Ming-3.0-asr-tiny vs Moonshine 250M: Den ena modellen slutar aldrig lyssna, den andra börjar aldrig förrän du har talat färdigt

Det finns ett namngivningsproblem som måste redas ut innan något annat, eftersom det förändrar vad den här jämförelsen är. Moonshine publicerar tre checkpoints – Tiny på 34M, Small på 123M och Medium på 245M – och Moonshine 250M är den förkortning som communityn använder för toppen av den serien, den checkpoint vars repository-namn är moonshine-streaming-medium och vars safetensors-index faktiskt uppgår till 265 898 112 parametrar. Ingen fil någonstans i Moonshine-organisationen heter 250M. Den modellen är en engelsk streamingigenkännare med en kodare med glidande fönster och en autoregressiv avkodare, byggd för en laptop eller en telefon, släppt i januari 2026 under MIT. Ming-3.0-asr-tiny är en kinesisk och engelsk igenkännare med 8,87 miljarder parametrar vars vikter dök upp på Hugging Face den 14 oktober 2026 utan något tillkännagivande, byggd kring en Whisper-formad kodare och en mixture-of-experts-avkodare med 128 experter, och utformad för att läsa ett helt klipp på en gång. De är inte rivaler på samma marknad. De är två olika svar på frågan om när en igenkännare får tala. Den checkpoint som den här artikeln kallar Moonshine 250M dokumenteras på Moonshine Streaming Medium-modellkortet, där safetensors-indexet anger 265 898 112 parametrar mot kortets 245M-beteckning. 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 omstridd-flagga.

Den frågan är den användbara ramen, och den ger ett renare beslut än en noggrannhetstabell skulle göra. Moonshine 250M avger ord medan ljudet fortfarande anländer, på ungefär 0,1 till 1 TOPS. Ming-3.0-asr-tiny avger ingenting förrän du räcker den en komplett fil, och då avger den en transkription utan några tidsstämplar alls.

Vad var och en faktiskt är byggd för att göra

Moonshines arkitektur är en avsiktlig inversion av den vanliga streamingkompromissen. Kodaren är en sliding-window-transformer med begränsad lokal uppmärksamhet och inga positionella embeddingar alls – kortet kallar den ergodisk – fönstrad som (16, 4) i de två första och de två sista lagren och (16, 0) i de mellanliggande, vilket ger ungefär 80 millisekunder framförhållning. Positionell information injiceras av en adapter efter kodaren, som matar en standardmässig kausal dekoder med RoPE. Ljudfrontenden körs i 50 Hz med enkla tidsdomänoperationer i stället för ett mel-spektrogram.

Avkodaren är autoregressiv, och Moonshine säger vad det kostar: latensen för hela utdata växer med transkriptets längd även när tiden till första token är låg. Det är designens ärliga begränsning, och det är den meningen man ska ha i åtanke när man jämför streamingpåståenden. Streaming innebär att de första orden dyker upp snabbt; det innebär inte att det sista ordet dyker upp proportionellt snabbt.

Ming strömmar inte, och dess modellkort anger det: det medföljande exemplet tar inte emot strömmande indata. Långt ljud kan delas upp i bitar via ett argument mot en kontext på 8 192 positioner, men att dela upp en fil är inte samma sak som att konsumera ett liveflöde, och fältet för utdataformat i konfigurationen är inställt på plain. Det Ming i stället gör är att bära med sig kontext. Den accepterar hotwords eller den föregående dialogturen som en del av transkriptionsprompten, och den utvärderas över femton testset för kinesiska dialekter – Hunan, Minnan, kantonesiska, Chuanyu, Shanghai, Anhui, Northeast, Henan, Hubei, Jiangsu, hakka, Shaanxi, Shandong, Tianjin, Yunnan. Moonshine är endast för engelska och har inget av detta.

De två parameterantalen, och varför de skiljer sig

En detalj som är värd att stanna upp vid, eftersom det är den sortens sak som tyst kan förstöra en jämförelsetabell: Moonshines eget modellkort listar Medium med 245M parametrar, 14 encoderlager och 14 decoderlager, en encoder med 768 dimensioner och en decoder med 640 dimensioner. Safetensors-indexet i samma repository anger 265 898 112. Skillnaden är cirka 21 miljoner, ungefär åtta och en halv procent, och det är inte ett avrundningsfel – det är skillnaden mellan att räkna en backbone och att räkna allt som levereras med den.

Ming har samma problem i en större storlek. Dess index rapporterar 8 865 800 992 parametrar; dess diagram betecknar modellen 8.6B-A2B, en förkortning för 8,6 miljarder totalt med cirka 2 miljarder aktiva per token. Beteckningen ligger ungefär 270 miljoner under indexet.

• Totalt antal parametrar — Ming-3.0-asr-tiny 8,87B (index) jämfört med Moonshine 250M 266M (index); leverantörsetiketterna anger 8,6B och 245M.

• Aktiva per token — cirka 2B för Ming, eftersom 8 av 128 experter routas per steg. Alla 266M för Moonshine, som är tät.

• Encoder — 32 lager, 1 280 dimensioner, 20 huvuden, 128 mel-bins, Whisper-formad, jämfört med en 14-lagers ergodisk transformator med glidande fönster vid 768 dimensioner över en 50 Hz-frontend.

• Avkodare — 24 lager, 128 experter, autoregressiv; jämfört med 14 lager, tät, autoregressiv.

• Latensmodell — hela klippet in, transkription ut, ingen strömning; jämfört med ~80 ms framförhållning och en första token medan ljudet fortfarande kommer in.

• Utdata — ren transkriberingstext, inga tidsstämplar, ingen diarisering; jämfört med transkriberingstext från en autoregressiv avkodare som inte heller har någon väg för tidsstämplar i kortet.

• Språk — kinesiska och engelska plus 15 testset för kinesiska dialekter; jämfört med enbart engelska.

• Licens — MIT för båda, med medföljande Apache-2.0-rubriker bibehållna i Mings repositorium.

Noggrannhet, med förbehållet att de aldrig testades på samma ljud

Moonshines kort rapporterar en genomsnittlig WER på 6,65 över åtta engelska datamängder för Medium: 10,68 på AMI, 11,90 på Earnings-22, 9,46 på GigaSpeech, 2,08 på LibriSpeech test-clean, 5,00 på test-other, 2,58 på SPGISpeech, 2,99 på TED-LIUM och 8,54 på VoxPopuli. Tränad på ungefär 300 000 timmar tal.

Ming rapporterar genomsnittlig WER på 3,99 för sina engelska offentliga datamängder – LibriSpeech clean och other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English och VoxPopuli – samt genomsnittlig CER på 3,55 för sina kinesiska datamängder. Tränad på en ej angiven mängd data.

Frestelsen är att ställa 3.99 bredvid 6.65 och förklara att Ming är mer exakt på engelska. Gör det inte. Två av de fem engelska uppsättningarna skiljer sig, aggregeringen skiljer sig, Moonshines kort publicerar inte någon uppdelning per uppsättning som enkelt kan mappas mot Mings fem, och ingen av leverantörerna testade den andra. På den enda uppsättning som båda rapporterar – VoxPopuli – publicerar Ming överhuvudtaget ingen engelsk siffra per uppsättning i sin löptext, bara genomsnittet, så inte ens den enda överlappningen kan jämföras utifrån korten. Alla siffror här är rapporterade av leverantören och inte reproducerade.

Det som kan sägas utan en gemensam testuppsättning är strukturellt. Moonshine är en tät modell med 266 miljoner parametrar som tränats på 300 000 timmar engelska. Ming är en mixture-of-experts-modell med 8,87 miljarder parametrar och ungefär 2 miljarder aktiva, tränad på data som den inte beskriver, utvärderad på kinesiska och engelska med en tung dialektkomponent. En modell med sjutton gånger så många aktiva parametrar och ett språkmodellsprior bör vara mer korrekt på svårt engelskt ljud, och det skulle vara förvånande om den inte vore det. Det är en förväntan utifrån arkitekturen, inte en mätning.

Där verkligheterna kring driftsättning går isär

Ming behöver en Linux-dator med CUDA-GPU, Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2 och trust_remote_code=True för att läsa in sin egen modelleringskod. Vikterna är cirka 17,7 GB i BF16 fördelat på två shards. Det finns en SGLang-serveringsväg, låst till en specifik adapter-commit, vilket är en signal om att leverantören förväntar sig att detta ska köras bakom ett API snarare än på ett skrivbord.

Moonshine 250M siktar på under 1 GB minne och ungefär 0,1 till 1 TOPS. Det körs via Moonshine Voice-ramverket för edge-enheter och via Transformers, och kortet säger rakt ut att Transformers-vägen ännu inte implementerar fullt effektiv streaming – den förlitar sig på flash-attentions stöd för glidande fönster. Om du vill ha det streamingbeteende som arkitekturen lovar är det ramverksvägen som levererar det.

Det är i repot som checkpointlinjen faktiskt syns: tjugofyra taggar fördelade på en Tiny-, Small- och Medium-familj, plus ramverket som kortet säger att man ska använda om man vill ha riktig streaming. Det är en underhållsberättelse som Ming ännu inte har, och det är den praktiska halvan av valet.

Det är hela jämförelsen i två meningar: den ena modellen är designad för att glömmas bort inuti en enhet, och den andra är designad för att serveras från en GPU med en hotword-lista kopplad.

Vad ett Kina-först-team faktiskt bör göra

Om din produkt är realtidsundertext eller ett röstkommando på engelska utför Moonshine 250M det jobb som Ming inte kan utföra alls, och noggrannhetsgapet – vad det än visar sig vara – kommer sannolikt inte att spela större roll än det faktum att Ming inte kan ta emot en liveström. Strömning är inte en funktion man lägger till senare i en arkitektur som läser hela klipp; det är en egenskap hos encodern.

Om din produkt är kinesiskt tal, eller en regional dialekt, eller en batchpipeline där transkriptioner tas fram i efterhand och namn spelar roll, är Ming den enda av de två som hanterar problemet, och den är fem dagar gammal med nedladdningar som räknas i tiotal. Den ärliga rekommendationen är ett jämförande test på din egen ljuddata, poängsatt efter recall för namngivna entiteter i stället för teckenfelkvot, eftersom det är den axel som Ming byggdes för.

För team som genomför den jämförelsen är det operativa problemet inte modellen, utan infrastrukturen: två stackar, två uppsättningar beroenden, två uppsättningar autentiseringsuppgifter och inget sätt att jämföra dem på samma trafik utan att bygga en testrigg. OrcaRouter är inte värd för någon av modellerna – Ming-3.0-asr-tiny och Moonshine 250M är självhostade öppna vikter – men det lägger över 200 hostade modeller bakom en enda API-nyckel med automatisk failover, så den hostade baslinje du mäter mot kan ligga bredvid din självhostade kandidat utan ett andra avtal. Leverantörernas listpriser förs vidare med 0 % påslag, vilket är siffran som spelar roll när du jämför kostnad per timme ljud i stället för kostnad per token.

Den öppna frågan som är värd att bevaka

Mings kort säger att hotwords är tips, inte garantier, och att utdata är text utan ordnivåtidsstämplar eller talardiarisering. Moonshines kort säger att dess avkodare kan hallucinera ord och upprepa fraser på korta eller brusiga segment. Båda är ärliga om fellägen, vilket är mer än vad de flesta kort klarar, och båda beskriver samma underliggande kompromiss från motsatta håll: en autoregressiv avkodare som producerar flytande text kommer ibland att producera flytande text som inte sades.

Det som skulle avgöra den här jämförelsen är inte ett benchmark utan ett användningsfall. Kör båda på samma tjugo minuter av din egen ljudinspelning – hälften live, hälften batch, hälften engelska, hälften inte – och beslutet slutar helt handla om parameterantal. Fram till dess är den korrekta beskrivningen av matchen att den ena modellen är byggd för att lyssna kontinuerligt och den andra för att läsa noggrant, och namnet på den mindre är en marknadsföringsförkortning för en checkpoint som faktiskt har 266 miljoner parametrar.