Ming-3.0-asr-tiny släpptes utan tillkännagivande: Vad förvaret faktiskt säger

Vikterna för Ming-3.0-asr-tiny publicerades på Hugging Face kl. 09:27 UTC den 14 oktober 2026, och fem dagar senare visade repot fortfarande 35 nedladdningar. Vad leverantören än avsåg att uppladdningen skulle åstadkomma, så åstadkom den det inte. Koden kom kl. 02:38 UTC den 19 oktober. Projektsidan – en enda scrollbar sida med en lanseringsfilm och fyra benchmarkdiagram – publicerades kl. 12:30 UTC samma dag. Ingen tillkännagav något av det. Det finns ingen teknisk rapport länkad från repot, inget releasedatum tryckt på modellkortet och inget lanseringsinlägg från organisationen bakom det. Allt i den här artikeln kommer från själva filerna, commit-loggen och leverantörens egna diagram, och det är avsiktligt separerat från de delar som fortfarande är okända. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som denna samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad-markering.

Den distinktionen spelar större roll än vanligt här. En modell som har varit offentlig i fem dagar och har 35 nedladdningar är inte en produkt man kan planera kring; det är en uppsättning vikter med en konfigurationsfil och en redogörelse på byte-nivå för hur den sattes ihop. Konfigurationen är ovanligt informativ. Diagrammen är ovanligt specifika. Luckorna är ovanligt stora.

Fem dagar mellan vikterna och berättelsen

Commit-historiken är det närmaste detta släpp kommer ett tillkännagivande, så den är värd att läsas som ett. Den första Hugging Face-commiten är själva skapandet av repositoryt den 14 oktober kl. 09:27 UTC. En timme senare laddade leverantören upp en checkpoint, och commit-meddelandet namnger den: iter_0011500. Det är en räkning av träningsiterationer, inte ett versionsnummer, och den berättar att körningen hade passerat 1,15 miljoner steg utan att säga ett enda ord om den data som stegen förbrukade.

De följande fyra dagarna ägnades åt publicering snarare än träning. Den 15 oktober lades modellpaketet och den tvåspråkiga dokumentationen upp. Den 16 oktober publicerade leverantören det man kallade validerade vikter endast för ljud. Den 18 oktober fick modellkortet vägledning för servering med SGLang, och benchmark-siffrorna uppdaterades två gånger. Den 19 oktober länkades repositoryt till en GitHub-kodutgivning, sedan till en SGLang-cookbook, sedan till en lanseringsfilm, sedan till citeringsmetadata och slutligen, kl. 14:04 och 14:05 UTC, uppdaterades de offentliga, interna och context-ASR-diagrammen igen – ungefär nittio minuter innan den här artikeln skrevs.

GitHub-repositoriet är ännu nyare: skapat kl. 02:38 UTC den 19 oktober, tjugo commits, fem stjärnor, inga forks och en tom Releases-flik. Videon som kortet kallar en releasefilm är inte kopplad till det repositoriet över huvud taget. Den finns som en release-tillgång i ett separat GitHub Pages-repositorium, skapat kl. 12:22 UTC samma dag, under en tagg som bokstavligen heter media-2026-10-19. Den mest citerbara konsekvensen: det enda datumet någonstans i den här releasen är datumet för sidan som filmen ligger på.

Vad konfigurationen fastställer, och vad den bara antyder

Safetensors-indexet rapporterar 8 865 800 992 parametrar: 8 865 797 920 i BF16 fördelade på två shards, plus 3 072 i F32. Det är ungefär 17,7 GB vikter. Leverantörens diagram betecknar modellen 8.6B-A2B, en förkortning för 8,6 miljarder totalt med omkring 2 miljarder aktiva per token; indexet är det mer exakta numret och ligger cirka 270 miljoner över beteckningen. Inget av numren är fel, men bara ett av dem är en mätning som du kan kontrollera utan att lita på leverantörens avrundning.

Avkodaren är en 24-lagers mixture-of-experts-stack: 128 experter, åtta routade per token, en delad expert, första lagret dense, dold storlek 1 536, 16 attention-huvuden med ett 128-dimensionellt huvud och komprimerad attention via q_lora_rank 256 och kv_lora_rank 512. Ordförrådet är 157 184 tokens och kontexten är 8 192 positioner. Projektsidan lägger till en detalj som enbart konfigurationen inte uttrycker: stacken varvar tre Kimi Delta Attention-lager med ett Gated MLA-lager, en 3:1-hybrid. Det är en språkmodell med en påkopplad ljudfrontend, och arbetsfördelningen mellan de två halvorna är obalanserad.

Ljudsidan är en 32-lagrig encoder med 1 280 dolda dimensioner, 20 huvuden och 128 mel-indata – formen hos Whisper large-v3:s encoder, ett släktskap som arkivet erkänner genom att leverera en fil med namnet modeling_whisper_encoder.py och en separat WHISPER_LICENSE som innehåller OpenAIs MIT-meddelande. Encodern är också den klart mindre hälften av modellen. Två användbara fält i samma fil: ljudtoken-id:t är 157 168, och asr_output_format är satt till plain.

Vad diagrammen hävdar, och mot vem

Kortet innehåller inga siffror i löptext. Alla finns i fyra PNG-diagram, och projektsidan upprepar dem. Enligt leverantörernas egna siffror får Ming-3.0-asr-tiny ett kinesiskt genomsnittligt CER på 3,55 och ett engelskt genomsnittligt WER på 3,99; ett genomsnitt över 15 dialekter på 8,42; ett internt genomsnitt över fem domäner på 1,67; och ett aggregerat context-ASR-värde på 4,36. Vart och ett av dessa är leverantörsrapporterat och inget har oberoende reproducerats.

Jämförelseuppsättningen på projektsidan är Qwen2.5-Omni, Qwen3-Omni-30B-A3B, Qwen3-ASR-1.7B, Fun-ASR 1.5 och Qwen3-ASR-Flash, med de två sista markerade som slutna källkodsmodeller. Dialektraden är där gapet är störst: Ming på 8,42, Qwen3-ASR-1.7B på 15,30, Fun-ASR 1.5 på 8,00. Den kinesiska raden är där det är minst: Ming på 3,55 ligger mellan Qwen3-Omni på 3,33 och Qwen3-ASR-1.7B på 3,66. Kontextraden är den som modellen byggdes för, och där ligger Mings 4,36 på andra plats, två hundradelar efter Qwen3-Omnis 4,34.

Tre varningar hör hemma bredvid de siffrorna, och leverantörens egna redigeringar står för två av dem. Poängen över fem domäner är ett oviktat aritmetiskt medelvärde över chatt, myndigheter, hälsa, kunskap och lokalt liv – fem interna testset med ett oredovisat förhållande till träningsdata, medelvärdesberäknade som om var och en vägde lika tungt i din trafik. Projektsidan dokumenterar också, i en commit kl. 12:39 UTC den 19 oktober, att en poäng för brusigt tal togs bort från sidan medan medelvärdet för de rena domänerna låg kvar. Och diagrammen höll fortfarande på att uppdateras kl. 14:04 UTC. En uppsättning siffror som ändras samma dag som den publiceras är en uppsättning siffror som man bör läsa igen innan man citerar den.

Vad finns inte i arkivet?

Listan över frånvaron är längre än listan över närvaron, och varje frånvaro har en praktisk konsekvens.

• Träningsdata — ingen lista över datamängder, inga timmar, ingen språkblandning, ingen beskrivning av filtrering. Checkpointen namnges enbart efter antal iterationer och inget annat.

• Ett releasedatum — kortet anger inget sådant. Tidsstämpeln för när förvaret skapades är det enda tillförlitliga datumet, och leverantören har inte bekräftat det som releasedatum.

• En teknisk rapport — ingen är länkad. Arkitekturbeskrivningen på projektsidan är fyra meningar lång.

• Oberoende utvärdering — någon sådan finns ännu inte. Med 35 nedladdningar och fem gillningar har i praktiken ingen utanför labbet kört den.

• Tidsstämplar på ordnivå och talardiariisering — kortets användningsanteckningar anger tydligt att utdata endast är transkriptionstext. Detta är dokumenterat, inte dolt, och det utesluter omedelbart undertext-, justerings- och diariiseringspipelines från övervägande.

• Streaming – det medföljande exemplet accepterar hela klipp. Långt ljud kan delas upp i bitar med --audio-chunk-frames mot kontexten på 8 192 positioner, vilket inte är samma sak som streaming med låg latens.

• Utvärderingskod — diagrammen är bilder. Det finns inget skript i förvaret som återskapar dem från ljud.

En avsaknad förtjänar att nämnas separat eftersom den formar hela inramningen: det finns inget tillkännagivande att vara sen till. En lanseringsfilm, en projektsida och ett GitHub-repositorium som publicerades inom tio timmar från varandra den 19 oktober är en lansering i alla avseenden utom pressmeddelandet. Vikterna anlände helt enkelt fem dagar tidigare, utan att någon noterade det, medan resten byggdes.

Läs den där commitlistan uppifrån och ned, och releasen monteras framför dig: ett kodsläpp, sedan dokumentation på engelska, sedan en serveringsväg, sedan en film, sedan en citering, sedan en andra genomgång av siffrorna. Tjugo commits, ingen av dem en versionstagg, och en tom Releases-flik i slutet.

Varför ett tyst fartyg fortfarande hör hemma på din radar

Tysta releaser är där routingfrågan blir intressant, eftersom den vanliga köpsignalen – en lansering, ett pris, ett benchmark som alla citerar – saknas och det enda sättet att få veta något är att köra det. Det är precis det fallet som OrcaRouters failover är till för. Du kan skicka en del av trafiken genom en kandidatmodell medan den befintliga modellen fortsätter hantera resten, och om den nya vägen misslyckas eller får timeout, faller begäran tillbaka i stället för att användaren drabbas. En API-nyckel täcker fler än 200 hostade modeller, så att lägga till en andra åsikt innebär inte ett andra avtal och en andra uppsättning autentiseringsuppgifter.

Den ärliga gränsen: Ming-3.0-asr-tiny finns inte i OrcaRouter-katalogen, och det gör inte heller de ASR-modeller som dess diagram jämför med. Av de modeller som namnges på projektsidan är den som finns tillgänglig via OrcaRouter i dag google/gemini-2.5-pro, som förekommer i context-ASR-jämförelsen på 6.30. Så den realistiska användningen av ett routinglager här är inte "anropa Ming via oss" – det är att sätta en värdbaserad baslinje och en självhostad kandidat bakom ett enda gränssnitt medan du bestämmer dig. Prissättningen för den värdbaserade sidan går igenom till leverantörens listpris med 0 % påslag, vilket är den del som spelar roll när jämförelsen gäller kostnad per timme ljud.

Vad skulle flytta detta från nyfikenhet till kandidat?

En kort lista, i den ordning de sannolikt dyker upp. Ett angivet releasedatum och en redovisning av träningsdata skulle göra benchmarksiffrorna tolkningsbara i stället för bara citerbara. En oberoende körning på en delad testuppsättning skulle avgöra om dialektgapet är verkligt, eftersom det är det enda påståendet där leverantörens övertag gentemot närmaste öppna baslinje är tillräckligt stort för att ett fel skulle vara uppenbart. En väg för tidsstämplar eller diarisering skulle bredda uppsättningen av pipelines som över huvud taget kan använda den. Och ett recept för vLLM eller SGLang som inte är låst till en enda commit skulle visa att leverantören avser att detta ska serveras snarare än demonstreras.

Fram till dess är den korrekta beskrivningen oglamorös och specifik: 8,87 miljarder parametrar som till största delen utgörs av språkmodell, en lånad Whisper-encoder, en verklig satsning på kinesiska dialekter och hotword-conditioning, publicerad utan en artikel, utan ett datum och med diagram som fortfarande redigerades samma eftermiddag som de publicerades. Det är inte ett skäl att ignorera det. Det är ett skäl att testa det innan du citerar det.