Ming-3.0-audio-tiny против Qwen-Audio 3.1: окно, с которым можно вести расчёты, против каталога, с которым нельзя

Вот число, которое легко проверить и трудно использовать: текстовый бэкбон внутри Ming-3.0-audio-tiny настроен на 131 072 позиции, а аудиобашня перед ним принимает 3 000 кадров за раз с 128 mel-бинами. Qwen-Audio 3.1, напротив, вообще не публикует длину контекста — ни в индексе моделей, ни в однострочных описаниях, приложенных к трём её идентификаторам моделей. Одна сторона даёт вам число и оставляет интерпретацию вам; другая даёт три названия продуктов и оставляет аппаратное обеспечение A​libaba. Эта асимметрия и есть всё сравнение, и это не сравнение того, какая модель слышит лучше. Это сравнение того, какую из них можно оценить по размеру до того, как вы что-либо потратите. Документированные сбои ИИ и инциденты с агентами, стоящие за релизами вроде этого, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг оспаривания.

Сначала даты, потому что у этой модели неудобная хронология. Веса Ming-3.0-audio-tiny появились на Hugging Face 3 сентября 2026 года; репозиторий был создан в 11:45 UTC, а два шарда safetensors появились четырьмя минутами позже. Недавно изменился не чекпойнт. В период с 16 по 19 октября 2026 года репозиторий был переписан вокруг него — конфиг, который наконец описывал аудиомодель, а не видеоязыковую, Talker для речевого вывода, два эталонных голосовых клипа с транскриптами, три профиля развёртывания на GitHub и, 19 октября в 13:19 UTC, первая в истории репозитория карточка модели. Никто об этом не объявлял. Поэтому справедливый вопрос не в том, что вышло в сентябре. А в том, что вы теперь можете рассчитать о его запуске и что каталог Alibaba позволяет, а что не позволяет рассчитать об альтернативе.

Превращаем 131,072 токена в минуты

Это число реально и поддаётся проверке — чего не скажешь о большинстве заявлений о контексте. В конфигурации текстовой части указаны max_position_embeddings 131,072, внимание MLA с 512-мерным латентным представлением KV и база ротационного кодирования 6,000,000. Но окно контекста в токенах становится полезным только после того, как вы узнаете, сколько токенов стоит секунда аудио, а производитель об этом не сообщает. Это можно вывести из собственных числовых параметров аудиомодуля.

• Вход энкодера — 3000 кадров по 128 мел-бинов, что соответствует тому же 30-секундному окну, которое Whisper использует при шаге 10 мс.

• Даунсемплер — ядро [3,3,3] с шагом [2,2,2], поэтому одно окно уменьшается в восемь раз.

• Токенов на окно — 3 000 разделить на 8, то есть 375 аудиотокенов примерно на 30 секунд звука.

• Что это означает — 131,072, деленное на 375, дает примерно 349 окон, или чуть меньше трех часов аудио, если конвейер подает один непрерывный поток, а не выполняет повторную буферизацию между окнами.

Последняя оговорка несёт большую смысловую нагрузку, и я хочу сказать об этом прямо. Цифра в три часа — это результат арифметики над двумя опубликованными значениями конфигурации, а не заявление производителя, и она окажется неверной, если процессор сбрасывает позицию между клипами — а именно это подразумевает профиль воспроизведения ASR, когда ограничивает аудио одним клипом на промпт. Рассматривайте это как верхнюю границу, которую нужно проверить, а не как спецификацию, которую можно цитировать.

Что не является арифметикой — так это последствия для памяти. MLA хранит латент KV, а не ключи и значения по каждой голове, и именно поэтому окно в 131K вообще можно рассматривать на одной карте. Референсный текстовый профиль резервирует 0,92 одной GPU при max_num_batched_tokens 32,768 — это резерв, рассчитанный на полное окно плюс большой батч, а не нижняя граница. Уберите max_model_len, и резерв уменьшится вместе с ним. Шарды Thinker в сумме занимают 17,74 GB, так что карта на 24 GB вмещает веса, и ещё остаётся место.

Другая сторона отвечает на тот же вопрос разделением продукта

В индексe Model Studio от Alibaba Qwen-Audio 3.1 указан как три идентификатора моделей, а не как одна модель с полем контекста. qwen-audio-3.1-asr-flash-streaming и qwen-audio-3.1-asr-flash-filetrans относятся к распознаванию речи; qwen-audio-3.1-realtime-plus относится к преобразованию речи в речь и описывается как сквозной голосовой разговор без отдельных вызовов ASR и TTS. На этой странице нет весов, количества параметров, длины контекста и цены. Подробная документация для каждого идентификатора не открылась при проверке.

Рассматривайте это разделение как ответ на проблему длинного аудио, а не как случайность упаковки. SKU для транскрипции файлов — это то, как провайдер продаёт час аудио: вы загружаете файл, сервис нарезает его как ему угодно, а контекстное окно — уже чья-то чужая инженерная задача. Потоковый SKU — это то, как провайдер продаёт телефонный звонок. Ни один из этих SKU не раскрывает то число, которое раскрывает Ming, а значит, вы не можете построить модель ёмкости для Qwen-Audio 3.1 так, как можете для Ming-3.0-audio-tiny. Вы можете построить только счёт, и даже для этого нужна консоль.

• Что можно проверить — Ming: конфигурация, архитектура, лицензия, четыре файла safetensors, три изображения с бенчмарков, YAML развёртывания. Q​wen: три идентификатора и по одному предложению к каждому.

• Что поддаётся оценке — Ming: 17,74 ГБ весов и один GPU для текста, два для речи. Q​wen: неизвестно, пока не прочитаешь тарифную карту, которую отсюда не видно.

• Что вы можете кэшировать — Ming: собственный KV-кэш, при вашем собственном max_model_len. Q​wen: то, что эндпоинт делает внутри, невидимо.

• Режим отказа — Ming: OOM, который вы вызвали и можете исправить. Qwen: квота, регион или страница документации, которая ничего не возвращает.

• Лицензия — Ming: MIT, в метаданных карточки и в файле LICENSE репозитория GitHub, однако учтите, что репозиторий Hugging Face не содержит собственного файла LICENSE. Qwen: коммерческие условия Model Studio, поскольку лицензии на веса, которую можно было бы прочитать, нет.

Вопрос-бенчмарк, на который никто не может ответить честно

Ming-3.0-audio-tiny поставляет три оценочных изображения в assets/, и в каждой ячейке на них inclusionAI измеряет inclusionAI. В карточке строки с самооценкой отмечены звёздочкой и признаётся, что модели сравнения были воспроизведены с использованием собственных промптов и настроек декодирования. Это обычное раскрытие информации, и его стоит воспринимать буквально: это проектные целевые показатели, а не результаты.

В этом сравнении цифры вдвойне неудобны, потому что полезных столбцов среди представленных нет. На распознавании китайского крошечная модель в среднем показывает 3,79 ошибки на символ против 3,45 у более крупного собрата, а на диалектах — 10,29 против 9,40. В аудиоинтеллекте она существенно проигрывает: MMAU — 75,90 против 82,00, MMAU-Pro — 56,42 против 66,41, а в голосовом взаимодействии — обвал на URO-Bench-Pro с 81,92 до 54,15. Всё это мелочь на фоне flash. Но на фоне Qwen-Audio 3.1 ничто из этого не выглядит мелочью, потому что Qwen-Audio 3.1 не опубликовала сопоставимого результата, и нет ни общего набора тестов, ни общей конфигурации декодирования, ни третьей стороны, которая прогнала бы обе.

Есть ещё один пробел, который стоит назвать, потому что его можно проверить за десять секунд. В карточке сказано, что общие показатели включают результаты для обоих вариантов Ming. Это верно для изображения с распознаванием и изображения с аудиоинтеллектом. На изображении с текстовым интеллектом четыре столбца, и крошечной модели среди них нет — его столбцы: Ming-3.0-audio-flash, Qwen3.8-Omni Flash, Qwen3.5-Omni Plus и Qwen3.5-Omni Flash. Если ваш вопрос в том, может ли магистральная модель с 2,7 млрд активных параметров вести рассуждающий разговор об аудио, inclusionAI не ответила на него на этом изображении, что бы ни говорилось в предложении над изображением.

Как две формы по-разному выходят из строя на трёхчасовой отметке

Длинное аудио — это то место, где разделение продукта перестаёт быть косметическим. Единый чекпойнт с окном в 131K — это обещание, что одна модель прочитает всю запись и вспомнит первые десять минут, дойдя до последних. У этого обещания есть конкретный режим отказа: всё деградирует вместе. Если аудио переполняет окно, вы режете его на чанки, и именно при чанкинге незаметно умирает рассуждение между чанками — спикер, представленный на второй минуте, снова становится незнакомцем на сороковой.

SKU для транскрипции файлов скрывает эту проблему и наследует другую. Вы не контролируете разбиение на фрагменты, поэтому не можете воспроизвести плохую расшифровку; вы не можете определить, сохранял ли сервис контекст между фрагментами или сшивал независимые окна; а когда вывод меняется между двумя идентичными загрузками, у вас нет переменной, которую можно было бы изолировать. Потоковый SKU честно заявляет свое ограничение в названии: он создан для выдачи по мере поступления аудио, что подходит для субтитров и не подходит для проверки на соответствие требованиям девяностоминутного звонка.

Так что решение не в том, «что точнее», — ни одна из сторон не дала вам числа, которое позволило бы это решить. Оно в том, «какую ошибку я смогу отладить». Если вам нужно воспроизвести транскрипт байт в байт, держите контрольную точку у себя. Если вам нужен транскрипт через двадцать минут и пейджер кого-то другого, арендуйте SKU.

Где маршрутизатор оправдывает себя в этом конвейере

OrcaRouter не обслуживает Ming-3.0-audio-tiny. Его нет в нашем каталоге, и мы не можем предоставить для него эндпоинт; ничто здесь не является предложением предоставить его. Что роутер действительно охватывает — так это ту часть конвейера обработки длинного аудио, которая не является аудиомоделью: решение, какая запись пойдёт в локальную модель 2.7B, а какая — в нечто более крупное, написание резюме по транскрипту, извлечение пунктов действий, маркировку звонка. Это текстовые вызовы, и более 200 моделей за одним ключом — это более короткий путь, чем четыре договора с поставщиками — по прайсовой цене провайдера с наценкой 0%, поэтому когда поставщик снижает цену, сумма, которую вы платите, меняется в тот же день. Автоматическое переключение при сбое здесь важнее обычного: задание транскрипции, которое сбоит на восьмидесятой минуте девяностоминутного файла, должно повториться по второму пути, а не начинаться заново.

Об этой границе стоит сказать прямо. Маршрутизатор маршрутизирует вызовы. Он не превращает чекпоинт размером 17,74 ГБ в размещённый эндпоинт и не говорит, реально ли у Ming окно в 131K. Это покажет только ваш собственный час аудио.

Эксперимент, который решает всё

Возьмите одну запись, ответ на которую вы уже знаете, — совещание с тремя говорящими, один из которых переключает язык посреди предложения, — и пропустите её через оба инструмента. Для Ming-3.0-audio-tiny загрузите её с trust_remote_code=True, используйте ASR-промпт, который валидирует карточка (укажите язык, символ табуляции, затем транскрипцию — этот символ табуляции и есть ваш парсер), и задайте max_model_len ровно той длины, которая вам нужна, вместо значения по умолчанию. Для Qwen-Audio 3.1 пропустите тот же файл через оба SKU — SKU файловой транскрипции и SKU реального времени, — потому что это разные продукты, и они не будут совпадать.

Затем сравните три вещи, ни одна из которых не является оценкой бенчмарка. Сохранила ли модель идентичности дикторов на протяжении всего файла? Справилась ли она с переключением языка без транслитерации? И смогли бы вы объяснить результат достаточно хорошо, чтобы изменить одну переменную и запустить всё снова? Именно последний вопрос решает, оцениваете ли вы модель или устраиваете прослушивание вендору, и это единственное место, где эти два варианта не близки.