Ming-3.0-audio-flash foi lançado seis semanas antes de seu próprio model card

Um modelo de linguagem de áudio com 126 bilhões de parâmetros está disponível para download no Hugging Face desde 3 de setembro de 2026, e tem 22 downloads e oito curtidas para mostrar. Até esta semana, a única descrição anexada ao repositório era um cartão desatualizado que se autodenominava "Ming Audio V3" e dizia que o repositório "atualmente documenta o caminho de ASR". Ming-3.0-audio-flash é o nome que ele carrega agora. Os pesos não são novos. O que chegou entre 13 e 19 de outubro de 2026 é tudo o que torna um checkpoint utilizável por alguém que não o treinou: uma configuração que finalmente declara um contexto de 128K, um reenvio que transforma um modelo de vídeo-linguagem-áudio em um modelo somente de áudio em um caminho de código do Transformers 5, um pacote de voz com dois clipes de referência e o primeiro cartão de modelo de verdade que o repositório já teve. A inclusionAI não anunciou nada disso. Nenhum terceiro publicou um único número para o modelo, então tudo abaixo é lido diretamente do histórico de commits ou citado das próprias imagens de avaliação do fornecedor — e é por isso que vale dizer logo no início que o modelo é de setembro e apenas a documentação é desta semana. As falhas de IA documentadas e os incidentes de agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de disputa.

O que mudou, e quando

O histórico de commits é excepcionalmente legível e conta uma história que o model card não conta. O repositório foi criado em 3 de setembro de 2026 às 11:49 UTC com um único arquivo, um .gitattributes. Nove minutos depois, 25 shards de safetensors totalizando 257 GB chegaram em um commit intitulado "Add files using upload-large-folder tool" — a assinatura padrão de uma equipe de treinamento enviando um checkpoint, não de uma equipe de produto preparando um lançamento. O README que o acompanha declarava Apache 2.0, marcava o repositório como automatic-speech-recognition e orientava você a instanciar o modelo com trust_remote_code=False.

Então o repositório ficou parado por seis semanas. Quando voltou a se mover, moveu-se quatro vezes em sete dias.

• 13 de outubro, 12:17 UTC — "Upload de config.json." Um único arquivo, e o mais interessante: max_position_embeddings passa de 8.192 para 131.072. Nada mais no repositório muda, então, por dois dias, o repositório anunciou um contexto de 128K sem nenhum código de modelagem capaz de utilizá-lo.

• 15 de outubro, 09:35 e 09:40 UTC — "Remover arquivos obsoletos", seguido de "Enviar modelo atualizado". O layout dos pesos não mudou, mas 46 arquivos foram reescritos e o primeiro shard caiu de 10,64 GB para 9,77 GB. O áudio do config model_type mudou de bailing_moe_v3_vl_audio para bailing_moe_v3_audio, um video_patch_token remanescente foi excluído, o transformers_version declarado saltou de 4.56.2 para 5.14.1, e auto_map ganhou AutoModel e AutoProcessor que não existiam antes. No mesmo push, o README e a pasta examples/ desapareceram — pelos quatro dias seguintes, o repositório ficou sem nenhum model card.

• 17 de outubro, 11:44 UTC — "Adicionar predefinições de voz." Uma pasta voice_presets/ aparece com US_James.wav, 灵楷.wav e um voice_prompts.json contendo suas transcrições.

• 19 de outubro, a partir das 11:35 UTC — "Add model card", depois assets, depois uma dúzia de pequenos commits polindo a navegação e o alinhamento dos links, terminando às 13:20 UTC com "Add Tiny model link". Este é o commit que renomeou o modelo, alterou os metadados da licença para MIT e adicionou o cartão de 8.259 bytes que descreve um modelo completo de áudio-linguagem, em vez de um caminho ASR. O README que ele substituiu havia sido excluído quatro dias antes; a versão anterior a essa, de setembro, tinha o título "Ming Audio V3" e declarava Apache 2.0.

Há um segundo repositório que vale a pena conhecer. Ming-3.0-audio-tiny foi criado no mesmo momento que o modelo flash, em 3 de setembro às 11:45 UTC, e recebeu o mesmo tratamento em 19 de outubro. É o irmão menor: 9,3B de parâmetros totais com 2,7B ativos, MIT, aproximadamente 21 GB em quatro shards, e três downloads.

O que você pode realmente baixar

A configuração foi publicada, então a arquitetura não é um mistério. O que mudou esta semana é que a configuração e o código finalmente concordam. Arquivos de modelagem personalizados estão no repositório desde o primeiro upload — modeling_bailing_moe_v3_audio.py e processing_bailing_moe_v3_audio.py estavam ambos lá em 3 de setembro — mas a configuração que eles deveriam carregar descrevia um modelo de vídeo-linguagem-áudio com janela de 8K, e o card mandava instanciá-lo com trust_remote_code=False, que é o oposto do que o código personalizado precisa. O reupload de 15 de outubro é a versão em que audio_config.model_type lê bailing_moe_v3_audio, o token de patch de vídeo sumiu, o runtime declarado é transformers_version 5.14.1, e auto_map registra AutoModel e AutoProcessor ao lado das duas entradas que sempre estiveram lá.

• Tamanho — 25 shards safetensors bfloat16 totalizando 256 GB para o modelo de linguagem, além de um par Talker e VAE de 3 GB em talker/. O modelo pequeno tem cerca de 21 GB em quatro shards.

• Backbone — 42 camadas, tamanho oculto 2.560, 512 especialistas com 8 ativos por token, vocabulário de 157.184. Isso dá 126B no total e 6,5B ativos por etapa de inferência, conforme o card.

• Torre de áudio — um codificador no estilo Whisper com 32 camadas e largura de 1.280, 20 cabeças, 128 bins mel e um contexto de áudio de 3.000 quadros. O ID do token de áudio é 157.168.

• Contexto — 131,072 posições. Eram 8,192 na configuração de 3 de setembro, e a configuração de 13 de outubro que o aumentou pela primeira vez ainda se chamava bailing_moe_v3_vl_audio e ainda trazia o token de patch de vídeo; a versão limpa apenas de áudio é a de 15 de outubro.

• Saída — texto, ou texto mais fala sintetizada por meio de um Talker opcional. O cartão indica uma voz IP padrão, 灵小柔, e duas vozes de referência predefinidas, 灵楷 e US_James, cujos áudios e transcrições estão ambos no repositório.

• Licença — MIT. Foi Apache 2.0 até 19 de outubro. Observe que o próprio repositório não contém nenhum arquivo LICENSE: a alegação de MIT está nos metadados do cartão e num link para um caminho do GitHub, e o único texto de licença realmente presente no repositório pertence a um modelo de identificação de idioma incluído em talker/data/.

O início rápido ainda não resolve

Esta é a parte de que um leitor que planeja avaliar o modelo precisa antes de qualquer outra coisa, e ela não está no card. O bloco de instalação do card clona github.com/inclusionAI/Ming-3.0-audio-flash. Essa URL retorna HTTP 404 hoje, tanto pela web quanto pela API. O mesmo vale para todos os caminhos que o card constrói com base nela: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, e requirements-transformers.txt.

Nenhum desses também existe no repositório do Hugging Face. Ele não contém nenhum diretório examples/ — um anterior foi excluído em 17 de setembro — nem scripts/, nem docs/, e nenhum arquivo de requisitos fora de talker/. O que ele contém é tudo o que é necessário para carregar o modelo diretamente com o Transformers, que o card também documenta como um trecho de Python: AutoProcessor com use_fast=False, AutoModelForCausalLM em bfloat16 com device_map="auto", trust_remote_code=True, e áudio passado por processor(messages) com audio_feats convertido para o dtype do modelo.

Então o status honesto é: o modelo carrega, os scripts de serving atualmente não existem para um leitor ler, e o card está descrevendo um repositório que ainda não foi publicado. Isso não é um escândalo — documentação chegando algumas horas antes de um push de código é normal —, mas significa que as duas receitas de implantação abaixo não podem ser auditadas, apenas citadas. Qualquer pessoa avaliando este checkpoint deve planejar usar o caminho do Transformers e deve ler modeling_bailing_moe_v3_audio.py antes de habilitar código remoto, o que o próprio card aconselha.

O que pode ser verificado é o contrato de tokenização, e o cartão é excepcionalmente específico quanto a isso: o prompt de ASR validado pede ao modelo que nomeie o idioma falado e coloque uma tabulação entre o rótulo do idioma e a transcrição. Se você estiver escrevendo um harness de avaliação, essa tabulação é o parser. Um prompt genérico de “transcreva isto” não é a configuração que o fornecedor mediu.

A tabela que a inclusionAI publicou, incluindo as colunas que ela perde

Três imagens PNG em assets/ trazem a avaliação. Todos os números nelas vêm da própria execução da inclusionAI; os asteriscos marcam entradas que o fornecedor rotula como autoavaliadas, e nada disso foi reproduzido por terceiros. A Artificial Analysis publica rankings de áudio e não tem entrada para este modelo. Não há pontuação de arena, nem Elo independente, nem segunda opinião — então leia o que segue como um fornecedor descrevendo seu próprio modelo, que é exatamente o que é.

A imagem de reconhecimento de fala é a parte mais forte do caso, e é forte no eixo para o qual o modelo foi claramente concebido. Na média do seu conjunto de testes em chinês, o modelo flash apresenta 3,45 contra 3,54 do Qwen3.8-Omni Flash e 9,83 do Gemini 3.8 Flash; em inglês, 3,69 contra 4,02 e 5,05. Nos dialetos, a diferença aumenta acentuadamente:

• Média dialetal — 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 contra 49,95, 28,08 e 81,62 para os mesmos três.

• Xangainês — 11,15 contra 26,32, 21,10 e 88,64.

• Cantonês — 4,09 contra 6,64, 4,76 e 42,62. Este está quase empatado com o Qwen3.8-Omni Flash e é um atropelo sobre o Gemini 3.8 Flash.

• Hubei — 9,46 contra 11,35, 7,75 e 48,24. Qwen3.8-Omni Flash vence esta linha, e o fornecedor a publicou mesmo assim.

• Hunan — 8,76 contra 20,30, 17,11 e 71,39.

A mesma imagem é menos favorável quando a tarefa deixa de ser transcrição. Na diarização de falantes, o AISHELL-4 reporta uma taxa de erro de diarização de 8,58 para o modelo flash, contra 2,80 para o Qwen3.8-Omni Flash; o AliMeeting, 8,66 contra 3,40; o AMI, 25,29 contra 11,16 para o MiMo-V2.6 Pro. Se o seu problema é "quem falou quando" e não "o que foi dito", este não é o modelo que a própria tabela do fornecedor recomenda. A taxa de erro de caractere de permutação mínima concatenada em formato longo no AMI conta a mesma história: 39,62 para o modelo flash, contra 30,91 para o MiMo-V2.6 Pro e 23,19 para o Qwen3.8-Omni Flash.

A imagem de inteligência de áudio é onde o argumento perde força. O modelo vence nas linhas de destaque — BigBenchAudio 99,40, MMAU 82,00 — e depois cede terreno quase em todos os pontos em que a tarefa exige raciocínio ao longo de uma gravação longa, em vez de descrever uma curta.

• LongAudioSpan — 41,12, contra 50,26 do Seed2.0 Lite e 66,40 do Qwen3.8-Omni Flash.

• Pontuação Long-audio Chain — 12,31, contra 34,54 do Qwen3.8-Omni Flash, 48,70 do seu modo de pensamento e 49,63 do Gemini 3.8 Flash. Isso representa uma diferença de quatro vezes na métrica que o fornecedor escolheu publicar.

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

• Chamada de ferramentas — BFCL-v3 Audio 81,40 contra 75,08 do Seed2.0 Lite e 86,68 do Gemini 3.8 Flash.

Os benchmarks de texto são os menos surpreendentes e os mais úteis, porque dizem o que o modelo não é. Em raciocínio geral, o modelo flash fica abaixo dos modelos omni com os quais está sendo comparado em quase todas as linhas: GPQA Diamond 82,45 contra 91,00 do Qwen3.8-Omni Flash, MMLU-Pro 80,00 contra 87,70, IFBench 59,00 contra 81,50, LiveCodeBench v6 79,90 contra 92,60, AA-LCR 73,90 contra 80,00. O backbone é um especialista em áudio com 6,5B ativos e uma contagem de 126B parâmetros, e a tabela de texto é como isso se parece visto de fora. Se você quer um único modelo que tanto ouça uma reunião quanto escreva o código de acompanhamento, os próprios números da inclusionAI indicam que você não deve esperar que este dê conta da segunda metade.

Quanto custa executar

Dois perfis de serviço são citados, nenhum deles auditável ainda. O perfil de referência vLLM-Omni para contexto de 128K usa paralelismo de tensores em oito GPUs H800 de 80 GB. O perfil SGLang validado usa quatro GPUs e retorna apenas texto. Essas são as configurações do fornecedor, não medições, e com 256 GB de pesos antes de qualquer KV cache não há uma versão menor disto — a configuração de 8K que o repositório lançou em setembro não teria alterado o piso de memória, porque o piso é o checkpoint.

A leitura prática é que este é um modelo de cluster, não um modelo de workstation. Quatro GPUs custam aproximadamente o mesmo que um nó de GPU sério; oito com 80 GB é uma linha orçamentária completamente diferente. Ming-3.0-audio-tiny é a resposta para quem quer testar a família sem esse compromisso — 21 GB e 2,7B parâmetros ativos cabem em um único cartão grande —, mas o modelo tiny é um checkpoint diferente, com seus próprios números, consistentemente piores nas mesmas tabelas (pontuação Chain em áudio longo 10,56 contra 12,31, LongAudioSpan 35,45 contra 41,12, URO-Bench-Pro 54,15 contra 81,92, VoiceBench 74,29 contra 86,74), e o fornecedor não publica nada que estabeleça que seu comportamento é transferível.

Vale a pena observar para quem planeja uma integração: o Talker é opcional e separável. A ficha do modelo o descreve como gerador de fala a partir da saída do modelo, e os presets ficam em sua própria pasta, com seu próprio arquivo de requisitos, de modo que uma implantação somente de texto não precisa carregá-lo. Ambos os perfis de serving documentados retornam texto por padrão.

Onde um roteador justifica seu lugar, e onde não justifica

O OrcaRouter não serve o Ming-3.0-audio-flash. Ele não está no nosso catálogo, não podemos fornecer um endpoint para ele, e nada neste texto deve ser interpretado como uma oferta nesse sentido. O que um roteador tem de útil num pipeline construído em torno de um modelo como este é a metade que não é o modelo. Os sistemas de fala são sobretudo trabalho de texto: o prompt que decide o que perguntar ao áudio, o pós-processamento que transforma um rótulo de idioma delimitado por tabulações em saída estruturada, o resumo escrito a partir da transcrição, o fallback que corre quando o nó de GPU está saturado. Essas são chamadas de texto normais, e uma API para mais de 200 modelos com 0% de margem — o preço de tabela do fornecedor é repassado, por isso um corte de preço do vendedor fica ativo do nosso lado no mesmo dia — é algo mais simples de ligar do que quatro contratos com fornecedores. Failover automático é o que lhe permite colocar um modelo novo e não comprovado atrás de parte do seu tráfego sem apostar todo o caminho nele.

A fronteira merece ser dita de forma clara, porque é exatamente por isso que este artigo não termina com uma caixa de cadastro: um checkpoint de 259 GB que você executa nas suas próprias oito GPUs é infraestrutura, não uma chamada de API. Um roteador roteia chamadas. Ele não transforma um modelo de cluster em um modelo hospedado, nem transforma 22 downloads em evidência de produção.

O que assistir

Três coisas mudariam o panorama, e cada uma é verificável de uma forma que os benchmarks não são. Primeiro, o repositório do GitHub: quando inclusionAI/Ming-3.0-audio-flash deixar de retornar 404, os scripts de serving e o guia de voz tornam-se reais e as duas receitas de implantação acima tornam-se auditáveis. Segundo, uma pontuação independente: no momento em que o Artificial Analysis ou uma arena listar este checkpoint, a lacuna de quatro vezes em áudio longo deixa de ser um autorrelato do fornecedor e passa a ser um dado. Terceiro, o arquivo de licença: o MIT é declarado nos metadados, e um arquivo LICENSE no repositório o tornaria um fato em vez de uma alegação — a distinção importa para qualquer pessoa cujo processo de aquisição leia o repositório em vez do card.

Até lá, a descrição precisa é a pouco glamorosa. Um checkpoint sério de áudio-linguagem, mais forte em fala chinesa com sotaque e dialetal, fraco em raciocínio sobre áudio longo e em diarização de falantes de acordo com seus próprios números publicados, licenciado sob MIT no papel, cerca de 259 GB em disco e documentado apenas a partir desta semana. Seis semanas de silêncio não são evidência de nada, exceto que a inclusionAI lançou os pesos antes de lançar a papelada — mas a papelada é a parte que diz o que você está baixando, e agora, finalmente, está lá para ler.