Ming-3.0-audio-flash släpptes sex veckor före sitt eget modellkort

En ljud-språkmodell med 126 miljarder parametrar har varit nedladdningsbar från Hugging Face sedan 3 september 2026, och den har 22 nedladdningar och åtta gilla-markeringar att visa upp. Fram till den här veckan var den enda beskrivning som fanns kopplad till repot ett föråldrat kort som kallade sig "Ming Audio V3" och sade att repot "för närvarande dokumenterar ASR-vägen." Ming-3.0-audio-flash är namnet den bär nu. Vikterna är inte nya. Det som anlände 13–19 oktober 2026 är allt som gör en checkpoint användbar för någon som inte har tränat den: en konfiguration som äntligen uppger en kontext på 128K, en ny uppladdning som förvandlar en video-språk-ljudmodell till en enbart ljudbaserad sådan på en kodväg för Transformers 5, ett röstpaket med två referensklipp och det första riktiga modellkortet som repot någonsin har haft. inclusionAI annonserade inget av detta. Ingen tredje part har publicerat en enda siffra för modellen, så allt nedan är antingen direkt utläst ur commit-historiken eller citerat från leverantörens egna utvärderingsbilder – vilket är anledningen till att det är värt att säga redan i början att modellen är från september och att det bara är dokumentationen som är från den här veckan. De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.

Vad ändrades, och när

Commit-loggen är ovanligt läsbar och berättar en historia som modellkortet inte gör. Repositoriet skapades den 3 september 2026 kl. 11:49 UTC med en enda fil i sig, en .gitattributes. Nio minuter senare landade 25 safetensors-sharder på totalt 257 GB under en commit med titeln "Add files using upload-large-folder tool" – den typiska signaturen för ett träningsteam som pushar en checkpoint, inte ett produktteam som förbereder en lansering. Den medföljande README-filen angav Apache 2.0, taggade repositoriet automatic-speech-recognition och uppmanade dig att instansiera modellen med trust_remote_code=False.

Sedan blev det tyst kring repositoriet i sex veckor. När det rörde sig igen rörde det sig fyra gånger på sju dagar.

• 13 oktober, 12:17 UTC – "Ladda upp config.json." En fil, och den intressanta: max_position_embeddings går från 8 192 till 131 072. Inget annat i repot ändras, så i två dagar gjorde repot reklam för en 128K-kontext utan att någon modelleringskod kunde använda den.

• 15 oktober, 09:35 och 09:40 UTC — "Ta bort föråldrade filer" följt av "Ladda upp uppdaterad modell." Viktlayouten ändrades inte, men 46 filer skrevs om och den första sharden minskade från 10,64 GB till 9,77 GB. Konfigurationens audio-model_type ändrades från bailing_moe_v3_vl_audio till bailing_moe_v3_audio, en överbliven video_patch_token raderades, den deklarerade transformers_version hoppade från 4.56.2 till 5.14.1, och auto_map fick AutoModel- och AutoProcessor-poster som inte fanns där tidigare. I samma push försvann README och mappen examples/ — under de följande fyra dagarna hade repot inget modellkort alls.

• 17 oktober, 11:44 UTC — ”Lägg till röstförinställningar.” En mapp med namnet voice_presets/ dyker upp med US_James.wav, 灵楷.wav och en voice_prompts.json som innehåller deras transkriptioner.

• 19 oktober, från och med 11:35 UTC – ”Lägg till modellkort,” sedan resurser, sedan ett dussin små commits som finslipade navigering och länkjustering, och avslutades 13:20 UTC med ”Lägg till länk för Tiny-modellen.” Det här är commiten som döpte om modellen, ändrade licensmetadata till MIT och lade till det 8 259 byte stora kortet som beskriver en fullständig ljudspråkmodell snarare än en ASR-väg. README-filen som den ersatte hade raderats fyra dagar tidigare; versionen före den, från september, hade titeln ”Ming Audio V3” och angav Apache 2.0.

Det finns ett andra repository värt att känna till. Ming-3.0-audio-tiny skapades vid samma tidpunkt som flash-modellen, den 3 september kl. 11:45 UTC, och fick samma behandling den 19 oktober. Det är det mindre syskonet: 9,3B totala parametrar med 2,7B aktiva, MIT, ungefär 21 GB över fyra shards och tre nedladdningar.

Vad du faktiskt kan ladda ner

Konfigurationen är publicerad, så är arkitekturen inget mysterium. Det som har ändrats den här veckan är att konfigurationen och koden äntligen stämmer överens. Anpassade modelleringsfiler har funnits i repot sedan den första uppladdningen — modeling_bailing_moe_v3_audio.py och processing_bailing_moe_v3_audio.py fanns båda där den 3 september — men konfigurationen som de skulle läsa in beskrev en video-, språk- och ljudmodell med ett 8K-fönster, och modellkortet sade åt dig att instansiera den med trust_remote_code=False, vilket är motsatsen till vad anpassad kod kräver. Återuppladdningen den 15 oktober är versionen där audio_config.model_type har värdet bailing_moe_v3_audio, videopatch-token är borta, den deklarerade körtiden är transformers_version 5.14.1, och auto_map registrerar AutoModel och AutoProcessor tillsammans med de två posterna som alltid har funnits.

• Storlek — 25 bfloat16-safetensors-shards som totalt uppgår till 256 GB för språkmodellen, plus ett 3 GB Talker- och VAE-par under talker/. Den lilla modellen är cirka 21 GB i fyra shards.

• Backbone — 42 lager, dold storlek 2 560, 512 experter med 8 aktiva per token, vokabulär 157 184. Det är 126B totalt och 6,5B aktiva per inferenssteg, enligt modellkortet.

• Ljudtorn — en Whisper-liknande encoder med 32 lager och bredd 1 280, 20 huvuden, 128 mel-bins och en ljudkontext på 3 000 ramar. Ljudtoken-id:t är 157 168.

• Kontext — 131 072 positioner. Det var 8 192 i konfigurationen från 3 september, och konfigurationen från 13 oktober som först höjde det kallade sig fortfarande bailing_moe_v3_vl_audio och innehöll fortfarande video-patch-token; den rena versionen med enbart ljud är den från 15 oktober.

• Utdata — text, eller text plus syntetiserat tal via en valfri Talker. Kortet anger en standard-IP-röst, 灵小柔, och två förinställda referensröster, 灵楷 och US_James, vars ljud och transkriptioner båda finns i repot.

• Licens — MIT. Det var Apache 2.0 fram till den 19 oktober. Observera att själva repot inte innehåller någon LICENSE-fil: MIT-påståendet finns i kortets metadata och i en länk till en GitHub-sökväg, och den enda licenstext som faktiskt finns i repot tillhör en medföljande språkidentifieringsmodell under talker/data/.

Snabbstarten har inte lösts ännu

Det här är den del som en läsare som planerar att utvärdera modellen behöver före allt annat, och den finns inte i modellkortet. Modellkortets installationsblock klonar github.com/inclusionAI/Ming-3.0-audio-flash. Den URL:en returnerar HTTP 404 i dag, både från webben och från API:et. Detsamma gäller varje sökväg som modellkortet bygger ovanpå den: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, och requirements-transformers.txt.

Inget av dessa finns heller i Hugging Face-repoet. Det innehåller ingen examples/-katalog — en tidigare togs bort den 17 september — ingen scripts/, ingen docs/, och ingen requirements-fil utanför talker/. Det den däremot innehåller är allt som behövs för att ladda modellen direkt med Transformers, vilket modellkortet också dokumenterar som ett Python-kodavsnitt: AutoProcessor med use_fast=False, AutoModelForCausalLM i bfloat16 med device_map="auto", trust_remote_code=True, och ljud som skickas genom processor(messages) med audio_feats castat till modellens dtype.

Så den ärliga statusen är: modellen laddas, serveringsskripten finns för närvarande inte för en läsare att läsa, och modellkortet beskriver ett repo som ännu inte har publicerats. Det är ingen skandal — att dokumentationen publiceras några timmar före en kodpush är normalt — men det betyder att de två distributionsrecepten nedan inte kan granskas, bara citeras. Den som överväger denna checkpoint bör planera för Transformers-vägen och bör läsa modeling_bailing_moe_v3_audio.py innan den aktiverar fjärrkod, vilket modellkortet självt rekommenderar.

Det som kan kontrolleras är tokeniseringskontraktet, och kortet är ovanligt specifikt i den frågan: den validerade ASR-prompten ber modellen att ange det talade språket och sätta en tabb mellan språketiketten och transkriptionen. Om du skriver ett utvärderingsharness är den tabben parsern. En generisk "transkribera detta"-prompt är inte den konfiguration som leverantören mätte.

Tabellen som inclusionAI publicerade, inklusive de kolumner den tappar

Tre PNG-bilder i assets/ innehåller utvärderingen. Varje siffra på dem är inclusionAI:s egen körning; asteriskerna markerar poster som leverantören anger vara självutvärderade, och inget av det har reproducerats av en tredje part. Artificial Analysis publicerar ljudleaderboards och har ingen post för den här modellen. Det finns ingen arena-poäng, ingen oberoende Elo och ingen andra åsikt — så läs det följande som en leverantör som beskriver sin egen modell, vilket är exakt vad det är.

Taligenkänningsbilden är den starkaste delen av fallet, och den är stark på den axel som modellen uppenbart byggdes för. I genomsnitt över dess kinesiska testset rapporterar flash-modellen 3,45 mot 3,54 för Qwen3.8-Omni Flash och 9,83 för Gemini 3.8 Flash; över engelska, 3,69 mot 4,02 och 5,05. För dialekter vidgas gapet kraftigt:

• Dialektgenomsnitt — Ming-3.0-audio-flash 9,40, Seed2.0 Lite 13,01, Qwen3.8-Omni Flash 11,58, Gemini 3.8 Flash 48,41.

• Hokkien — 12,84 mot 49,95, 28,08 och 81,62 för samma tre.

• Shanghainesiska — 11,15 mot 26,32, 21,10 och 88,64.

• Kantonesiska — 4,09 mot 6,64, 4,76 och 42,62. Den här ligger nära oavgjort mot Qwen3.8-Omni Flash och är en förkrossande seger över Gemini 3.8 Flash.

• Hubei – 9,46 mot 11,35, 7,75 och 48,24. Qwen3.8-Omni Flash vinner den här raden, och leverantören publicerade det ändå.

Hunan — 8,76 mot 20,30, 17,11 och 71,39.

Samma bild är mindre smickrande när uppgiften inte längre är transkribering. Inom talardiariisering rapporterar AISHELL-4 en diariiseringsfelkvot på 8,58 för flashmodellen mot 2,80 för Qwen3.8-Omni Flash; AliMeeting, 8,66 mot 3,40; AMI, 25,29 mot 11,16 för MiMo-V2.6 Pro. Om problemet är "vem som talade när" snarare än "vad som sades" är detta inte den modell som leverantörens egen tabell rekommenderar. Teckenfelkvoten för långa sammanfogade sekvenser med minimal permutation på AMI visar samma sak: 39,62 för flashmodellen mot 30,91 för MiMo-V2.6 Pro och 23,19 för Qwen3.8-Omni Flash.

Bilden av ljudintelligens är där argumentet tunnas ut. Modellen vinner sina mest framträdande rader – BigBenchAudio 99.40, MMAU 82.00 – och tappar sedan mark nästan överallt där uppgiften kräver resonemang över en lång inspelning i stället för att beskriva en kort.

LongAudioSpan – 41,12, jämfört med 50,26 för Seed2.0 Lite och 66,40 för Qwen3.8-Omni Flash.

• Long-audio Chain-poäng — 12,31, jämfört med 34,54 för Qwen3.8-Omni Flash, 48,70 för dess tänkandeläge och 49,63 för Gemini 3.8 Flash. Det är en fyrdubbel skillnad i det mått som leverantören valde att publicera.

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

• Verktygsanrop – BFCL-v3 Audio 81,40 mot 75,08 för Seed2.0 Lite och 86,68 för Gemini 3.8 Flash.

Textbenchmarkarna är de minst förvånande och mest användbara, eftersom de säger vad modellen inte är. På allmänt resonemang hamnar flash-modellen under de omni-modeller den jämförs med på nästan varje rad: GPQA Diamond 82,45 mot 91,00 för Qwen3.8-Omni Flash, MMLU-Pro 80,00 mot 87,70, IFBench 59,00 mot 81,50, LiveCodeBench v6 79,90 mot 92,60, AA-LCR 73,90 mot 80,00. Ryggraden är en ljudspecialist med 6,5B aktiva parametrar och ett parameterantal på 126B, och texttabellen är hur det ser ut utifrån. Om du vill ha en enda modell som både hör ett möte och skriver uppföljningskoden, säger inclusionAIs egna siffror att du inte ska förvänta dig att den här klarar den andra halvan.

Vad det kostar att driva

Två serveringsprofiler anges, ingen av dem är ännu granskningsbar. Referensprofilen för vLLM-Omni för 128K-kontext använder tensorparallellism över åtta H800-GPU:er på 80 GB. Den validerade SGLang-profilen använder fyra GPU:er och returnerar endast text. Det är leverantörens konfigurationer, inte mätningar, och med 256 GB vikter före någon KV-cache finns det ingen mindre version av detta – 8K-konfigurationen som repot levererade i september skulle inte ha ändrat minnesgolvet, eftersom golvet är checkpointen.

Den praktiska tolkningen är att detta är en klustermodell, inte en arbetsstationsmodell. Fyra GPU:er kostar ungefär lika mycket som en rejäl GPU-nod; åtta med 80 GB är en helt annan budgetpost. Ming-3.0-audio-tiny är svaret för alla som vill testa familjen utan den satsningen – 21 GB och 2,7B aktiva parametrar får plats på ett enda stort kort – men den lilla modellen är en annan checkpoint med egna, konsekvent sämre siffror i samma tabeller (Chain-poäng för långt ljud 10,56 mot 12,31, LongAudioSpan 35,45 mot 41,12, URO-Bench-Pro 54,15 mot 81,92, VoiceBench 74,29 mot 86,74), och leverantören publicerar inget som visar att dess beteende överförs.

Värt att notera för alla som planerar en integration: Talker är valfri och separat. Modellkortet beskriver den som att den genererar tal från modellens utdata, och förinställningarna ligger i en egen mapp med en egen kravfil, så en driftsättning med enbart text behöver inte inkludera den. Båda de dokumenterade serveringsprofilerna returnerar text som standard.

Där en router förtjänar sin plats – och där den inte gör det

OrcaRouter tillhandahåller inte Ming-3.0-audio-flash. Det finns inte i vår katalog, vi kan inte ge dig någon endpoint för det, och ingenting i den här texten bör läsas som ett erbjudande om att göra det. Vad en router är bra för i en pipeline byggd kring en modell som den här är den hälft som inte är modellen. Talsystem är mestadels textarbete: prompten som avgör vad man ska fråga ljudet, efterbearbetningen som gör en tabbavgränsad språketikett till strukturerad utdata, sammanfattningen som skrivs utifrån transkriptionen, fallbacken som körs när GPU-noden är mättad. Det är vanliga textanrop, och ett API för fler än 200 modeller med 0 % påslag – leverantörens listpris förs vidare, så att en leverantörs prissänkning gäller hos oss samma dag – är enklare att koppla upp än fyra leverantörsavtal. Automatisk failover är det som gör att du kan placera en ny, obeprövad modell bakom en del av din trafik utan att satsa hela vägen på den.

Gränsen är värd att uttryckas tydligt, eftersom det är hela anledningen till att den här artikeln inte slutar med en registreringsruta: en checkpoint på 259 GB som du kör på dina egna åtta GPU:er är infrastruktur, inte ett API-anrop. En router dirigerar anrop. Den gör inte en klustermodell till en hostad sådan, och den förvandlar inte 22 nedladdningar till produktionsbevis.

Vad du ska titta på

Tre saker skulle förändra bilden, och var och en går att kontrollera på ett sätt som benchmarkarna inte gör. För det första, GitHub-repot: när inclusionAI/Ming-3.0-audio-flash slutar returnera 404 blir serveringsskripten och röstguiden verkliga och de två driftsättningsrecepten ovan granskningsbara. För det andra, en oberoende poäng: i samma stund som Artificial Analysis eller en arena listar denna checkpoint upphör det fyra gånger så stora gapet för långt ljud att vara en leverantörs självrapport och börjar bli en datapunkt. För det tredje, licensfilen: MIT anges i metadata, och en LICENSE-fil i repot skulle göra det till ett faktum snarare än ett påstående – skillnaden spelar roll för alla vars upphandlingsprocess läser repot i stället för kortet.

Fram till dess är den korrekta beskrivningen den oglamorösa. En seriös checkpoint för ljud och språk, starkast på kinesiskt tal med brytning och dialekt, svag på resonemang över långa ljud och talardiarisering enligt dess egna publicerade siffror, MIT-licensierad på pappret, ungefär 259 GB på disk och dokumenterad först denna vecka. Sex veckors tystnad är inte bevis för något annat än att inclusionAI levererade vikterna innan det levererade dokumentationen – men dokumentationen är den del som talar om vad du laddar ner, och nu finns den äntligen där att läsa.