciu własnych promptów i ustawień dekodowania. To standardowe ujawnienie i warto przyjąć je za dobrą monetę: to cele projektowe, a nie wyniki.

W tym porównaniu liczby są podwójnie kłopotliwe, ponieważ przydatnych kolumn nie ma wśród tych, które są dostępne. W rozpoznawaniu chińskiego malutki model osiąga średnio 3,79 błędu znaków wobec 3,45 u większego modelu z tej samej rodziny, a w dialektach 10,29 wobec 9,40. W inteligencji audio wyraźnie traci — MMAU 75,90 wobec 82,00, MMAU-Pro 56,42 wobec 66,41 oraz załamanie w interakcji mówionej na URO-Bench-Pro z 81,92 do 54,15. Wszystko to jest znikome wobec flash. Nic z tego nie jest znikome wobec Qwen-Audio 3.1, ponieważ Qwen-Audio 3.1 nie opublikował porównywalnego wyniku, nie ma wspólnego zestawu testowego, wspólnej konfiguracji dekodowania ani strony trzeciej, która uruchomiła oba.

Jest jeszcze druga luka warta nazwania, ponieważ można ją sprawdzić w dziesięć sekund. Karta mówi, że wspólne grafiki obejmują wyniki dla obu wariantów Ming. Dotyczy to obrazu rozpoznawania i obrazu inteligencji audio. Obraz inteligencji tekstowej ma cztery kolumny i nie ma wśród nich malutkiego modelu — jego kolumny to Ming-3.0-audio-flash, Qwen3.8-Omni Flash, Qwen3.5-Omni Plus i Qwen3.5-Omni Flash. Jeśli pytanie brzmi, czy backbone z 2,7 mld aktywnych parametrów potrafi prowadzić rozmowę z rozumowaniem na temat audio, inclusionAI nie odpowiedział na nie w tym obrazie, cokolwiek mówi zdanie nad obrazem.

Jak dwa kształty zawodzą odmiennie po trzech godzinach

Długie audio to miejsce, w którym podział produktu przestaje być kosmetyczny. Pojedynczy checkpoint z oknem 131K to obietnica, że jeden model odczyta całe nagranie i zapamięta pierwsze dziesięć minut, gdy dotrze do końca. Ta obietnica ma konkretny tryb awarii: wszystko degraduje się razem. Jeśli audio przekracza okno, dzielisz je na fragmenty, a dzielenie na fragmenty to miejsce, w którym rozumowanie między fragmentami po cichu umiera — mówca przedstawiony w drugiej minucie znów jest obcy w czterdziestej minucie.

SKU transkrypcji plików ukrywa ten problem i dziedziczy inny. Nie kontrolujesz dzielenia na fragmenty, więc nie możesz odtworzyć błędnej transkrypcji; nie możesz stwierdzić, czy usługa zachowała kontekst między fragmentami, czy zszyła niezależne okna; a gdy wynik zmienia się między dwoma identycznymi wgraniami, nie masz zmiennej, którą można wyizolować. SKU strumieniowe uczciwie deklaruje swoje ograniczenie już w nazwie: jest zbudowane tak, by emitować wynik w miarę napływania dźwięku, co ma właściwy kształt dla podpisów, a niewłaściwy dla przeglądu zgodności dziewięćdziesięciominutowej rozmowy.

Decyzja nie brzmi więc „które jest dokładniejsze” — żadna ze stron nie podała liczby, która by to rozstrzygnęła. Brzmi: „który błąd jestem w stanie zdebugować”. Jeśli musisz odtworzyć transkrypcję bajt po bajcie, miej własny checkpoint. Jeśli potrzebujesz transkrypcji w dwadzieścia minut i cudzego pagera, wynajmij SKU.

Gdzie router zarabia na siebie w tym potoku

OrcaRouter nie obsługuje Ming-3.0-audio-tiny. Nie ma go w naszym katalogu i nie możemy podać dla niego punktu końcowego; nic tutaj nie jest tego ofertą. To, do czego router faktycznie dociera, to część długiego potoku audio, która nie jest modelem audio: decydowanie, które nagranie trafi do lokalnego modelu 2.7B, a które do czegoś większego, pisanie podsumowania na podstawie transkrypcji, wyodrębnianie zadań do wykonania, oznaczanie połączenia. To są wywołania tekstowe, a ponad 200 modeli za jednym kluczem to krótsza droga niż cztery umowy z dostawcami — w cenie katalogowej dostawcy z 0% marży, więc gdy dostawca obniży cenę, kwota, którą płacisz, zmienia się tego samego dnia. Automatyczne przełączanie awaryjne ma tu większe znaczenie niż zwykle: zadanie transkrypcji, które zawodzi w osiemdziesiątej minucie dziewięćdziesięciominutowego pliku, powinno ponowić próbę na drugiej ścieżce, a nie zaczynać od nowa.

Warto powiedzieć tę granicę na głos. Router kieruje połączenia. Nie zamienia 17,74 GB checkpointu w hostowany endpoint ani nie powie ci, czy okno 131K Minga jest prawdziwe. Robi to tylko twoja własna godzina audio.

Eksperyment, który rozstrzyga sprawę

Weź jedno nagranie, dla którego znasz już odpowiedź — spotkanie z trzema mówcami, z których jeden zmienia język w połowie zdania — i przepuść je przez oba. W przypadku Ming-3.0-audio-tiny wczytaj je z trust_remote_code=True, użyj promptu ASR, który waliduje karta (podaj język, znak tabulacji, a potem transkrypcję — ten znak tabulacji to twój parser), i ustaw max_model_len dokładnie na potrzebną długość, a nie na wartość domyślną. W przypadku Qwen-Audio 3.1 przepuść ten sam plik przez zarówno SKU do transkrypcji plików, jak i SKU czasu rzeczywistego, ponieważ to różne produkty i nie będą się zgadzać.

Następnie porównaj trzy rzeczy, z których żadna nie jest wynikiem benchmarku. Czy model zachował tożsamości mówców w całym pliku? Czy poradził sobie ze zmianą języka bez transliterowania? I czy potrafiłbyś wyjaśnić wynik wystarczająco dobrze, aby zmienić jedną zmienną i uruchomić go ponownie? Ostatnie pytanie rozstrzyga, czy oceniasz model, czy przeprowadzasz przesłuchanie dostawcy, i to jedyne miejsce, w którym te dwie rzeczy nie są blisko siebie.