Ming-3.0-audio-tiny vs Qwen-Audio 3.1: Uma janela com a qual se pode fazer aritmética, contra um catálogo com o qual não se pode

Aqui está um número fácil de verificar e difícil de usar: o backbone de texto dentro de Ming-3.0-audio-tiny está configurado para 131.072 posições, e a torre de áudio à frente dele recebe 3.000 quadros por vez com 128 bins mel. Qwen-Audio 3.1, em contrapartida, não publica nenhum comprimento de contexto — nem no índice de modelos, nem nas descrições de uma linha anexadas aos seus três IDs de modelo. Um lado entrega um número e deixa a interpretação para você; o outro entrega três nomes de produto e deixa o hardware para a A​libaba. Essa assimetria é toda a comparação, e não é uma comparação sobre qual modelo ouve melhor. É uma comparação sobre qual deles você consegue dimensionar antes de gastar qualquer coisa. As falhas de IA documentadas e os incidentes de agentes por trás de lançamentos como este são coletados em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, severidade, grau de confiança e flag de disputa.

Datas primeiro, porque este modelo tem uma cronologia estranha. Os pesos por trás do Ming-3.0-audio-tiny chegaram ao Hugging Face em 3 de setembro de 2026; o repositório foi criado às 11:45 UTC e os dois shards safetensors vieram quatro minutos depois. O que mudou recentemente não é o checkpoint. Entre 16 e 19 de outubro de 2026, o repositório foi reescrito em torno dele — uma configuração que finalmente descrevia um modelo de áudio em vez de um de vídeo-linguagem, um Talker para saída de fala, dois clipes de voz de referência com transcrições, três perfis de implantação no GitHub e, em 19 de outubro às 13:19 UTC, o primeiro model card que o repositório já teve. Ninguém anunciou. Então a pergunta justa não é o que foi lançado em setembro. É o que você pode agora calcular sobre executá-lo, e o que o catálogo da Alibaba permite e não permite que você calcule sobre a alternativa.

Convertendo 131.072 tokens em minutos

O número é real e testável, o que é mais do que se pode dizer da maioria das alegações de contexto. A configuração de texto declara max_position_embeddings 131.072, uma atenção MLA com um latente KV de largura 512 e uma base rotativa de 6.000.000. Mas uma janela de contexto em tokens só se torna útil quando você sabe quantos tokens custa um segundo de áudio, e o fornecedor não diz. Você pode derivá-lo dos próprios números da torre de áudio.

• Entrada do codificador — 3.000 quadros de 128 bins mel, que é a mesma janela de 30 segundos que o Whisper usa com um salto de 10 ms.

• Downsampler — kernel [3,3,3] com stride [2,2,2], de modo que uma janela colapsa por um fator de oito.

• Tokens por janela — 3.000 dividido por 8, ou seja, 375 tokens de áudio para aproximadamente 30 segundos de som.

• O que isso implica — 131.072 dividido por 375 dá cerca de 349 janelas, ou pouco menos de três horas de áudio, se o pipeline alimentar um único fluxo contínuo em vez de refazer o buffer entre as janelas.

Essa última cláusula tem um peso grande, e quero ser explícito quanto a isso. O número de três horas é uma conta feita com dois valores de configuração publicados, não uma afirmação do fornecedor, e estará errado se o processador reiniciar a posição entre clipes — que é exatamente o que o perfil de reprodução de ASR implica quando limita o áudio a um clipe por prompt. Trate isso como um limite superior a ser testado, não como uma especificação a ser citada.

O que não é aritmética é a consequência para a memória. A MLA armazena o latente de KV em vez de chaves e valores por cabeça, e é por isso que uma janela de 131K é sequer defensável em uma única placa. O perfil de texto de referência reserva 0,92 de uma única GPU com max_num_batched_tokens 32.768, o que é uma reserva dimensionada para a janela completa mais um lote grande, não um piso. Remova max_model_len e a reserva cai junto. Os shards do Thinker totalizam 17,74 GB, então uma placa de 24 GB comporta os pesos com folga.

O outro lado responde à mesma pergunta com uma divisão de produto.

O índice do Model Studio da Alibaba lista o Qwen-Audio 3.1 como três IDs de modelo, e não como um modelo com um campo de contexto. qwen-audio-3.1-asr-flash-streaming e qwen-audio-3.1-asr-flash-filetrans ficam em reconhecimento de fala; qwen-audio-3.1-realtime-plus fica em fala para fala e é descrito como conversa de voz ponta a ponta sem chamadas separadas de ASR e TTS. Não há pesos, contagem de parâmetros, comprimento de contexto nem preço nessa página. Não foi possível acessar a documentação detalhada de cada ID na verificação.

Leia essa divisão como uma resposta ao problema de áudio longo, e não como um acidente de empacotamento. Um SKU de transcrição de arquivos é como um provedor vende uma hora de áudio: você o envia, o serviço o divide em blocos como quiser, e a janela de contexto é um problema de engenharia de outra pessoa. Um SKU de streaming é como um provedor vende uma chamada telefônica. Nenhum dos SKUs expõe o número que o Ming expõe, o que significa que você não pode construir um modelo de capacidade para o Qwen-Audio 3.1 da forma como pode para o Ming-3.0-audio-tiny. Você só pode construir uma fatura, e mesmo isso exige o console.

• O que você pode inspecionar — Ming: configuração, arquitetura, licença, quatro arquivos safetensors, três imagens de benchmark, YAML de implantação. Q​wen: três identificadores e uma frase cada.

• O que você pode dimensionar — Ming: 17,74 GB de pesos e uma GPU para texto, duas para fala. Qwen: desconhecido até você ler uma tabela de tarifas que não consegue ver daqui.

• O que você pode armazenar em cache — Ming: seu próprio cache KV, no seu próprio max_model_len. Q​wen: o que quer que o endpoint faça internamente, de forma invisível.

• Modo de falha — Ming: um OOM que você causou e pode corrigir. Qwen: uma cota, uma região ou uma página de documentação que não retorna nada.

• Licença — Ming: MIT, nos metadados do card e no LICENSE do repositório do GitHub, embora observe que o repositório do Hugging Face não contém nenhum arquivo LICENSE próprio. Qwen: termos comerciais do Model Studio, porque não há licença dos pesos para ler.

A pergunta de benchmark que ninguém consegue responder honestamente

Ming-3.0-audio-tiny acompanha três imagens de avaliação em assets/, e toda célula nelas é a inclusionAI medindo a inclusionAI. A ficha marca as linhas autoavaliadas com um asterisco e admite que os modelos de comparação foram reproduzidos sob seus próprios prompts e configurações de decodificação. Trata-se de uma divulgação normal, e vale a pena tomá-la pelo valor de face: estas são metas de design, não resultados.

Nesta comparação, os números são duplamente incômodos, porque as colunas úteis não são as que estão presentes. No reconhecimento de chinês, o modelo minúsculo tem média de 3,79 de erro de caracteres contra 3,45 do seu irmão maior, e, em dialetos, 10,29 contra 9,40. Em inteligência de áudio, ele perde terreno de verdade — MMAU 75,90 contra 82,00, MMAU-Pro 56,42 contra 66,41, e um colapso na interação falada no URO-Bench-Pro de 81,92 para 54,15. Tudo isso é minúsculo diante do flash. Nada disso é minúsculo diante do Qwen-Audio 3.1, porque o Qwen-Audio 3.1 não publicou nenhuma pontuação comparável e não há conjunto de testes compartilhado, nem configuração de decodificação compartilhada, nem terceiro que tenha executado os dois.

Há uma segunda lacuna que vale a pena nomear porque é verificável em dez segundos. O card diz que as figuras compartilhadas incluem resultados para ambas as variantes Ming. Isso é verdade para a imagem de reconhecimento e a imagem de inteligência de áudio. A imagem de inteligência de texto tem quatro colunas, e o modelo minúsculo não está entre elas — suas colunas são Ming-3.0-audio-flash, Qwen3.8-Omni Flash, Qwen3.5-Omni Plus e Qwen3.5-Omni Flash. Se a sua pergunta é se o backbone ativo de 2,7B consegue sustentar uma conversa de raciocínio sobre áudio, a inclusionAI não respondeu a isso naquela imagem, independentemente do que diga a frase acima da imagem.

Como as duas formas falham de modo diferente às três horas

É com áudio longo que a divisão do produto deixa de ser apenas cosmética. Um único checkpoint com uma janela de 131K é a promessa de que um modelo lê a gravação inteira e se lembra dos primeiros dez minutos quando chega ao final. Essa promessa tem um modo de falha específico: tudo se degrada em conjunto. Se o áudio transborda a janela, você o divide em blocos, e é na divisão em blocos que o raciocínio entre blocos morre silenciosamente — o falante apresentado no minuto dois é um estranho de novo no minuto quarenta.

Um SKU de transcrição de arquivos esconde esse problema e herda outro diferente. Você não controla a divisão em blocos, então não consegue reproduzir uma transcrição ruim; não consegue saber se o serviço manteve o contexto entre os blocos ou costurou janelas independentes; e, quando a saída muda entre dois envios idênticos, você não tem nenhuma variável para isolar. O SKU de streaming é honesto quanto à sua limitação já no nome: ele foi criado para emitir conforme o áudio chega, o que é o formato certo para legendas e o formato errado para uma revisão de conformidade de uma chamada de noventa minutos.

Então a decisão não é “qual é mais preciso” — nenhum dos lados lhe deu um número que resolvesse isso. É “qual falha eu consigo depurar”. Se você precisa reproduzir uma transcrição byte a byte, seja dono do checkpoint. Se você precisa de uma transcrição em vinte minutos e do pager de outra pessoa, alugue o SKU.

Onde um roteador se justifica neste pipeline

O OrcaRouter não serve o Ming-3.0-audio-tiny. Ele não está no nosso catálogo e não podemos fornecer um endpoint para ele; nada aqui é uma oferta nesse sentido. O que um roteador alcança é a parte de um pipeline de áudio longo que não é o modelo de áudio: decidir qual gravação vai para o modelo local de 2,7B e qual vai para algo maior, escrever o resumo a partir da transcrição, extrair os itens de ação, marcar a chamada. Essas são chamadas de texto, e mais de 200 modelos por trás de uma única chave é um caminho mais curto do que quatro contratos com fornecedores — pelo preço de tabela do provedor com 0% de margem, então quando um fornecedor reduz um preço, o valor que você paga muda no mesmo dia. O failover automático importa mais do que o normal aqui: um trabalho de transcrição que falha no minuto oitenta de um arquivo de noventa minutos deve tentar novamente em um segundo caminho, não recomeçar do zero.

A fronteira merece ser dita em voz alta. Um roteador roteia chamadas. Ele não transforma um checkpoint de 17,74 GB em um endpoint hospedado, nem diz se a janela de 131K do Ming é real. Só uma hora do seu próprio áudio faz isso.

O experimento que resolve a questão

{{1}}Pegue uma gravação cuja resposta você já conhece — uma reunião com três falantes, um dos quais troca de idioma no meio da frase — e execute-a nos dois.{{/1}} {{2}}Para o Ming-3.0-audio-tiny, carregue-a com trust_remote_code=True, use o prompt de ASR que o card valida (nomeie o idioma, tab, depois a transcrição — esse tab é o seu parser) e defina max_model_len para exatamente o comprimento de que você precisa, em vez do padrão.{{/2}} {{3}}Para o Qwen-Audio 3.1, execute o mesmo arquivo tanto no SKU de transcrição de arquivo quanto no SKU em tempo real, porque são produtos diferentes e não concordarão.{{/3}}

Então compare três coisas, nenhuma das quais é uma pontuação de benchmark. O modelo manteve as identidades dos falantes ao longo de todo o arquivo? Ele sobreviveu à troca de idioma sem transliterar? E você conseguiria explicar o resultado bem o suficiente para mudar uma variável e executá-lo novamente? A última pergunta é a que decide se você está avaliando um modelo ou fazendo uma audição de um fornecedor, e é o único ponto em que esses dois não estão próximos.