Ming-3.0-audio-flash вышел за шесть недель до собственной карточки модели

Аудио-языковая модель со 126 млрд параметров доступна для скачивания на Hugging Face с 3 сентября 2026 года, и в её активе всего 22 скачивания и восемь лайков. До этой недели единственным описанием, прикреплённым к репозиторию, была устаревшая карточка, которая называла себя «Ming Audio V3» и утверждала, что репозиторий «сейчас документирует путь ASR».Ming-3.0-audio-flash — это название, которое она носит сейчас. Веса не новые. То, что появилось в период с 13 по 19 октября 2026 года, — это всё, что делает чекпоинт пригодным для использования тем, кто его не обучал: конфигурация, которая наконец заявляет контекст в 128K, повторная загрузка, превращающая видео-языково-аудиомодель в чисто аудиомодель на кодовом пути Transformers 5, голосовой пакет с двумя референсными клипами и первая настоящая карточка модели за всю историю репозитория. inclusionAI ничего из этого не объявила. Ни одна третья сторона не опубликовала ни одной цифры по модели, поэтому всё ниже либо прочитано непосредственно из истории коммитов, либо процитировано с собственных изображений вендора с результатами оценки — вот почему стоит сказать в самом начале, что модель из сентября, а только документация — с этой недели. Документированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг спорности.

Что изменилось и когда

Журнал коммитов на удивление удобочитаем и рассказывает историю, которой нет в карточке модели. Репозиторий был создан 3 сентября 2026 года в 11:49 UTC, и в нём был один файл — .gitattributes. Через девять минут появились 25 шардов safetensors общим объёмом 257 ГБ — под коммитом с заголовком «Add files using upload-large-folder tool», что типично для команды обучения, выгружающей контрольную точку, а не для продуктовой команды, готовящей запуск. Сопроводительный README указывал Apache 2.0, помечал репозиторий тегом automatic-speech-recognition, и предлагал создавать экземпляр модели с trust_remote_code=False.

Затем репозиторий затих на шесть недель. Когда он снова пришёл в движение, за семь дней он сдвинулся четыре раза.

• 13 октября, 12:17 UTC — «Upload config.json». Один файл, и самый интересный: max_position_embeddings меняется с 8 192 на 131 072. Больше в репозитории ничего не меняется, поэтому два дня репозиторий заявлял о контексте в 128K, при том что ни один фрагмент кода модели не мог его использовать.

• 15 октября, 09:35 и 09:40 UTC — «Удалить устаревшие файлы», затем «Загрузить обновлённую модель». Раскладка весов не изменилась, но 46 файлов были перезаписаны, а первый шард уменьшился с 10,64 ГБ до 9,77 ГБ. Параметр audio model_type в конфиге изменился с bailing_moe_v3_vl_audio на bailing_moe_v3_audio, оставшийся video_patch_token был удалён, заявленная transformers_version подскочила с 4.56.2 до 5.14.1, а auto_map получил записи AutoModel и AutoProcessor, которых раньше не было. В том же пуше исчезли README и папка examples/ — следующие четыре дня в репозитории вообще не было карточки модели.

• 17 октября, 11:44 UTC — «Добавить голосовые пресеты». voice_presets/ — появляется папка с US_James.wav, 灵楷.wav и voice_prompts.json с их расшифровками.

• Начиная с 19 октября, 11:35 UTC — «Добавить карточку модели», затем ассеты, затем десяток небольших коммитов, полирующих навигацию и выравнивание ссылок, и завершение в 13:20 UTC коммитом «Добавить ссылку на модель Tiny». Это коммит, который переименовал модель, изменил метаданные лицензии на MIT и добавил карточку размером 8 259 байт, описывающую полноценную аудио-языковую модель, а не путь ASR. README, который он заменил, был удалён четырьмя днями ранее; версия до него, сентябрьская, называлась «Ming Audio V3» и указывала лицензию Apache 2.0.

Есть второй репозиторий, о котором стоит знать. Ming-3.0-audio-tiny был создан одновременно с flash-моделью, 3 сентября в 11:45 UTC, и 19 октября с ним поступили так же. Это его младший брат: 9,3 млрд параметров всего, из них 2,7 млрд активных, MIT, около 21 ГБ в четырёх шардах и три скачивания.

Что вы действительно можете скачать

Конфигурация опубликована, поэтому архитектура не является загадкой. Что изменилось на этой неделе — конфигурация и код наконец согласуются. Пользовательские файлы моделирования находятся в репозитории с момента первой загрузки — modeling_bailing_moe_v3_audio.py и processing_bailing_moe_v3_audio.py оба присутствовали там 3 сентября — но конфигурация, которую они должны были загрузить, описывала видео-языково-аудиомодель с окном 8K, а в карточке предлагалось инициализировать её с trust_remote_code=False, что противоположно тому, что требуется для пользовательского кода. Повторная загрузка от 15 октября — это версия, где audio_config.model_type имеет значение bailing_moe_v3_audio, токен видеопатча исчез, заявленная среда выполнения — transformers_version 5.14.1, а auto_map регистрирует AutoModel и AutoProcessor наряду с двумя записями, которые были там всегда.

• Размер — 25 шардов safetensors в формате bfloat16 общим объёмом 256 ГБ для языковой модели, а также пара Talker и VAE объёмом 3 ГБ в каталоге talker/. Крошечная модель занимает около 21 ГБ в четырёх шардах.

• Основа — 42 слоя, размер скрытого слоя 2 560, 512 экспертов, из которых 8 активны на токен, словарь — 157 184. Согласно карточке, это 126 млрд всего и 6,5 млрд активных на шаг вывода.

• Аудиобашня — кодер в стиле Whisper с 32 слоями и шириной 1 280, 20 головами внимания, 128 мел-бинами и аудиоконтекстом длиной 3 000 кадров. Идентификатор аудиотокена — 157 168.

• Контекст — 131 072 позиции. В конфигурации от 3 сентября было 8 192, а конфигурация от 13 октября, которая впервые увеличила его, всё ещё называлась bailing_moe_v3_vl_audio и всё ещё содержала токен видеопатча; чистая версия только для аудио — это версия от 15 октября.

• Вывод — текст или текст плюс синтезированная речь через опциональный Talker. В карточке указаны голос по умолчанию для IP-персонажа 灵小柔 и два предустановленных эталонных голоса — 灵楷 и US_James, аудио и транскрипты которых также присутствуют в репозитории.

• Лицензия — MIT. До 19 октября использовалась Apache 2.0. Обратите внимание: сам репозиторий не содержит файла LICENSE: заявление о MIT содержится в метаданных карточки и в ссылке на путь GitHub, а единственный текст лицензии, фактически присутствующий в репозитории, принадлежит встроенной модели идентификации языка в talker/data/.

Быстрый старт пока не резолвится

Это та часть, которая нужна читателю, планирующему оценить модель, прежде всего остального, и её нет в карточке. Блок установки в карточке клонирует github.com/inclusionAI/Ming-3.0-audio-flash. Этот URL сегодня возвращает HTTP 404 — как из веб-интерфейса, так и через API. То же самое со всеми путями, которые карточка строит на его основе: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, и requirements-transformers.txt.

Ничего из этого также нет в репозитории Hugging Face. В нём нет каталога examples/ — предыдущий был удалён 17 сентября — нет scripts/, нет docs/, и нет файла requirements за пределами talker/. Зато в нём есть всё необходимое для прямой загрузки модели с помощью Transformers, что также описано в карточке в виде фрагмента кода на Python: AutoProcessor с use_fast=False, AutoModelForCausalLM в bfloat16 с device_map="auto", trust_remote_code=True, а аудио передаётся через processor(messages) с приведением audio_feats к типу данных модели.

Итак, честный статус таков: модель загружается, скриптов обслуживания, которые читатель мог бы прочитать, в настоящее время не существует, а карточка описывает репозиторий, который ещё не опубликован. Это не скандал — документация, появляющаяся за несколько часов до публикации кода, — обычное дело, но это означает, что два приведённых ниже рецепта развёртывания нельзя проверить аудитом, их можно только процитировать. Всем, кто рассматривает эту контрольную точку, следует рассчитывать на путь через Transformers и прочитать modeling_bailing_moe_v3_audio.py прежде чем включать удалённый код, что советует и сама карточка.

Проверить можно контракт токенизации, и карточка необычно конкретна в этом отношении: валидированный промпт ASR просит модель назвать язык речи и поставить табуляцию между меткой языка и транскрипцией. Если вы пишете стенд для оценки, эта табуляция и есть парсер. Универсальный промпт «транскрибируй это» — не та конфигурация, которую измерял производитель.

Таблица, опубликованная inclusionAI, включая столбцы, которые она теряет

Три PNG-изображения в assets/ содержат результаты оценки. Каждое число на них — собственный запуск inclusionAI; звёздочки отмечают записи, которые поставщик помечает как самооценённые, и ничто из этого не было воспроизведено третьей стороной. Artificial Analysis публикует аудио-лидерборды и не имеет записи для этой модели. Нет ни оценки на арене, ни независимого Elo, ни второго мнения — поэтому читайте следующее как описание поставщиком собственной модели, чем это и является.

Картина в распознавании речи — самая сильная часть этого кейса, и она сильна именно по той оси, для которой модель явно создавалась. В среднем по её китайскому тестовому набору flash-модель показывает 3,45 против 3,54 у Qwen3.8-Omni Flash и 9,83 у Gemini 3.8 Flash; по английскому — 3,69 против 4,02 и 5,05. На диалектах разрыв резко увеличивается:

• Среднее по диалектам — Ming-3.0-audio-flash 9.40, Seed2.0 Lite 13.01, Qwen3.8-Omni Flash 11.58, Gemini 3.8 Flash 48.41.

• Хоккиен — 12,84 против 49,95, 28,08 и 81,62 у тех же трёх.

• Шанхайский диалект — 11,15 против 26,32, 21,10 и 88,64.

• Кантонский — 4,09 против 6,64, 4,76 и 42,62. Здесь почти ничья с Qwen3.8-Omni Flash и разгром Gemini 3.8 Flash.

• Хубэй — 9,46 против 11,35, 7,75 и 48,24. Qwen3.8-Omni Flash выигрывает эту строку, и производитель всё равно её опубликовал.

• Хунань — 8,76 против 20,30, 17,11 и 71,39.

Та же картина выглядит менее лестно там, где задача перестаёт быть транскрипцией. На диаризации говорящих AISHELL-4 сообщает частоту ошибок диаризации 8,58 у flash-модели против 2,80 у Qwen3.8-Omni Flash; AliMeeting — 8,66 против 3,40; AMI — 25,29 против 11,16 у MiMo-V2.6 Pro. Если ваша задача — «кто говорил когда», а не «что было сказано», это не та модель, которую рекомендует собственная таблица поставщика. Частота ошибок символов для длинных форм с конкатенацией и минимальной перестановкой на AMI говорит о том же: 39,62 у flash-модели против 30,91 у MiMo-V2.6 Pro и 23,19 у Qwen3.8-Omni Flash.

Картина в области аудиоинтеллекта — это место, где аргументация слабеет. Модель выигрывает по своим главным показателям — BigBenchAudio 99.40, MMAU 82.00 — а затем уступает почти везде, где задача требует рассуждения по длинной записи, а не описания короткой.

• LongAudioSpan — 41,12 против 50,26 у Seed2.0 Lite и 66,40 у Qwen3.8-Omni Flash.

• Оценка Long-audio Chain — 12,31 против 34,54 у Qwen3.8-Omni Flash, 48,70 у его режима размышления и 49,63 у Gemini 3.8 Flash. Это четырёхкратный разрыв по метрике, которую производитель решил опубликовать.

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

• Вызов инструментов — BFCL-v3 Audio 81.40 против 75.08 у Seed2.0 Lite и 86.68 у Gemini 3.8 Flash.

Текстовые бенчмарки — наименее удивительны и наиболее полезны, поскольку говорят о том, чем модель не является. В общем рассуждении flash-модель оказывается ниже omni-моделей, с которыми её сравнивают, почти в каждой строке: GPQA Diamond — 82,45 против 91,00 у Qwen3.8-Omni Flash, MMLU-Pro — 80,00 против 87,70, IFBench — 59,00 против 81,50, LiveCodeBench v6 — 79,90 против 92,60, AA-LCR — 73,90 против 80,00. Основа — аудиоспециалист с 6,5 млрд активных параметров при общем числе параметров 126 млрд, и текстовая таблица показывает, как это выглядит со стороны. Если вам нужна одна модель, которая и слушает встречу, и пишет код для последующей работы, собственные цифры inclusionAI говорят, что не стоит ожидать, что эта модель вытянет вторую половину.

Сколько стоит запуск

Приведены два профиля обслуживания, ни один из которых пока не поддается аудиту. Эталонный профиль vLLM-Omni для контекста 128K использует тензорный параллелизм на восьми GPU H800 объемом 80 ГБ. Проверенный профиль SGLang использует четыре GPU и возвращает только текст. Это конфигурации производителя, а не измерения, и при 256 ГБ весов до какого-либо KV-кэша не существует меньшей версии этого — конфигурация 8K, которую репозиторий выпустил в сентябре, не изменила бы нижнюю границу памяти, потому что эта граница — сам чекпойнт.

Практический вывод таков: это кластерная модель, а не модель для рабочей станции. Четыре GPU стоят примерно как серьёзный GPU-узел; восемь по 80 ГБ — это уже совершенно другая статья бюджета. Ming-3.0-audio-tiny — это ответ для всех, кто хочет протестировать семейство без таких обязательств: 21 ГБ и 2,7 млрд активных параметров поместятся на одной большой карте, — но крошечная модель — это другой чекпойнт со своими, стабильно худшими показателями в тех же таблицах (показатель Chain на длинном аудио — 10,56 против 12,31, LongAudioSpan — 35,45 против 41,12, URO-Bench-Pro — 54,15 против 81,92, VoiceBench — 74,29 против 86,74), а производитель не публикует ничего, что подтверждало бы переносимость её поведения.

Стоит отметить для всех, кто планирует интеграцию: Talker необязателен и отделим. В карточке сказано, что он генерирует речь из вывода модели, а пресеты лежат в отдельной папке со своим файлом зависимостей, поэтому текстовому развёртыванию не обязательно включать его. Оба задокументированных профиля обслуживания по умолчанию возвращают текст.

Где маршрутизатор заслуживает своё место, а где — нет

OrcaRouter не обслуживает Ming-3.0-audio-flash. Этой модели нет в нашем каталоге, мы не можем предоставить для неё эндпоинт, и ничто в этом материале не должно восприниматься как предложение об этом. Польза роутера в пайплайне, построенном вокруг подобной модели, заключается в той половине, которая не является моделью. Речевые системы — это в основном работа с текстом: промпт, который определяет, что именно спросить у аудио; постобработка, превращающая языковую метку, разделённую табуляцией, в структурированный вывод; сводка, написанная по транскрипту; резервный вариант, который запускается, когда GPU-узел перегружен. Это обычные текстовые вызовы, и один API для более чем 200 моделей с наценкой 0% — цена из прайс-листа провайдера передаётся как есть, поэтому снижение цены поставщиком вступает в силу на нашей стороне в тот же день — проще подключить, чем четыре договора с поставщиками. Автоматическое переключение при сбое — это то, что позволяет направить часть вашего трафика на новую, непроверенную модель, не ставя весь путь в зависимость от неё.

Эту границу стоит обозначить прямо, потому что именно из-за неё статья не заканчивается формой регистрации: контрольная точка на 259 ГБ, которую вы запускаете на своих восьми GPU, — это инфраструктура, а не вызов API. Роутер маршрутизирует вызовы. Он не превращает кластерную модель в хостинговую и не превращает 22 скачивания в доказательство готовности к продакшену.

Что посмотреть

Три вещи изменили бы картину, и каждую можно проверить так, как бенчмарки проверить нельзя. Во-первых, репозиторий GitHub: когда inclusionAI/Ming-3.0-audio-flash перестанет возвращать 404, скрипты обслуживания и голосовое руководство станут реальными, а два приведённых выше рецепта развёртывания — проверяемыми. Во-вторых, независимая оценка: как только Artificial Analysis или какая-либо арена добавит этот чекпойнт в список, четырёхкратный разрыв по длинному аудио перестанет быть самоотчётом поставщика и станет точкой данных. В-третьих, файл лицензии: MIT заявлен в метаданных, и LICENSE-файл в репозитории превратил бы это в факт, а не в заявление — это различие важно для всех, чей процесс закупок читает репозиторий, а не карточку.

До тех пор точное описание — это нечто негламурное. Серьёзный аудио-языковой чекпойнт, сильнейший на акцентированной и диалектной китайской речи, слабый в рассуждениях по длинному аудио и диаризации говорящих судя по его собственным опубликованным показателям, с лицензией MIT на бумаге, примерно 259 ГБ на диске и задокументированный только начиная с этой недели. Шесть недель молчания не доказывают ничего, кроме того, что inclusionAI выпустила веса раньше, чем выпустила документацию, — но именно документация говорит вам, что вы скачиваете, и теперь она наконец есть, чтобы её прочитать.