Ming-3.0-audio-flash vs MiniCPM-V 4.7: Um modelo que ouve e um modelo que cabe no seu bolso

Se você está escolhendo entre Ming-3.0-audio-flash e MiniCPM-V 4.7 35B-A3B, a decisão não é nem de longe uma escolha apertada em nenhum dos eixos que você normalmente avaliaria, porque eles não estão competindo pela mesma vaga. Um é uma mistura de especialistas de áudio e linguagem com 126 bilhões de parâmetros — 6,5 bilhões ativos — que a inclusionAI publicou em 3 de setembro de 2026 e documentou seis semanas depois, e que precisa de oito GPUs de 80 GB na sua configuração de referência. O outro é um modelo esparso de visão e linguagem com 35,2 bilhões de parâmetros que a OpenBMB disponibilizou no Hugging Face na noite de 6 de outubro de 2026 sem card algum, publicou o card em 12 de outubro, e afirma decodificar a mais de 13 tokens por segundo em um iPhone 17 Pro Max usando cerca de 3 GB de memória. Um escuta e fica em um rack. O outro enxerga e cabe na mão. O que os torna dignos de ficarem na mesma página é que ambos foram lançados discretamente por laboratórios chineses nas mesmas seis semanas, ambos têm pesos abertos, e ambos estão sendo avaliados por equipes que têm exatamente uma vaga em sua arquitetura. As falhas de IA documentadas e os incidentes de implantação por trás de comparações como esta estão reunidos no OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de disputa.

A regra de decisão vem primeiro, depois as evidências para ela. Se a entrada for som — chamadas, reuniões, dialetos, música, uma narração gerada que você precisa verificar —, apenas um desses modelos pode começar. Se a entrada for uma imagem, um documento, um gráfico, uma captura de tela ou um quadro de vídeo, apenas o outro pode. A sobreposição é um pipeline que lida com ambos e, nesse pipeline, eles são duas etapas, e não dois candidatos. Todos os números abaixo são reportados pelo fornecedor: os da inclusionAI vêm de suas próprias imagens de avaliação, os da OpenBMB, de um card publicado em 12 de outubro, e nenhum foi reproduzido por terceiros.

O que cada um se recusa a fazer

A maneira mais rápida de ver a diferença é listar as coisas que cada modelo não aceita, porque as listas de especificações são escritas para esconder isso.

• Ming-3.0-audio-flash não examinará nada. Suas entradas são instruções de áudio e texto; não há codificador de imagem no repositório, nem torre de visão na configuração, e nenhum caminho de vídeo desde que o reenvio de 15 de outubro removeu a variante vídeo-linguagem e seu token de patch. Se um quadro for relevante, este modelo é cego para ele.

• MiniCPM-V 4.7 35B-A3B não dá ouvidos a nada. Ele está marcado como image-text-to-text, seu processador lida com imagens e quadros de vídeo, e não há torre de áudio, nem caminho de ASR, nem cabeça TTS em nenhum lugar dos 70,4 GB de pesos. Um arquivo WAV não é uma entrada para a qual ele tenha representação.

• Ming-3.0-audio-flash não gerará uma imagem, uma edição ou um recurso 3D. Sua saída opcional além de texto é fala, por meio de um módulo Talker com vozes integradas e de referência.

• O MiniCPM-V 4.7 35B-A3B não fala. Ele lê uma página e responde em texto. Para voz, seria preciso acoplar um sintetizador separado, o que é uma decisão de produto diferente.

Essa é toda a forma da comparação. Todo o resto — contexto, esparsidade, licenciamento, hardware — é secundário ao fato de que os conjuntos de modalidades não se intersectam.

Duas maneiras muito diferentes de ser esparso

Ambos os modelos são designs de mistura de especialistas, e a palavra esconde apostas de engenharia opostas.

O Ming-3.0-audio-flash é esparso porque é enorme: 42 camadas, tamanho oculto de 2.560, 512 especialistas com 8 selecionados por token, 126B no total e 6,5B ativos, além de um codificador de áudio no estilo Whisper com 32 camadas e largura de 1.280 e 128 bins mel. A esparsidade proporciona throughput a um modelo que, de outra forma, seria impossível de treinar e de servir. Mas não o torna pequeno. Vinte e cinco shards bfloat16 mais um par Talker e VAE chegam a aproximadamente 259 GB em disco, e o perfil de serving de 128K do fornecedor é paralelismo de tensores entre oito H800s de 80 GB.

O MiniCPM-V 4.7 35B-A3B é esparso pelo motivo oposto: 35,2 bilhões de parâmetros armazenados, com roteamento de 8 de 256 por token, em mais de 40 camadas de texto com um padrão de atenção três-lineares-para-uma-completa, atrás de uma torre de visão de 27 camadas com dimensão oculta 1.152, que se insere na camada 6 da pilha de texto. A promessa associada a esse design não é vazão em um cluster, mas viabilidade em um celular. O Lookahead Expert Scheduling da OpenBMB prevê quais especialistas a próxima camada precisará, faz prefetch deles e sobrepõe o carregamento à computação — o tipo de truque que você só inventa quando o gargalo é a largura de banda de memória em um aparelho móvel, não FLOPs em um data center.

• Total de parâmetros — Ming-3.0-audio-flash 126B; MiniCPM-V 4.7 35B-A3B 35,2B.

• Parâmetros ativos — 6,5B contra aproximadamente 3B (8 de 256 especialistas mais um especialista compartilhado).

• Contexto — 131.072 tokens contra 262.144.

• Pesos em disco — aproximadamente 259 GB contra 70,4 GB distribuídos em 16 fragmentos.

• Hardware de referência — oito H800s de 80 GB contra um iPhone 17 Pro Max a 13+ tokens por segundo e cerca de 3 GB.

• Licenças — MIT contra Apache-2.0, ambas declaradas nos respectivos cartões.

Onde o trabalho em língua chinesa realmente difere

Ambos os modelos são desenvolvidos por laboratórios chineses e ambos são mais fortes em chinês, mas são fortes em coisas diferentes, e as tabelas dos fornecedores deixam isso excepcionalmente claro.

O Ming-3.0-audio-flash é mais forte exatamente onde a fala fica difícil. Nas próprias imagens de avaliação, ele reporta uma média de 3.45 de taxa de erro em ASR de chinês e uma média de 9.40 nos dialetos — cantonês 4.09, shangainês 11.15, hokien 12.84, Hubei 9.46, Hunan 8.76 — contra uma referência de 48.41 do Gemini 3.8 Flash na média dos dialetos. As mesmas imagens mostram que ele perde em diarização de locutores (AMI 25.29 contra 11.16 do MiMo-V2.6 Pro) e em raciocínio sobre áudio longo (pontuação Chain 12.31 contra 34.54 do Qwen3.8-Omni Flash). Portanto, a leitura honesta é: excelente em transcrição com sotaque, mediano em descobrir quem falou e o que a gravação significava.

O MiniCPM-V 4.7 35B-A3B é mais forte em tarefas densas de chinês visual: OCRBench 91,20, OCRBench_v2 68,47, OmniDocBench v1.6 94,24, CCOCR 81,14, MMMU 80,22, MathVista 88,00, raciocínio CharXiv 75,60, TextVQA 84,99 — todos no gráfico da própria OpenBMB, todos sem reprodução independente, e várias linhas marcadas como superando modelos Qwen e Gemma da classe 35B por margens estreitas. O downsampling misto de tokens 4x/16x da torre de visão é o mecanismo: 16x mescla tokens para velocidade, 4x mantém quatro vezes mais para detalhes finos, e a configuração precisa ser passada tanto para o processor quanto para generate(), ou os dois divergem.

A sobreposição na capacidade em chinês é, portanto, estreita e real: um documento chinês digitalizado com uma nota de voz anexada é um problema para dois modelos, e nenhum dos modelos lida com a outra metade.

Quanto custa colocar qualquer um dos dois em produção

Esses não são números comparáveis, e fingir o contrário é a falha habitual desse tipo de texto.

Ming-3.0-audio-flash custa um nó. Oito H800 de 80 GB é o perfil do fornecedor para contexto de 128K; a alternativa SGLang validada usa quatro GPUs e retorna apenas texto. O irmão Ming-3.0-audio-tiny, com 9,3B no total e 2,7B ativos, cabe em uma única placa grande, mas seus números publicados são consistentemente piores nas mesmas tabelas — long-audio Chain 10,56 contra 12,31, LongAudioSpan 35,45 contra 41,12, URO-Bench-Pro 54,15 contra 81,92 —, portanto é um produto diferente, não um mais barato.

O MiniCPM-V 4.7 35B-A3B custa um celular, ou uma única GPU, ou nada, se seus usuários trouxerem o dispositivo. Ele tem um ecossistema ativo que o Ming não tem: variantes GGUF, FP8, int4, GPTQ e AWQ publicadas em poucos dias, um modelo draft de decodificação especulativa DSpark, suporte em llama.cpp e Ollama, bem como em vLLM e SGLang, 76.000 downloads e mais de mil curtidas no repositório principal. Independentemente do resto, este é um modelo que outras pessoas já estão executando.

Essa diferença de adoção é o fato mais relevante para a decisão no artigo e não tem nada a ver com qualidade. Um modelo com 76.000 downloads tem uma comunidade que já encontrou o seu bug. Um modelo com 22 downloads tem um repositório e um cartão.

Então, onde eles se encontram?

Em exatamente uma arquitetura: um aplicativo que precisa tanto ouvir quanto ver. O caso óbvio é um pipeline de suporte ou conformidade — uma chamada gravada em mandarim com um falante de dialeto, além de um formulário digitalizado que o chamador enviou, e um resumo que precisa conectar os dois. Ming transcreve e responde a perguntas sobre o áudio; MiniCPM lê o formulário e extrai campos. Nenhum consegue fazer a metade do outro, e a conexão entre eles é texto.

Essa junção é a parte que a maioria das equipes subestima. Dois checkpoints de pesos abertos significam duas revisões de licença, duas histórias de implantação, dois modos de falha e mais uma chamada de modelo para decidir qual documento vai para onde. O caminho do Ming é Transformers com trust_remote_code=True e um piso de memória na casa das centenas de gigabytes; o da MiniCPM é um arquivo quantizado em um laptop. O contraste operacional entre as duas metades do mesmo pipeline é maior que o contraste entre a maioria dos modelos concorrentes.

A camada de roteamento e seus limites

A OrcaRouter não hospeda nenhum dos dois checkpoints. Ambos são pesos abertos que você mesmo executa, nenhum deles está em nosso catálogo, e nenhuma frase aqui deve ser lida como uma oferta de endpoint. O que um roteador alcança é o tecido conectivo: o classificador que decide se um ativo recebido é áudio ou imagem e o envia ao nó correto, o prompt que enquadra a extração, o sumarizador que mescla as duas saídas em um único relatório.

Essas são chamadas de texto comuns, e o argumento para colocá-las por trás de uma API para mais de 200 modelos com 0% de acréscimo é simples — o preço de tabela do provedor repassado, então um corte de preço do fornecedor fica ativo do nosso lado no mesmo dia, uma chave em vez de três contratos. A DSL de roteamento é a peça que se encaixa neste problema específico: um pipeline com um ramo para áudio e um ramo para imagens é um problema de roteamento antes de ser um problema de modelo, e o failover automático mantém o dispatcher ativo quando o modelo de classificação falha, que é a única chamada na cadeia que você não pode perder de jeito nenhum.

O limite é igualmente simples. O roteamento não faz um checkpoint de 259 GB ser hospedado, nem transforma um modelo de visão do tamanho de um celular em um sistema ASR.

A versão curta

Ming-3.0-audio-flash é o modelo mais ambicioso e o menos utilizável hoje: melhor reconhecimento de fala em chinês dialetal do que qualquer outro com números publicados em sua classe, nenhuma verificação independente, nenhuma integração de serving mesclada e um requisito de hardware que o coloca fora do alcance de qualquer pessoa sem um nó de GPU. MiniCPM-V 4.7 35B-A3B é o produto mais acabado: um card, quantizações, suporte a frameworks, uma proposta on-device genuinamente inovadora e uma comunidade. Também é um modelo de visão, o que significa que não consegue fazer aquilo para que o outro existe.

Escolha pela modalidade e a comparação leva trinta segundos. Escolha pela ambição e você vai passar um mês descobrindo que o ambicioso tem 22 downloads.