
Ming-3.0-audio-flash vs Ming-3.0-audio-tiny: Tretton gånger parametrarna, två och en halv gånger arbetet
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 185 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 228 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 98 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
Ming-3.0-audio-flash och Ming-3.0-audio-tiny anlände till Hugging Face med fyra minuters mellanrum den 3 september 2026 – tiny kl. 11:45 UTC, flash kl. 11:49 – och sedan dess har de två förväxlats med varandra. I morse blev förväxlingen bokstavlig. Flash-repot redigerades kl. 08:26 UTC med en commit med rubriken "Update Flash BBA score to 99.8% and add the overall #1 leaderboard result"; tiny-repot redigerades två minuter och åtta sekunder senare med en commit med rubriken "Update shared Flash BBA score to 99.8%…", med samma mening och samma leaderboard-PNG. Tiny-modellen har ingen egen post i Artificial Analysis, så om du har sett 99,8 % tillskrivas Ming-3.0-audio-tiny, tillhörde den siffran dess större syskon och färdades via copy-paste.
Det är värt att säga först, eftersom det ramar in allt annat. Det här är inte två konkurrenter. De är en och samma design i två skalor, som delar tokeniserare, kontextfönster, licens och en kodväg för servering, och skiljer sig åt i en handfull heltal i config.json. Den intressanta frågan är inte vilken som vinner – flash vinner på varje publicerad kvalitetssiffra – utan vilka av de heltalen du faktiskt betalar för, och vad den mindre är genuint bättre på.
Vad de två repositorierna faktiskt har gemensamt
Börja med de delar som är identiska, eftersom det finns fler av dem än man skulle förvänta sig utifrån en parameterlucka på 13,5×.
• Arkitekturnamn – båda deklarerar model_type: bailing_moe_v3_audio, samma anpassade Transformers-kodväg.
• Tokenizer — båda använder ett ordförråd på 157 184 token, med ljudplatshållaren vid index 157 168. En prompt skriven för den ena laddas på den andra.
• Kontextfönster — båda anger max_position_embeddings: 131072, med samma RoPE-theta på 6 000 000 och ingen skalning tillämpad.
• Routningsbredd — båda aktiverar 8 experter per token. Det är siffran som gör att paret överhuvudtaget går att jämföra.
Indata och utdata – ljud plus en textinstruktion in; text, eller text med syntetiserat tal via en valfri Talker, ut.
• Licens — MIT på båda, med samma fil för juridiskt ansvarsfriskrivning.
• Kod — den lilla modellens README säger att du ska git clone GitHub-repositoriet för flash-modellen. Det finns en implementation, en uppsättning exempelskript, en röstguide.
Eftersom koden delas är de två kontrollpunkterna direkt utbytbara på API-nivå. Att byta från den ena till den andra är en ändring av modellnamnet, vilket är precis den egenskap som gör en tvåskiktad pipeline billig att bygga och också den egenskap som gör det lätt att publicera fel modells poäng.

De fyra heltalen som inte är gemensamma
Allt som skiljer sig åt finns i text_config, och det är bara fyra siffror som spelar roll.
• Lager — flash 42, tiny 24.
• Experter — flash 512, tiny 128.
• Expertbredd — flash moe_intermediate_size 768, tiny 512.
• Dold storlek — flash 2 560, tiny 1 536.
Multiplicerar du ihop dem får du de huvudsiffror som korten anger: 126B totala parametrar med 6,5B aktiva för flash, 9,3B totalt med 2,7B aktiva för tiny. På disk är skillnaden 259,33 GB bfloat16-vikter i 25 shards mot 20,7 GB i två.
Titta nu på förhållandet i stället för de absoluta siffrorna, för det är den här delen som specifikationsbladen begraver. Totala parametrar skiljer sig med 13,5×. Vikter på disk skiljer sig med 12,5×. Men aktiva parametrar skiljer sig med bara 2,4×. Flash-modellen har ett mycket större bibliotek av experter och konsulterar ett liknande antal av dem; tiny-modellen har ett mindre bibliotek och konsulterar ett liknande antal. Så flash är inte tretton gånger dyrare per token än tiny — det är närmare två och en halv gånger, med ett minnesavtryck som är tretton gånger större och till största delen ligger oanvänt. Det är den klassiska sparse-MoE-avvägningen, och det betyder att den verkliga kostnaden för att välja flash är kapacitet, inte genomströmning: du köper ett större bibliotek, och du måste hålla hela biblioteket resident oavsett om ett givet klipp lånar från det eller inte.

En konsekvens förvånar många. Båda modellerna anger samma fönster på 131 072 token, och det är frestande att dra slutsatsen att de hanterar samma ljud. Det gör de inte. Kontext är en gräns, inte en förmåga, och leverantörens egna siffror i nästa avsnitt visar exakt var den mindre modellens förståelse brister långt innan fönstret är fullt.
Vad leverantörens egna tabeller säger
Utvärderingsbilderna på båda korten har tagits fram av inclusionAI och redovisar de två modellerna sida vid sida. Detta är leverantörens siffror, ej granskade, och urvalet av uppgifter är leverantörens; de är fortfarande den enda uppgiftsspecifika jämförelse som finns, eftersom Artificial Analysis endast poängsätter flash.
• Poäng för lång ljudkedja — flash 12.31, tiny 10.56.
• LongAudioSpan — flash 41,12, tiny 35,45.
• URO-Bench-Pro — flash 81,92, tiny 54,15.
• VoiceBench — flash 86,74, tiny 74,29.
Två saker är värda att lyfta fram. För det första, ordningen: tiny förlorar på alla dem, så ingen bör välja den med förväntan om paritet. För det andra, och mindre uppenbart: gapet är mycket större i ljudresonemangsbenchmarkarna (URO-Bench-Pro, ned 27,8 poäng, och VoiceBench, ned 12,5) än i de långa ljudbenchmarkarna (ned 1,75 och 5,67). Vad de extra experterna och lagren än har gett, har de mest gett resonemang om det som hördes, inte rå uthållighet över en lång inspelning.
Och flash-modellens egna siffror för långt ljud är svaga i absoluta termer – en kedjescore på 12,31 av vad nu den benchmarkens skala är, mot 34,54 för Qwen3.8-Omni Flash och 49,63 för Gemini 3.8 Flash på samma kort. Så den ärliga tolkningen av paret är inte "flash är bra, tiny är dålig". Det är att ingen av checkpointarna är en modell för långa inspelningar, och att tiny helt enkelt är ännu svagare på allt som benchmarkarna för kort ljud mäter.
Hårdvarulinjen dras av byten, inte av parametrarna
Det är här valet vanligtvis gör sig självt, och de två README-filerna är ovanligt specifika om de profiler de validerade.
• Ming-3.0-audio-flash — referensprofil för 128K-serving vid tensor-parallellism 4 över 80 GB H800; långt ljud kan orsaka OOM för den, med en dokumenterad reservlösning på 8 GPU:er; SGLang validerat på fyra GPU:er för textutdata; SGLang-Omni vid --thinker.tp_size 2 på ett par kort.
• Ming-3.0-audio-tiny — vLLM-Omni med Thinker på en GPU för text och ASR, eller Thinker på GPU 0 och Talker på GPU 1 för tal; SGLang validerat på en GPU för text; SGLang-Omni på ett enda kort med --talker.gpu 0.
Läs de raderna som ett infrastrukturbeslut snarare än en specifikation. Flash behöver en multi-GPU-nod och en anledning att uppta den. Tiny behöver ett kort, och om du bara vill ha transkribering eller frågor och svar om ljud behöver den ett kort helt utan Talker – inget talsyntessteg, ingen separat process, inget röstval. Den praktiska skillnaden mellan de två är inte fyra gånger så många GPU:er; det är huruvida det du driftsätter får plats på en maskin du redan har.
Det finns en andra ordningens effekt som visar sig i drift. En checkpoint på 25 shards och 259 GB måste hämtas till varje nod som servar den, versionshanteras och hållas varm; reservprofilen med åtta GPU:er innebär att din kapacitetsplan måste tolerera en modell som ibland behöver dubbelt så många kort för samma trafik. En checkpoint på två shards och 20,7 GB får plats i ett lager i containeravbildningen, startar på sekunder och kan skalas genom att lägga till repliker. För intern verktyg med burstig belastning dominerar den skillnaden varje kvalitetssiffra i den här artikeln.

Den tvåstegs-pipeline som dessa två checkpoints byggdes för
Här är det användningsfall som paret faktiskt är till för, och det är ett som inget av modellkorten beskriver: kör den lilla modellen på allt, och flash-modellen bara på det som överlever.
En billig första genomgång med Ming-3.0-audio-tiny kan svara på "finns det tal i den här filen", "vilket språk är det", "hur många talare", "är ljudet tillräckligt rent för att vara värt att transkribera" — och den kan göra det på ett kort i vilken takt kortet än klarar. Endast de klipp som behöver resonemang, dialekthantering eller en noggrann transkribering går sedan till Ming-3.0-audio-flash. Eftersom tokenizern, promptformatet och serveringskoden delas är det andra anropet samma begäran med ett annat modellnamn; det finns ingen omkodning, ingen omskrivning av prompten och ingen andra integration att underhålla.
Ekonomin är poängen. Om en femtedel av ditt ljud är svårt ser flash-modellen en femtedel av volymen, och du kan dimensionera dess nod efter den andelen i stället för efter toppen. Om nästan allt ditt ljud är svårt ger kaskaden ingenting och du bör köra enbart flash – vilket är en användbar lärdom från en veckas triage med små modeller innan du satsar på fyra H800s.
Samma mönster syns ett lager upp, i textanropen kring ljudmodellerna: klassificeraren som avgör vilken nivå ett klipp hör till, den strukturerade extraktionen från en transkription, sammanfattningen som skrivs efteråt. Det är vanliga chattkompletteringar, och OrcaRouter dirigerar dem över fler än 200 modeller bakom en enda nyckel med 0 % påslag, med automatisk failover – så att klassificeraren som reglerar din dyra ljudnivå inte blir komponenten som får pipelinen att fallera. Routnings-DSL:en är delen som gör att nivåbeslutet kan uttryckas som konfiguration i stället för kod: skicka korta, rena klipp åt ett håll och långa eller brytningspräglade åt ett annat, och låt en reservmodell täcka luckan när en leverantör försämras. Vi tillhandahåller ingen av Ming-checkpointarna; båda är nedladdningar som du kör själv.
Hur du löser det med ditt eget ljud
Båda kontrollpunkterna är MIT, båda passar samma kodväg, och båda är tillräckligt små i det minimala fallet för att testas utan en upphandlingsdiskussion. Det gör en eftermiddag av mätning mer informativ än någon av siffrorna ovan.
Hämta tvåhundra klipp från din egen trafik, viktade mot den svåra änden – accentuerat tal, överlappande talare, bakgrundsbrus, de långa inspelningar du faktiskt har. Kör båda modellerna med samma prompter och poängsätt tre saker: transkriptionsnoggrannhet på de klipp du har facit för, om språketiketten var korrekt, och hur ofta utdata var oanvändbar snarare än bara fel. Kör sedan kaskaden och mät hur många klipp den lilla modellen hanterade tillräckligt bra för att flash-modellen aldrig behövdes.
Det där sista numret är det enda som avgör infrastrukturen. Om det kommer tillbaka högt har du en distribution på en GPU med en stor modell bakom för svansen. Om det kommer tillbaka lågt har du lärt dig att din arbetsbelastning är den arbetsbelastning som flash-modellen byggdes för, och att tiny var ett användbart experiment snarare än en nivå. Båda svaren är billiga. Att gissa utifrån ett parameterantal är det inte, eftersom 13,5× på kortet och 2,4× i beräkningsbudgeten pekar på helt olika hårdvara, och bara dina inspelningar kan säga vilken du köper.
