
Ming-3.0-audio-flash vs Ming-3.0-audio-tiny: treze vezes o número de parâmetros, duas vezes e meia o trabalho
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 185 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 228 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 98 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
Ming-3.0-audio-flash e Ming-3.0-audio-tiny chegaram ao Hugging Face com quatro minutos de diferença em 3 de setembro de 2026 — tiny às 11:45 UTC, flash às 11:49 — e, desde então, os dois têm sido confundidos entre si. Nesta manhã, a confusão tornou-se literal. O repositório do flash foi editado às 08:26 UTC com um commit intitulado "Atualizar a pontuação BBA do Flash para 99,8% e adicionar o resultado geral nº 1 do leaderboard"; o repositório do tiny foi editado dois minutos e oito segundos depois com um commit intitulado "Atualizar a pontuação BBA compartilhada do Flash para 99,8%…", trazendo a mesma frase e o mesmo PNG do leaderboard. O modelo tiny não tem uma entrada própria no Artificial Analysis, então, se você viu um 99,8% atribuído ao Ming-3.0-audio-tiny, esse número pertencia ao seu irmão maior e chegou por copiar e colar.
Vale dizer isso primeiro porque enquadra todo o resto. Não são dois concorrentes. São um único design em duas escalas, compartilhando um tokenizador, uma janela de contexto, uma licença e um caminho de código de serving, e diferindo em um punhado de inteiros dentro de config.json. A pergunta interessante não é qual deles vence — o flash vence em todos os números de qualidade publicados — mas por quais desses inteiros você está realmente pagando, e no que o menor é genuinamente melhor.
O que os dois repositórios realmente compartilham
Comece pelas partes que são idênticas, porque há mais delas do que você esperaria de uma diferença de parâmetros de 13,5×.
• Nome da arquitetura — ambos declaram model_type: bailing_moe_v3_audio, o mesmo caminho de código personalizado do Transformers.
• Tokenizador — ambos usam um vocabulário de 157.184 tokens, com o placeholder de áudio no índice 157.168. Um prompt escrito para um pode ser carregado no outro.
• Janela de contexto — ambos declaram max_position_embeddings: 131072, com o mesmo theta de RoPE de 6.000.000 e sem escalonamento aplicado.
• Largura de roteamento — ambas ativam 8 especialistas por token. Este é o número que torna o par minimamente comparável.
• Entradas e saídas — áudio e uma instrução de texto na entrada; texto, ou texto com fala sintetizada por meio de um Talker opcional, na saída.
• Licença — MIT em ambos, com o mesmo arquivo de isenção de responsabilidade legal.
• Código — o README do modelo tiny diz para você git clone o repositório GitHub do modelo flash. Há uma implementação, um conjunto de scripts de exemplo, um guia de voz.
Como o código é compartilhado, os dois checkpoints são intercambiáveis sem ajustes no nível da API. Alternar de um para o outro é uma mudança no nome do modelo, que é exatamente a propriedade que torna um pipeline de dois níveis barato de construir e também a propriedade que torna fácil publicar a pontuação do modelo errado.

Os quatro inteiros que não são compartilhados
Tudo o que é diferente fica em text_config, e há apenas quatro números que importam.
• Camadas — flash 42, tiny 24.
• Especialistas — flash 512, tiny 128.
• Largura do especialista — flash moe_intermediate_size 768, tiny 512.
• Tamanho oculto — flash 2.560, tiny 1.536.
Faça as contas e você chega aos números de destaque citados nos cartões: 126B de parâmetros totais com 6,5B ativos para o flash, 9,3B totais com 2,7B ativos para o tiny. Em disco, a diferença é de 259,33 GB de pesos bfloat16 em 25 shards contra 20,7 GB em dois.
Agora observe a proporção em vez dos números absolutos, porque é essa a parte que as folhas de especificações escondem. O total de parâmetros difere em 13,5×. Os pesos em disco diferem em 12,5×. Mas os parâmetros ativos diferem em apenas 2,4×. O modelo flash mantém uma biblioteca de especialistas muito maior e consulta um número semelhante deles; o modelo tiny tem uma biblioteca menor e consulta um número semelhante. Assim, o flash não é treze vezes mais caro por token que o tiny — está mais perto de duas vezes e meia, com uma pegada de memória treze vezes maior permanecendo em grande parte ociosa. Esse é o trade-off clássico de MoE esparso, e significa que o custo real de escolher o flash é capacidade, não vazão: você está comprando uma biblioteca maior e precisa manter a biblioteca inteira residente, quer um determinado clipe use dela, quer não.

Uma consequência surpreende as pessoas. Ambos os modelos declaram a mesma janela de 131.072 tokens, e é tentador concluir que eles processam o mesmo áudio. Não processam. Contexto é um limite, não uma capacidade, e os próprios números do fornecedor na próxima seção mostram exatamente onde a compreensão do modelo menor se esgota bem antes de a janela estar cheia.
O que dizem as próprias tabelas do fornecedor
As imagens de avaliação em ambos os cartões foram produzidas pela inclusionAI e mostram os dois modelos lado a lado. São números do fornecedor, não auditados, e a seleção de tarefas é feita pelo fornecedor; ainda assim, são a única comparação por tarefa que existe, porque a Artificial Analysis avalia apenas o flash.
• Pontuação da cadeia de áudio longo — 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.
Duas coisas merecem destaque. Primeiro, a ordenação: o tiny perde em todos eles, então ninguém deveria escolhê-lo esperando paridade. Segundo, e menos óbvio: a diferença é muito maior nos benchmarks de raciocínio de áudio (URO-Bench-Pro, queda de 27,8 pontos, e VoiceBench, queda de 12,5) do que nos de áudio longo (queda de 1,75 e 5,67). O que quer que os especialistas e camadas extras tenham comprado, compraram principalmente raciocínio sobre o que foi ouvido, não resistência bruta a uma gravação longa.
E os próprios números de áudio longo do flash são fracos em termos absolutos — uma pontuação de cadeia de 12,31, qualquer que seja a escala desse benchmark, contra 34,54 do Qwen3.8-Omni Flash e 49,63 do Gemini 3.8 Flash no mesmo cartão. Então, a leitura honesta do par não é “o flash é bom, o tiny é ruim”. É que nenhum dos checkpoints é um modelo para gravações longas, e o tiny é simplesmente ainda mais fraco em tudo o que os benchmarks de áudio curto medem.
A linha de hardware é definida pelos bytes, não pelos parâmetros
É aqui que a escolha normalmente se impõe sozinha, e os dois READMEs são invulgarmente específicos quanto aos perfis que validaram.
• Ming-3.0-audio-flash — perfil de serving de referência de 128K com paralelismo de tensor 4 em H800s de 80 GB; áudio longo pode causar OOM nesse perfil, com um fallback documentado para 8 GPUs; SGLang validado em quatro GPUs para saída de texto; SGLang-Omni com --thinker.tp_size 2 em um par de placas.
• Ming-3.0-audio-tiny — vLLM-Omni com o Thinker em uma GPU para texto e ASR, ou o Thinker na GPU 0 e o Talker na GPU 1 para fala; SGLang validado em uma GPU para texto; SGLang-Omni em uma única placa com --talker.gpu 0.
Leia essas linhas como uma decisão de infraestrutura, e não como uma especificação. O Flash precisa de um nó com várias GPUs e de um motivo para ocupá-lo. O Tiny precisa de uma única placa e, se você quiser apenas transcrição ou resposta a perguntas de áudio, precisa de uma placa sem nenhum Talker — nenhum estágio de síntese de fala, nenhum segundo processo, nenhuma seleção de voz. A diferença prática entre os dois não é quatro vezes mais GPUs; é se aquilo que você está implantando cabe em uma máquina que você já tem.
Há um efeito de segunda ordem que aparece nas operações. Um checkpoint de 25 fragmentos e 259 GB precisa ser baixado para cada nó que o atende, versionado e mantido aquecido; o perfil de fallback de oito GPUs significa que seu planejamento de capacidade precisa tolerar um modelo que ocasionalmente exige o dobro das placas para o mesmo tráfego. Um checkpoint de dois fragmentos e 20,7 GB cabe em uma camada de imagem de contêiner, inicia em segundos e pode ser escalado adicionando réplicas. Para ferramentas internas com picos de uso, essa diferença domina todos os números de qualidade neste artigo.

O pipeline de dois níveis para o qual estes dois checkpoints foram construídos
Eis o caso de uso que o par realmente atende, e é um que nenhuma ficha de modelo descreve: execute o modelo minúsculo em tudo, e o modelo flash apenas no que sobreviver.
Uma primeira passagem barata com Ming-3.0-audio-tiny pode responder "há fala neste arquivo", "qual é o idioma", "quantos falantes", "o áudio está limpo o suficiente para valer a pena transcrever" — e pode fazer isso em uma placa na taxa que essa placa sustentar. Somente os clipes que precisam de raciocínio, tratamento de dialeto ou uma transcrição cuidadosa vão então para Ming-3.0-audio-flash. Como o tokenizador, o formato do prompt e o código de serving são compartilhados, a segunda chamada é a mesma requisição com um nome de modelo diferente; não há recodificação, reescrita de prompt nem uma segunda integração para manter.
O ponto é a economia. Se um quinto do seu áudio for difícil, o modelo flash vê um quinto do volume e você pode dimensionar o nó dele para essa fração, em vez de para o pico. Se quase todo o seu áudio for difícil, a cascata não traz benefício algum e você deve executar apenas o flash — o que é algo útil de aprender com uma semana de triagem com modelo minúsculo antes de se comprometer com quatro H800s.
A mesma forma aparece uma camada acima, nas chamadas de texto em torno dos modelos de áudio: o classificador que decide a qual nível um clipe pertence, a extração estruturada de uma transcrição, o resumo escrito depois. Essas são completações de chat comuns, e o OrcaRouter as roteia entre mais de 200 modelos atrás de uma única chave com 0% de markup, com failover automático — para que o classificador que controla seu nível de áudio caro não se torne o componente que derruba o pipeline. A DSL de roteamento é a peça que torna a decisão de nível expressável como configuração em vez de código: encaminhe clipes curtos e limpos de uma forma, e os longos ou com sotaque de outra, e deixe um modelo de fallback cobrir a lacuna quando um provedor degradar. Não servimos nenhum dos checkpoints Ming; ambos são downloads que você mesmo executa.
Como resolver isso com o seu próprio áudio
Ambos os checkpoints são MIT, ambos se encaixam no mesmo caminho de código, e ambos são pequenos o suficiente no caso mínimo para testar sem uma conversa de aquisição. Isso faz com que uma tarde de medição seja mais informativa do que qualquer um dos números acima.
Extraia duzentos clipes do seu próprio tráfego, com peso para o lado mais difícil — fala com sotaque, falantes sobrepostos, ruído de fundo, as gravações longas que você realmente tem. Execute os dois modelos com os mesmos prompts e avalie três coisas: precisão da transcrição nos clipes para os quais você tem a referência correta, se o rótulo de idioma estava certo e com que frequência a saída era inutilizável em vez de apenas errada. Em seguida, execute a cascata e meça quantos clipes o modelo minúsculo tratou bem o suficiente para que o modelo flash nunca fosse necessário.
Esse último número é o único que decide a infraestrutura. Se ele vier alto, você tem uma implantação com uma única GPU, com um modelo grande por trás para a cauda. Se vier baixo, você descobriu que sua carga de trabalho é a carga de trabalho para a qual o modelo flash foi criado, e que o tiny foi um experimento útil, e não um nível. Qualquer uma das respostas é barata. Adivinhar a partir de uma contagem de parâmetros não é, porque o 13.5× no cartão e o 2.4× no orçamento de computação apontam para hardwares completamente diferentes, e só suas gravações podem dizer qual deles você está comprando.
