Ming-3.0-audio-flash vs InternLumina U2: Två tysta skepp, motsatt pappersarbete

Båda dessa modeller publicerades utan pressmeddelande, och det är ungefär där likheten slutar. Ming-3.0-audio-flash lades upp på Hugging Face den 3 september 2026 som 259 GB vikter med nästan ingen dokumentation och fick ett riktigt modellkort först den 19 oktober. InternLumina-U2 gick motsatt väg: Shanghai AI Laboratory publicerade inferenskoden och en projektsida den 1 september 2026, lovade vikterna och släppte dem senare i hårdvaruspecifika mappar. Det ena teamet släppte artefakten först och förklaringen sex veckor senare. Det andra skrev förklaringen först och lät dig vänta på artefakten. Ingen av dem aviserade något, ingen av dem har någon oberoende benchmark, och ingen av dem ersätter den andra – en hör, den andra ser och ritar. De dokumenterade AI-felen och incidenterna med tysta lanseringar som ligger bakom jämförelser som denna samlas i OrcaRouter AI Incident Archive där varje post har egna källor, allvarlighetsgrad, konfidensklass och flagga för omstridd status.

Det gör detta till en jämförelse av två saker samtidigt: två olika satsningar på vad en öppen multimodal modell är till för, och två olika vanor när det gäller att släppa en sådan. Den andra halvan är mer användbar än den låter, eftersom det är dokumentationen som avgör om du kan driftsätta saken på en tisdag. Allt nedan kommer från de två repositorierna och deras kort. Mings siffror är inclusionAI:s egna; InternLuminas är Shanghai AI Labs, och dess eget kort betecknar dem som "preliminära, delvisa resultat". Ingen tredje part har utvärderat någon av dem.

De två lanseringstidslinjerna, sida vid sida

Datum är de mest objektiva bevisen som finns tillgängliga här, så börja med dem.

• 1 september 2026, 04:03 UTC — GitHub-repositoriet InternLM/InternLumina-U2 skapas. Tretton minuter senare dyker ett Hugging Face-repositorium med samma namn upp, med en .gitattributes och en README-stomme. Släppet den dagen är kod: ett drivskript med ett avsnitt per uppgift, en README på engelska och kinesiska samt en färdplan.

• 3 september 2026, 11:45 och 11:49 UTC — inclusionAI skapar Ming-3.0-audio-tiny och Ming-3.0-audio-flash på Hugging Face. Nio minuter senare landar 25 shards i flash-repot. README-filen som följde med dem hade titeln "Ming Audio V3" och beskrev endast ASR-sökvägen.

• 13–19 oktober 2026 — Ming-repositorierna flyttas fyra gånger på sju dagar: en konfiguration som höjer kontexten från 8 192 till 131 072, en ny uppladdning som tar bort video-språkvarianten, en mapp med röstförinställningar och till slut kortet, tillgångarna och en MIT-omlicensiering. inclusionAI/Ming-3.0-audio-flash dyker upp på GitHub den 15 oktober.

• Någon gång efter 24 september 2026 — internlm/InternLumina-U2 på Hugging Face slutar vara en stub och får två checkpoint-träd, ascend/ och nvidia/, sju shards vardera, totalt cirka 67,6 GB lagring, ungefär 33,8 GB per hårdvaruträd. Repositoriet ändrades senast den 24 september. Ingen kortomskrivning, ingen benchmarktabell med siffror i, ingen teknisk rapport.

Mönstret är omvänt, och den praktiska konsekvensen är också omvänd. Mings vikter har sedan början av september varit körbara för vem som helst som är villig att läsa en konfigurationsfil; dess dokumentation fanns inte. InternLuminas dokumentation fanns från dag ett; dess vikter gjorde det inte, och när de väl kom, kom de utan de jämförelsetabeller som kortet utlovade.

Vad varje modell faktiskt är byggd för att göra

Ming-3.0-audio-flash är en inbyggd ljud-språklig mixture of experts: 126 miljarder parametrar totalt, 6,5 miljarder aktiva per inferenssteg, en ljudkodare och projektor som matar en 42-lagrig backbone med 512 experter och 8 aktiva per token, ett ordförråd på 157 184 token och ett Whisper-liknande ljudtorn med 32 lager och bredd 1 280 med 128 mel-bins. Indata är ljud plus textinstruktioner. Utdata är text, eller text plus syntetiserat tal via en valfri Talker-modul med inbyggda kinesiska röster och två referensklipp i repositoriet. Det deklarerade kontextfönstret är 128K, och modellkortets serveringsprofil är åtta 80 GB H800:or i tensor-parallellism.

InternLumina-U2 är en gles mixture-of-experts-modell med 16 miljarder parametrar och 1 miljard aktiva, byggd som en diffusionsspråkmodell i stället för en autoregressiv sådan – den förfinar en hel sekvens parallellt i stället för att avge token från vänster till höger. Dess visuella representation är helt diskret: åtta kodningsböcker med visuella token från Apples AToken-tokeniserare, sammanfogade till ett enda backbone-token per position på indatasidan och förutsagda kodningsbok för kodningsbok på utdatasidan. Poängen med den designen är enhetlighet: textfrågor och svar, bildförståelse, bildredigering, text-till-bild-generering, videoförståelse och 3D-förståelse körs alla genom samma vokabulär och samma vikter, på en LLaDA-2.0-diffusionsbackbone.

Läser man de två beskrivningarna tillsammans kokar jämförelsen ner till en enda mening. Ming-3.0-audio-flash är en specialist som är mycket stor och går på djupet med en enda modalitet. InternLumina-U2 är en generalist som är liten sett till det totala antalet parametrar och försöker klara fem saker på ett godtagbart sätt. Ingen av designerna innebär en kompromiss med den andra; de är svar på olika frågor.

Att omvandla var och en till tokens, vilket är den verkliga skillnaden

Om du bara tittar på parameterantalen skulle du dra slutsatsen att Ming är åtta gånger så stor som modellen. Den tolkningen är fel åt båda hållen, och anledningen är det gränssnitt som var och en exponerar.

• Indata — Ming-3.0-audio-flash: ljud och text. InternLumina-U2: text, bilder, videobilder och 3D-resurser.

• Utdata — Ming-3.0-audio-flash: text, eventuellt tal. InternLumina-U2: text, bilder, redigerade bilder; inget ljud, ingen video, ingen 3D-generering.

Avkodning — Ming-3.0-audio-flash: autoregressiv över ett ordförråd på 157 184 token. InternLumina-U2: blockdiffusion över ett diskret visuellt ordförråd med flera kodböcker.

• Totala kontra aktiva parametrar – Ming-3.0-audio-flash: 126B totalt, 6,5B aktiva. InternLumina-U2: 16B totalt, 1B aktiva.

• Vikter på disk – Ming-3.0-audio-flash: ungefär 259 GB fördelat på 25 shards plus en Talker och VAE. InternLumina-U2: 67,6 GB i repositoriet, uppdelat i två hårdvaruträd med sju shards och cirka 33,8 GB vardera.

• Licens — båda MIT-nära till andan, men olika i praktiken: Ming-3.0-audio-flash är MIT enligt dess kort, InternLumina-U2 är Apache-2.0 enligt dess repository och kort.

• Oberoende utvärdering – ingen för någon av dem.

Hårdvara, vilket är där de två skiljer sig mest åt

InternLumina-U2:s mest intressanta ingenjörspåstående är inte arkitekturen; det är backend-berättelsen. Repositoriet levererar både ett Ascend-träd och ett NVIDIA-träd, och labbet uppger att träning, utvärdering och inferens anpassades till både Huawei NPU:er och NVIDIA GPU:er med numerisk överensstämmelse på operatornivå mellan dem. För alla vars inköp sker via icke-NVIDIA-acceleratorer är det en verklig särskiljande faktor, och det går att kontrollera i filträdet: två kompletta checkpoint-kataloger, var och en med egen konfiguration, tokenizer och parallellplan.

Ming-3.0-audio-flash har ingen sådan historia. Dess referensprofil är åtta H800 med 80 GB; dess validerade alternativ är en SGLang-profil för fyra GPU:er som endast returnerar text. Det finns ingen NPU-väg i arkivet, och det lilla syskonet med 9,3B totalt och 2,7B aktiva är svaret för alla som inte kan avsätta en nod.

Båda modellerna är i nutida bemärkelse distributionsprojekt snarare än pip-installationer. InternLuminas egna material är tydliga med att genereringsvägen inte är standard: block-diffusion-generate-API:et är inte Transformers generate-gränssnittet, AToken-tokenizern kräver FlashAttention, och 3D-pipelinen förväntar sig Blender 4.5 för att rendera GLB-tillgångar till vyer före tokenisering. Mings väg är mer konventionell – AutoProcessor plus AutoModelForCausalLM med trust_remote_code=True – men minsta minneskrav är åtta gånger högre.

Vad leverantörens siffror säger, och vad de inte kan säga

De två tabellerna kan inte jämföras med varandra, eftersom de två modellerna inte har ett enda gemensamt benchmark. Det är ingen undanmanöver; det är evidensens ärliga form.

I inclusionAI:s utvärderingsbilder rapporterar Ming-3.0-audio-flash ett kinesiskt ASR-genomsnitt på 3,45 i felkvot, ett engelskt genomsnitt på 3,69, ett dialektgenomsnitt på 9,40, MMAR 74,40 och BigBenchAudio 99,40. Samma bilder visar var den tappar: AMI-diariseringsfel 25,29 mot 11,16 för MiMo-V2.6 Pro, och en Chain-poäng för långt ljud på 12,31 mot 34,54 för Qwen3.8-Omni Flash. Dess textbenchmarkresultat är kortets svagaste del – GPQA Diamond 82,45, MMLU-Pro 80,00, IFBench 59,00 – vilket är hur en ljudspecialist med 6,5B aktiva parametrar ser ut när den ombeds resonera i prosa.

InternLumina-U2:s modellkort rapporterar ChartQA 86,52, CharXiv-DQ 83,65, MathVision 33,22, HallusionBench 62,15, VideoMME 51,26, MVBench 59,74, 3D MM-Vet 41,8, DPG-Bench 87,10 och GenEval 0,81 – och undergräver sedan sig självt, eftersom projektsidans egen tabell visar LLaDA2.0-Uni på GenEval 0,89, bättre än den modell som påstår sig överträffa den. Modellkortets främsta förbehåll, "Preliminära, delvisa resultat. Fullständiga jämförelsetabeller kommer att visas i den kommande tekniska rapporten," gäller fortfarande i dag. Det finns ingen teknisk rapport.

Sammantagna beskriver de två uppsättningarna siffror kompletterande styrkor och en gemensam svaghet: ingen av dem har reproducerats av någon utanför laboratoriet som tränade den.

Vilken, för vilken läsare

Om din produkt involverar röst – mötestranskribering med dialekttäckning, callcenterljud, talade svar, dubbning – är Ming-3.0-audio-flash den enda av de två som är tillämplig, och ärligt talat den enda öppna viktmodellen i sin klass med publicerade dialektsiffror som är så här specifika. Planera för en nod, eller börja med det lilla syskonet och acceptera dess svagare resultat för långt ljud.

Om din produkt involverar bilder – dokumentläsning, diagram-QA, redigering, beskrivning av 3D-tillgångar, eller en enda modell som både läser och ritar – är InternLumina-U2 den enda som är tillämplig, och Ascend-trädet är en verklig anledning att titta närmare om du inte köper NVIDIA. Räkna med att behöva kämpa med tokenizern.

Om du behöver båda kör du två modeller, och den intressanta frågan blir operativ: två checkpoints, två verktygskedjor, två uppsättningar licensvillkor, en multimodell produkt. Det är det normala läget för arbete med öppna vikter i slutet av 2026, och det är därför routing finns.

Routningslagret, snävt formulerat

OrcaRouter tillhandahåller ingen av checkpointarna. Ming-3.0-audio-flash och InternLumina-U2 är båda modeller med öppna vikter som du kör själv; ingen av dem finns i vår katalog och ingen av dem kommer att förekomma i ett anrop till vårt API. Det vi tillhandahåller är det omgivande textarbetet: prompten som ramar in en bildredigeringsinstruktion, sammanfattaren som gör en Ming-transkription till strukturerade anteckningar, klassificeraren som avgör vilken av de två modellerna en inkommande resurs ska skickas till.

Den där sista biten är den som är värd att namnge. En pipeline som hanterar både röst och bild landar i ett routingbeslut – ljud går till Ming-noden, bilder till InternLumina-noden – och det beslutet är ett modellanrop som vilket annat som helst. Att lägga det bakom ett API för fler än 200 modeller med 0 % påslag, där leverantörens listpris går rakt igenom, håller dispatchern på samma nyckel som allt annat. Automatisk failover spelar roll här också, inte för de självhostade checkpoints utan för klassificeringssteget som matar dem: om routerns modell är degraderad bör reserven vara en annan modell, inte en trasig pipeline.

Inget av det där gör en 259 GB checkpoint till en hostad tjänst, och det skulle vara vilseledande att påstå något annat.

Vad du ska titta på härnäst

För {{1}}Ming-3.0-audio-flash{{/1}} saknas en licensfil i repot (MIT finns för närvarande i modellkortets metadata) och en serveringsintegration för ljud-språkvägen; {{2}}vLLM-Omni{{/2}} stöder den tidigare Ming-generationen och har en öppen pull request för {{3}}7.9B T​TS-modellen{{/3}}, men inget har mergats för 126B-läsaren. För {{4}}InternLumina-U2{{/4}} är den saknade delen den tekniska rapporten och de fullständiga tabellerna som den utlovar; tills dess är {{5}}GenEval{{/5}}-raden mot {{6}}LLaDA2.0-Uni{{/6}} den enda jämförelsen mellan modeller som någon kan kontrollera, och den gynnar inte den nyare modellen.

Det som båda släppen har gemensamt är mer användbart än någon av luckorna. Två kompetenta labb publicerade omfattande multimodala modeller med öppna vikter och berättade det inte för någon. Det är inte ett tecken på att modellerna är dåliga – det är ett tecken på att släppmeddelandet har blivit valfritt och att förvaret nu är den primära källan. Läs det.