Ming-3.0-asr-tiny вышел без анонса: что на самом деле говорит репозиторий

Веса для Ming-3.0-asr-tiny появились на Hugging Face в 09:27 UTC 14 октября 2026 года, и спустя пять дней в репозитории по-прежнему значилось 35 скачиваний. Что бы вендор ни планировал сделать этой загрузкой, ничего не вышло. Следом, в 02:38 UTC 19 октября, появился код. Страница проекта — одна прокручиваемая страница с релизным роликом и четырьмя графиками бенчмарков — появилась в 12:30 UTC в тот же день. Ничего из этого не анонсировали. В репозитории нет ссылки на технический отчёт, на карточке модели не указана дата релиза, а от организации, стоящей за проектом, нет публикации о запуске. Всё в этой статье взято из самих файлов, журнала коммитов и собственных графиков вендора, и это намеренно отделено от того, что всё ещё неизвестно. Задокументированные сбои ИИ и инциденты с агентами, связанные с подобными релизами, собраны в OrcaRouter AI Incident Archive где у каждой записи есть собственные источники, уровень серьёзности, степень уверенности и флаг спорности.

Здесь это различие значит больше, чем обычно. Модель, которая была в открытом доступе пять дней и имеет 35 скачиваний, — это не продукт, на который можно опираться при планировании; это набор весов с файлом конфигурации и побайтовым описанием того, как он был собран. Конфиг необычно информативен. Диаграммы необычно конкретны. Пробелы необычно велики.

Пять дней между тяжестями и историей

История коммитов — это самое близкое к анонсу, что есть у этого релиза, поэтому её стоит прочитать именно как анонс. Первый коммит в Hugging Face — это само создание репозитория 14 октября в 09:27 UTC. Через час вендор загрузил чекпоинт, и сообщение коммита называет его: iter_0011500. Это счётчик итераций обучения, а не номер версии, и он говорит, что прогон прошёл более 1,15 млн шагов, но не сообщает ничего о данных, которые эти шаги обработали.

Следующие четыре дня были потрачены на публикацию, а не на обучение. 15 октября были опубликованы пакет модели и двуязычная документация. 16 октября поставщик опубликовал то, что он назвал проверенными весами только для аудио. 18 октября в карточку добавили рекомендации по обслуживанию через SGLang, а показатели бенчмарков были обновлены дважды. 19 октября репозиторий был связан с релизом кода на GitHub, затем со сборником рецептов SGLang, затем с релизным видео, затем с метаданными для цитирования, и наконец, в 14:04 и 14:05 UTC, графики public, in-house и context-ASR были снова обновлены — примерно за девяносто минут до написания этой статьи.

Репозиторий GitHub ещё новее: создан в 02:38 UTC 19 октября, двадцать коммитов, пять звёзд, ни одного форка и пустая вкладка Releases. Видео, которое в карточке названо релизным фильмом, вообще не прикреплено к этому репозиторию. Оно хранится как релизный ресурс в отдельном репозитории GitHub Pages, созданном в 12:22 UTC в тот же день, под тегом, буквально носящим название media-2026-10-19. Самое цитируемое следствие: единственная дата, где-либо в этом релизе, — это дата страницы, на которой размещён фильм.

Что решает конфигурация, а на что лишь намекает

Индекс safetensors сообщает о 8 865 800 992 параметрах: 8 865 797 920 в BF16 в двух шардах плюс 3 072 в F32. Это примерно 17,7 ГБ весов. На диаграммах поставщика модель обозначена как 8.6B-A2B — сокращение для 8,6 млрд всего при примерно 2 млрд активных на токен; индекс — более точное число, и оно примерно на 270 млн превышает обозначение. Ни одно из чисел не является ошибочным, но только одно из них — измерение, которое можно проверить, не доверяя округлению поставщика.

Декодер — это стек mixture-of-experts из 24 слоёв: 128 экспертов, восемь маршрутизируемых на токен, один общий эксперт, первый слой плотный, скрытый размер 1 536, 16 голов внимания с головой размерности 128 и сжатое внимание через q_lora_rank 256 и kv_lora_rank 512. Словарь состоит из 157 184 токенов, а контекст — из 8 192 позиций. Страница проекта добавляет подробность, которую один только конфиг не проясняет: стек чередует три слоя K​imi Delta Attention с одним слоем Gated MLA — гибрид 3:1. Это языковая модель с присоединённым аудиофронтендом, и соотношение объёма работы между двумя половинами непропорционально.

Аудиочасть — это 32-слойный энкодер с 1280 скрытыми размерностями, 20 головами и 128 mel-входами — архитектура энкодера Whisper large-v3; о таком родстве репозиторий свидетельствует, поставляя файл с именем modeling_whisper_encoder.py и отдельный WHISPER_LICENSE, содержащий уведомление MIT от OpenAI. Кроме того, энкодер — это меньшая половина модели, и с большим отрывом. Два полезных поля в том же файле: идентификатор аудиотокена — 157 168, а asr_output_format установлен в plain.

Что утверждают графики и против кого

В карточке нет чисел в тексте. Все они содержатся в четырёх PNG-диаграммах, и страница проекта повторяет их. По собственным данным производителей, Ming-3.0-asr-tiny показывает средний CER по китайскому 3.55 и средний WER по английскому 3.99; среднее по 15 диалектам — 8.42; среднее по пяти внутренним доменам — 1.67; и агрегированный показатель context-ASR — 4.36. Все эти показатели заявлены производителями, и ни один не был независимо воспроизведён.

Набор для сравнения на странице проекта — Qwen2.5-Omni, Qwen3-Omni-30B-A3B, Qwen3-ASR-1.7B, Fun-ASR 1.5 и Qwen3-ASR-Flash, причём последние два отмечены как решения с закрытым исходным кодом. В строке диалектов разрыв самый большой: Ming — 8,42, Qwen3-ASR-1.7B — 15,30, Fun-ASR 1.5 — 8,00. В строке китайского языка разрыв самый узкий: Ming с 3,55 находится между Qwen3-Omni с 3,33 и Qwen3-ASR-1.7B с 3,66. Строка контекста — именно та, для которой создавалась модель, и там Ming с 4,36 лишь на две сотых балла уступает Qwen3-Omni с 4,34.

Рядом с этими числами уместны три предостережения, и два из них дают собственные правки поставщика. Пятидоменная оценка — это невзвешенное среднее арифметическое по чату, государственным услугам, здравоохранению, знаниям и локальной жизни — пяти внутренним тестовым наборам с нераскрытым отношением к обучающим данным, усреднённым так, будто каждый имеет равный вес в вашем трафике. Страница проекта также фиксирует в коммите от 12:39 UTC 19 октября, что оценка шумной речи была удалена со страницы, тогда как среднее по чистым доменам осталось. А графики всё ещё обновлялись в 14:04 UTC. Набор чисел, который редактируют в день публикации, — это набор чисел, который стоит перечитать, прежде чем цитировать.

Что отсутствует в репозитории

Список отсутствий длиннее списка присутствий, и каждое отсутствие имеет практическое последствие.

• Данные обучения — нет списка наборов данных, нет часов, нет языкового состава, нет описания фильтрации. Чекпоинт назван по количеству итераций и ни по чему больше.

• Дата выпуска — в карточке она не указана. Время создания репозитория — единственная надёжная дата, и поставщик не подтвердил её как дату выпуска.

• Технический отчёт — ссылка на него отсутствует. Описание архитектуры на странице проекта состоит из четырёх предложений.

• Независимая оценка — пока не существует. При 35 скачиваниях и пяти лайках по сути никто за пределами лаборатории его не запускал.

• Пословные метки времени и диаризация спикеров — в примечаниях по использованию карточки прямо сказано, что на выходе будет только текст транскрипции. Это задокументировано, а не скрыто, и это сразу исключает из рассмотрения конвейеры субтитров, выравнивания и диаризации.

• Потоковая передача — прилагаемый пример принимает целые клипы. Длинное аудио можно разбивать на фрагменты с помощью --audio-chunk-frames с учётом контекста на 8 192 позиции; это не то же самое, что потоковая передача с низкой задержкой.

• Код оценки — графики представлены изображениями. В репозитории нет скрипта, который пересоздаёт их из аудио.

Об одном отсутствии стоит сказать отдельно, потому что оно определяет всю подачу: нет объявления, на которое можно опоздать. Релизный фильм, страница проекта и репозиторий на GitHub, опубликованные 19 октября с разницей в десять часов, — это запуск во всех смыслах, кроме пресс-релиза. Веса просто появились на пять дней раньше, незамеченными, пока создавалось всё остальное.

Прочитайте этот список коммитов сверху вниз — и релиз соберётся сам собой у вас на глазах: выкладка кода, затем документация на английском, затем путь сервинга, затем фильм, затем цитирование, затем второй проход по цифрам. Двадцать коммитов, и ни один из них не является тегом версии, а в конце — пустая вкладка Releases.

Почему тихое судно всё равно заслуживает места на вашем радаре

Именно в тихих релизах вопрос маршрутизации становится по-настоящему интересным: привычный сигнал к покупке — запуск, цена, бенчмарк, на который все ссылаются, — отсутствует, и единственный способ хоть что-то узнать — это запустить систему в деле. Как раз для такого случая и существует фейловер OrcaRouter. Вы можете направить часть трафика через модель-кандидат, пока основная модель обслуживает остальное, и если новый путь даст сбой или превысит тайм-аут, запрос переключится на резервный вариант, а не завершится ошибкой для пользователя. Один API-ключ охватывает более 200 размещённых моделей, поэтому добавление второго мнения не означает второй контракт и второй набор учётных данных.

Честно говоря, есть граница: Ming-3.0-asr-tiny отсутствует в каталоге OrcaRouter, как и ASR-модели, с которыми сравнивают его графики. Из моделей, названных на странице проекта, сегодня через OrcaRouter доступна google/gemini-2.5-pro — она фигурирует в сравнении контекстного ASR со значением 6.30. Поэтому реалистичное применение слоя маршрутизации здесь — не «вызвать Ming через нас», а объединить в одном интерфейсе размещённый у провайдера базовый вариант и самостоятельно размещённого кандидата, пока вы принимаете решение. Цены на стороне хостинга передаются по прайс-листу провайдера с наценкой 0% — и это как раз то, что важно, когда сравнение идёт по стоимости часа аудио.

Что перевело бы это из разряда любопытного в кандидаты?

Короткий список — в том порядке, в котором это, вероятно, появится. Указанная дата релиза и раскрытие данных обучения сделали бы цифры бенчмарков интерпретируемыми, а не просто цитируемыми. Независимый прогон на общем тестовом наборе установил бы, реальна ли диалектная разница, потому что это единственное утверждение, где преимущество поставщика над ближайшим открытым бейзлайном достаточно велико, чтобы ошибка была очевидной. Путь для временных меток или диаризации расширил бы набор пайплайнов, которые вообще могут это использовать. А рецепт для vLLM или SGLang, не привязанный к одному коммиту, сказал бы вам, что поставщик намерен это обслуживать, а не демонстрировать.

А до тех пор точное описание будет неприглядным и конкретным: 8,87 млрд параметров преимущественно языковой модели, заимствованный энкодер Whisper, настоящая ставка на китайские диалекты и обусловливание по ключевым словам, опубликовано без статьи, без даты и с графиками, которые всё ещё редактировались после обеда в день публикации. Это не повод игнорировать это. Это повод протестировать это, прежде чем цитировать.