Ming-3.0-audio-flash เปิดตัวก่อนการ์ดโมเดลของตัวเองถึงหกสัปดาห์

โมเดลภาษา-เสียงขนาด 126 พันล้านพารามิเตอร์สามารถดาวน์โหลดได้จาก Hugging Face ตั้งแต่วันที่ 3 กันยายน 2026 และมีให้เห็นเพียง 22 ดาวน์โหลดกับ 8 ไลก์เท่านั้น จนถึงสัปดาห์นี้ คำอธิบายเดียวที่แนบมากับรีโพซิทอรีคือการ์ดที่ล้าสมัยซึ่งเรียกตัวเองว่า "Ming Audio V3" และระบุว่ารีโพ "ปัจจุบันจัดทำเอกสารประกอบเส้นทาง ASR" Ming-3.0-audio-flash คือชื่อที่มันใช้อยู่ในตอนนี้ น้ำหนักโมเดลไม่ใช่ของใหม่ สิ่งที่เข้ามาในช่วงวันที่ 13–19 ตุลาคม 2026 คือทุกอย่างที่ทำให้เช็กพอยต์ใช้งานได้โดยคนที่ไม่ได้ฝึกมันขึ้นมา: ไฟล์คอนฟิกที่ในที่สุดก็อ้างว่ามีบริบท 128K การอัปโหลดใหม่ที่เปลี่ยนโมเดลวิดีโอ-ภาษา-เสียงให้เป็นโมเดลเสียงอย่างเดียวบนเส้นทางโค้ด Transformers 5 ชุดเสียงที่มีคลิปอ้างอิงสองคลิป และการ์ดโมเดลจริงฉบับแรกที่รีโพซิทอรีนี้เคยมี inclusionAI ไม่ได้ประกาศสิ่งใดในนี้เลย ไม่มีบุคคลที่สามรายใดเผยแพร่ตัวเลขใด ๆ เกี่ยวกับโมเดลนี้ ดังนั้นทุกอย่างด้านล่างจึงอ่านมาจากประวัติคอมมิตโดยตรง หรืออ้างอิงจากภาพการประเมินของผู้ขายเอง — ซึ่งเป็นเหตุผลที่ควรกล่าวตั้งแต่ต้นว่าโมเดลนี้มาจากเดือนกันยายน และมีเพียงเอกสารประกอบเท่านั้นที่มาจากสัปดาห์นี้ ความล้มเหลวของ AI และเหตุการณ์ของเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวเช่นนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะข้อโต้แย้งของตนเอง

อะไรเปลี่ยนแปลงไป และเมื่อใด

บันทึก commit อ่านได้ง่ายอย่างผิดปกติ และมันเล่าเรื่องราวที่ model card ไม่ได้บอกไว้ รีโพซิทอรีถูกสร้างเมื่อวันที่ 3 กันยายน 2026 เวลา 11:49 UTC โดยมีไฟล์เดียวอยู่ในนั้น คือ .gitattributes. เก้านาทีต่อมา safetensors shard จำนวน 25 ชิ้นรวมขนาด 257 GB ถูกอัปโหลดภายใต้ commit ที่มีชื่อว่า "Add files using upload-large-folder tool" — ซึ่งเป็นลายเซ็นมาตรฐานของทีมเทรนที่กำลัง push checkpoint ไม่ใช่ทีมผลิตภัณฑ์ที่กำลังเตรียมเปิดตัว README ที่แนบมาประกาศ Apache 2.0 ติดแท็กรีโพว่า automatic-speech-recognition และบอกให้คุณสร้างอินสแตนซ์โมเดลด้วย trust_remote_code=False.

จากนั้นรีโพซิทอรีก็เงียบไปหกสัปดาห์ เมื่อมันเคลื่อนไหวอีกครั้ง มันเคลื่อนไหวสี่ครั้งในเจ็ดวัน

• 13 ตุลาคม 12:17 UTC — "อัปโหลด config.json" ไฟล์เดียว และเป็นไฟล์ที่น่าสนใจ: max_position_embeddings เปลี่ยนจาก 8,192 เป็น 131,072 ไม่มีสิ่งอื่นใดในรีโพซิทอรีเปลี่ยนแปลง ดังนั้นเป็นเวลาสองวันที่รีโพซิทอรีโฆษณาบริบท 128K โดยไม่มีโค้ดการสร้างแบบจำลองใดที่ใช้งานมันได้

• 15 ตุลาคม 09:35 และ 09:40 UTC — "Remove deprecated files" ตามด้วย "Upload updated model" เลย์เอาต์ของเวตไม่ได้เปลี่ยน แต่มีไฟล์ 46 ไฟล์ถูกเขียนใหม่ และชาร์ดแรกมีขนาดลดลงจาก 10.64 GB เหลือ 9.77 GB ค่า audio ของคอนฟิกmodel_type เปลี่ยนจาก bailing_moe_v3_vl_audio เป็น bailing_moe_v3_audio โดยมี video_patch_token ที่ตกค้างถูกลบ และ transformers_version ที่ประกาศไว้พุ่งขึ้นจาก 4.56.2 เป็น 5.14.1 และ auto_map ได้รับรายการ AutoModel และ AutoProcessor ที่ไม่เคยมีอยู่ก่อนหน้านี้ เพิ่มเข้ามา ในการ push ครั้งเดียวกัน README และโฟลเดอร์ examples/ หายไป — สี่วันถัดมารีโพซิทอรีไม่มี model card เลย

• 17 ตุลาคม 11:44 UTC — "เพิ่มพรีเซ็ตเสียง" มีโฟลเดอร์voice_presets/ ปรากฏขึ้นพร้อมกับ US_James.wav, 灵楷.wav และไฟล์ voice_prompts.json ที่เก็บข้อความถอดเสียงของไฟล์เหล่านี้

• ตั้งแต่ 19 ตุลาคม 11:35 UTC เป็นต้นไป — "Add model card," จากนั้นก็ assets จากนั้นเป็นคอมมิตเล็ก ๆ ราวหนึ่งโหลที่ขัดเกลาการนำทางและการจัดตำแหน่งลิงก์ สิ้นสุดเวลา 13:20 UTC ด้วย "Add Tiny model link." นี่คือคอมมิตที่เปลี่ยนชื่อโมเดล เปลี่ยนเมทาดาทาใบอนุญาตเป็น MIT และเพิ่มการ์ดขนาด 8,259 ไบต์ซึ่งอธิบายโมเดลภาษา-เสียงแบบเต็มรูปแบบแทนที่จะเป็นเส้นทาง ASR README ที่มันแทนที่นั้นถูกลบไปเมื่อสี่วันก่อน ส่วนเวอร์ชันก่อนหน้านั้นจากเดือนกันยายนมีชื่อว่า "Ming Audio V3" และประกาศใช้ Apache 2.0

ยังมีรีโพซิทอรีที่สองที่ควรรู้จัก Ming-3.0-audio-tinyถูกสร้างขึ้นในเวลาเดียวกับโมเดล flash เมื่อวันที่ 3 กันยายน เวลา 11:45 UTC และได้รับการดูแลแบบเดียวกันในวันที่ 19 ตุลาคม เป็นรุ่นน้องที่เล็กกว่า: พารามิเตอร์ทั้งหมด 9.3B โดยมีการใช้งาน 2.7B, MIT, ประมาณ 21 GB แบ่งเป็นสี่ shard และมียอดดาวน์โหลด 3 ครั้ง

สิ่งที่คุณสามารถดาวน์โหลดได้จริง

คอนฟิกถูกเผยแพร่แล้ว สถาปัตยกรรมจึงไม่ใช่ปริศนา สิ่งที่เปลี่ยนไปในสัปดาห์นี้คือคอนฟิกและโค้ดสอดคล้องกันในที่สุด ไฟล์โมเดลลิงแบบกำหนดเองอยู่ในรีโพซิทอรีตั้งแต่การอัปโหลดครั้งแรก — modeling_bailing_moe_v3_audio.py และ processing_bailing_moe_v3_audio.pyมีอยู่ทั้งคู่เมื่อวันที่ 3 กันยายน — แต่คอนฟิกที่ไฟล์เหล่านี้ควรจะโหลดอธิบายโมเดลวิดีโอ-ภาษา-เสียงที่มีหน้าต่าง 8K และการ์ดบอกให้คุณสร้างอินสแตนซ์ด้วย trust_remote_code=False ซึ่งตรงกันข้ามกับสิ่งที่โค้ดกำหนดเองต้องการ การอัปโหลดใหม่เมื่อวันที่ 15 ตุลาคมคือเวอร์ชันที่ audio_config.model_type ระบุเป็น bailing_moe_v3_audio โทเคนแพตช์วิดีโอหายไปแล้ว รันไทม์ที่ประกาศไว้คือ transformers_version 5.14.1 และ auto_map ลงทะเบียน AutoModel และ AutoProcessor ควบคู่กับสองรายการที่มีอยู่ตลอดมา

• ขนาด — safetensors แบบ bfloat16 จำนวน 25 shards รวม 256 GB สำหรับโมเดลภาษา พร้อมด้วย Talker และ VAE รวมขนาด 3 GB ภายใต้ talker/ โมเดลขนาดเล็กมีขนาดประมาณ 21 GB ในสี่ shards

• แกนหลัก — 42 เลเยอร์ ขนาดไฮเดน 2,560 ผู้เชี่ยวชาญ 512 คน โดยเปิดใช้งาน 8 คนต่อโทเคน ขนาดคำศัพท์ 157,184 นั่นคือ 126B ทั้งหมด และ 6.5B ที่ใช้งานต่อขั้นตอนการอนุมาน ตามที่ระบุในการ์ด

• ทาวเวอร์เสียง — เอนโคเดอร์สไตล์ Whisper ที่มี 32 เลเยอร์และความกว้าง 1,280 พร้อม 20 หัว, 128 mel bins และบริบทเสียง 3,000 เฟรม ID โทเคนเสียงคือ 157,168

• บริบท — 131,072 ตำแหน่ง ในคอนฟิกวันที่ 3 กันยายนมี 8,192 ตำแหน่ง และคอนฟิกวันที่ 13 ตุลาคมซึ่งเป็นฉบับแรกที่เพิ่มจำนวนนี้ขึ้น ยังเรียกตัวเองว่า bailing_moe_v3_vl_audio และยังมีโทเค็นแพตช์วิดีโออยู่; ฉบับเสียงล้วนที่สะอาดคือฉบับวันที่ 15 ตุลาคม

• เอาต์พุต — ข้อความ หรือข้อความพร้อมเสียงสังเคราะห์ผ่าน Talker ที่เป็นทางเลือก การ์ดระบุเสียง IP เริ่มต้นชื่อ 灵小柔 และเสียงอ้างอิงที่ตั้งไว้ล่วงหน้าสองเสียงคือ 灵楷 และ US_James ซึ่งทั้งไฟล์เสียงและข้อความถอดเสียงอยู่ในรีโป

• สัญญาอนุญาต — MIT เดิมเป็น Apache 2.0 จนถึงวันที่ 19 ตุลาคม โปรดทราบว่าตัวรีโพซิทอรีเองไม่มีไฟล์ LICENSE: การระบุว่าเป็น MIT นั้นปรากฏอยู่ในเมทาดาทาของการ์ดและในลิงก์ที่ชี้ไปยังพาธบน GitHub และข้อความสัญญาอนุญาตเดียวที่มีอยู่จริงในรีโพคือของโมเดลระบุภาษาที่บันเดิลมาด้วยภายใต้ talker/data/

การเริ่มต้นอย่างรวดเร็วยังไม่ได้รับการแก้ไข

นี่คือส่วนที่ผู้อ่านซึ่งวางแผนจะประเมินโมเดลจำเป็นต้องรู้ก่อนสิ่งอื่นใด และมันไม่ได้อยู่ในการ์ด บล็อกการติดตั้งของการ์ดโคลน github.com/inclusionAI/Ming-3.0-audio-flash URL นั้นส่งคืน HTTP 404 ในปัจจุบัน ทั้งจากเว็บและ API เช่นเดียวกับทุกพาธที่การ์ดสร้างขึ้นบนพื้นฐานของมัน: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, และ requirements-transformers.txt.

สิ่งเหล่านั้นไม่มีอยู่ในรีโพซิทอรี Hugging Face เช่นกัน โดยไม่มีไดเรกทอรี examples/ — ไดเรกทอรีหนึ่งเคยถูกลบไปเมื่อวันที่ 17 กันยายน — ไม่มี scripts/ ไม่มี docs/ และไม่มีไฟล์ requirements นอกไดเรกทอรี talker/ สิ่งที่มีคือทุกอย่างที่จำเป็นในการโหลดโมเดลด้วย Transformers โดยตรง ซึ่งการ์ดยังระบุเป็นตัวอย่างโค้ด Python ว่า: AutoProcessor พร้อม use_fast=False, AutoModelForCausalLM ใน bfloat16 พร้อม device_map="auto", trust_remote_code=True และส่งเสียงผ่าน processor(messages) โดยแปลง audio_feats เป็น dtype ของโมเดล

ดังนั้นสถานะตามจริงคือ: โมเดลโหลดได้ แต่ยังไม่มีสคริปต์ให้บริการให้ผู้อ่านได้อ่านในขณะนี้ และการ์ดกำลังอธิบายถึงที่เก็บโค้ดที่ยังไม่ได้เผยแพร่ นั่นไม่ใช่เรื่องอื้อฉาว — การที่เอกสารมาถึงเพียงไม่กี่ชั่วโมงก่อนการพุชโค้ดเป็นเรื่องปกติ — แต่ก็หมายความว่าสูตรการติดตั้งใช้งานสองแบบด้านล่างไม่สามารถตรวจสอบได้ ทำได้เพียงอ้างอิงเท่านั้น ใครก็ตามที่กำลังพิจารณาเช็กพอยต์นี้ควรวางแผนใช้เส้นทาง Transformers และควรอ่าน modeling_bailing_moe_v3_audio.pyก่อนเปิดใช้โค้ดจากระยะไกล ซึ่งการ์ดเองก็แนะนำไว้

สิ่งที่ตรวจสอบได้คือสัญญาการแบ่งโทเคน และการ์ดระบุรายละเอียดนี้ไว้อย่างเฉพาะเจาะจงผิดปกติ: พรอมต์ ASR ที่ผ่านการตรวจสอบแล้วกำหนดให้โมเดลระบุภาษาที่พูด และใส่แท็บระหว่างป้ายชื่อภาษากับข้อความถอดเสียง หากคุณกำลังเขียนฮาร์เนสสำหรับการประเมิน แท็บนั้นคือตัวแยกวิเคราะห์ พรอมต์แบบทั่วไปอย่าง “ถอดเสียงสิ่งนี้” ไม่ใช่การกำหนดค่าที่ผู้จำหน่ายวัดผล

ตารางที่ inclusionAI เผยแพร่ รวมถึงคอลัมน์ที่สูญเสียไป

รูปภาพ PNG สามรูปใน assets/มีข้อมูลการประเมินอยู่ ตัวเลขทุกตัวบนภาพเหล่านั้นมาจากการรันของ inclusionAI เอง เครื่องหมายดอกจันกำกับรายการที่ผู้ขายระบุว่าเป็นการประเมินตนเอง และไม่มีส่วนใดเลยที่ถูกทำซ้ำโดยบุคคลที่สาม Artificial Analysis เผยแพร่ตารางอันดับเสียงและไม่มีรายการสำหรับโมเดลนี้ ไม่มีคะแนน arena ไม่มี Elo ที่เป็นอิสระ และไม่มีความเห็นที่สอง — ดังนั้นโปรดอ่านข้อความต่อไปนี้ในฐานะผู้ขายที่กำลังอธิบายโมเดลของตนเอง ซึ่งนั่นคือสิ่งที่มันเป็นอยู่จริง

ภาพการรู้จำเสียงพูดเป็นส่วนที่แข็งแกร่งที่สุดของกรณีนี้ และมันแข็งแกร่งในแกนที่โมเดลถูกสร้างขึ้นมาเพื่อสิ่งนั้นอย่างชัดเจน เมื่อเฉลี่ยจากชุดทดสอบภาษาจีน โมเดล flash รายงานค่า 3.45 เทียบกับ 3.54 ของ Qwen3.8-Omni Flash และ 9.83 ของ Gemini 3.8 Flash ส่วนภาษาอังกฤษ 3.69 เทียบกับ 4.02 และ 5.05 สำหรับภาษาถิ่น ช่องว่างยิ่งกว้างขึ้นอย่างชัดเจน:

• ค่าเฉลี่ยภาษาถิ่น — Ming-3.0-audio-flash 9.40, Seed2.0 Lite 13.01, Qwen3.8-Omni Flash 11.58, Gemini 3.8 Flash 48.41

• ฮกเกี้ยน — 12.84 เทียบกับ 49.95, 28.08 และ 81.62 สำหรับสามรายการเดียวกัน

• ภาษาเซี่ยงไฮ้ — 11.15 เทียบกับ 26.32, 21.10 และ 88.64

• ภาษากวางตุ้ง — 4.09 เทียบกับ 6.64, 4.76 และ 42.62 รายการนี้ใกล้เคียงกับการเสมอกับ Qwen3.8-Omni Flash และเป็นการชนะขาดลอยต่อ Gemini 3.8 Flash

• หูเป่ย์ — 9.46 เทียบกับ 11.35, 7.75 และ 48.24 Qwen3.8-Omni Flash ชนะในแถวนี้ และผู้ขายก็ยังพิมพ์ออกมาอยู่ดี

• หูหนาน — 8.76 เทียบกับ 20.30, 17.11 และ 71.39

ภาพเดียวกันนี้ดูไม่น่าประทับใจนักเมื่อภารกิจไม่ใช่เพียงการถอดเสียง ในงาน speaker diarization (การจำแนกผู้พูด) AISHELL-4 รายงานอัตราความผิดพลาดในการจำแนกผู้พูดที่ 8.58 สำหรับโมเดล flash เทียบกับ 2.80 สำหรับ Qwen3.8-Omni Flash; AliMeeting 8.66 เทียบกับ 3.40; AMI 25.29 เทียบกับ 11.16 สำหรับ MiMo-V2.6 Pro หากปัญหาของคุณคือ "ใครพูดเมื่อใด" ไม่ใช่ "พูดว่าอะไร" นี่ไม่ใช่โมเดลที่ตารางของบริษัทผู้ผลิตเองแนะนำ อัตราความผิดพลาดระดับอักขระแบบ minimum-permutation ที่ต่อกันสำหรับข้อความยาวบน AMI ก็เล่าเรื่องเดียวกัน: 39.62 สำหรับโมเดล flash เทียบกับ 30.91 สำหรับ MiMo-V2.6 Pro และ 23.19 สำหรับ Qwen3.8-Omni Flash

ภาพด้าน audio-intelligence คือจุดที่ข้อโต้แย้งเริ่มบางลง โมเดลชนะในแถวผลลัพธ์หลัก — BigBenchAudio 99.40, MMAU 82.00 — แต่หลังจากนั้นก็เสียเปรียบแทบทุกจุดที่งานต้องใช้การให้เหตุผลกับการบันทึกเสียงยาว แทนที่จะเป็นการบรรยายการบันทึกเสียงสั้น

• LongAudioSpan — 41.12 เทียบกับ 50.26 สำหรับ Seed2.0 Lite และ 66.40 สำหรับ Qwen3.8-Omni Flash

คะแนน Long-audio Chain — {{1}}12.31{{/1}} เทียบกับ {{2}}34.54{{/2}} ของ Qwen3.8-Omni Flash, {{3}}48.70{{/3}} ของโหมด thinking และ {{4}}49.63{{/4}} ของ Gemini 3.8 Flash นั่นคือช่องว่างถึงสี่เท่าในตัวชี้วัดที่ผู้ขายเลือกเผยแพร่

• MMAR — 74.40 เทียบกับ 77.70 สำหรับ Seed2.0 Lite MMSU — 78.82 เทียบกับ 82.10 AudioMarathon — 68.41 เทียบกับ 70.06

• การเรียกใช้เครื่องมือ — BFCL-v3 Audio ได้ 81.40 เทียบกับ 75.08 ของ Seed2.0 Lite และ 86.68 ของ Gemini 3.8 Flash

ผลทดสอบด้านข้อความเป็นสิ่งที่คาดเดาได้น้อยที่สุดและมีประโยชน์ที่สุด เพราะมันบอกว่าโมเดลนี้ "ไม่ใช่" อะไร ในการให้เหตุผลทั่วไป โมเดล flash อยู่ในระดับต่ำกว่าโมเดล omni ที่นำมาเปรียบเทียบในเกือบทุกแถว: GPQA Diamond 82.45 เทียบกับ 91.00 ของ Qwen3.8-Omni Flash, MMLU-Pro 80.00 เทียบกับ 87.70, IFBench 59.00 เทียบกับ 81.50, LiveCodeBench v6 79.90 เทียบกับ 92.60, AA-LCR 73.90 เทียบกับ 80.00 แกนหลักคือผู้เชี่ยวชาญด้านเสียงที่มีพารามิเตอร์ที่ใช้งานจริง 6.5B แต่มีจำนวนพารามิเตอร์รวม 126B และตารางข้อความคือสิ่งที่เห็นได้จากภายนอก หากคุณต้องการโมเดลเดียวที่ทั้งฟังการประชุมและเขียนโค้ดติดตามผล ตัวเลขของ inclusionAI เองบอกว่าคุณไม่ควรคาดหวังให้โมเดลนี้รับผิดชอบครึ่งหลัง

ค่าใช้จ่ายในการใช้งาน

มีโปรไฟล์การให้บริการสองโปรไฟล์ที่ถูกอ้างถึง ซึ่งยังตรวจสอบไม่ได้ทั้งคู่ โปรไฟล์ vLLM-Omni อ้างอิงสำหรับบริบท 128K ใช้ tensor parallelism ข้าม GPU H800 ขนาด 80 GB จำนวนแปดตัว โปรไฟล์ SGLang ที่ผ่านการตรวจสอบแล้วใช้ GPU สี่ตัวและคืนค่าเฉพาะข้อความ สิ่งเหล่านี้เป็นการกำหนดค่าของผู้จำหน่าย ไม่ใช่ผลการวัด และเมื่อมีน้ำหนักโมเดล 256 GB ก่อนจะมี KV cache ใด ๆ จึงไม่มีเวอร์ชันที่เล็กกว่านี้ — การกำหนดค่า 8K ที่รีโพซิทอรีจัดส่งในเดือนกันยายนจะไม่เปลี่ยนพื้นหน่วยความจำ เพราะพื้นนั้นคือ checkpoint

การตีความในทางปฏิบัติคือ นี่เป็นโมเดลระดับคลัสเตอร์ ไม่ใช่โมเดลระดับเวิร์กสเตชัน GPU สี่ตัวมีต้นทุนพอ ๆ กับโหนด GPU จริงจังหนึ่งโหนด ส่วนแปดตัวที่ 80 GB นั้นอยู่ในสายงบประมาณอีกระดับหนึ่งโดยสิ้นเชิง Ming-3.0-audio-tiny คือคำตอบสำหรับใครก็ตามที่อยากทดลองตระกูลนี้โดยไม่ต้องผูกมัดขนาดนั้น — 21 GB และพารามิเตอร์ที่ใช้งานจริง 2.7B จะพอดีกับการ์ดขนาดใหญ่เพียงใบเดียว — แต่โมเดล tiny เป็นเช็กพอยต์ที่แตกต่างออกไป ซึ่งมีตัวเลขของตัวเองที่แย่กว่าอย่างสม่ำเสมอในตารางเดียวกัน (คะแนน Chain สำหรับเสียงยาว 10.56 เทียบกับ 12.31, LongAudioSpan 35.45 เทียบกับ 41.12, URO-Bench-Pro 54.15 เทียบกับ 81.92, VoiceBench 74.29 เทียบกับ 86.74) และผู้จำหน่ายไม่ได้เผยแพร่สิ่งใดที่ยืนยันว่าพฤติกรรมของมันถ่ายทอดออกมาได้

น่าสังเกตสำหรับใครก็ตามที่วางแผนจะทำการผสานรวม: Talker เป็นส่วนเสริมและแยกออกได้ การ์ดอธิบายว่ามันสร้างเสียงพูดจากเอาต์พุตของโมเดล และพรีเซ็ตต่างๆ อยู่ในโฟลเดอร์ของตัวเองพร้อมไฟล์ข้อกำหนดของตัวเอง ดังนั้นการติดตั้งใช้งานแบบข้อความล้วนจึงไม่จำเป็นต้องพามันไปด้วย โปรไฟล์การให้บริการทั้งสองแบบที่ระบุไว้ในเอกสารจะคืนค่าข้อความโดยค่าเริ่มต้น

ที่ที่เราเตอร์สมควรมีที่ยืน และที่ที่มันไม่สมควร

OrcaRouter ไม่ให้บริการ Ming-3.0-audio-flash มันไม่อยู่ในแค็ตตาล็อกของเรา เราไม่สามารถให้ endpoint สำหรับมันแก่คุณได้ และไม่มีสิ่งใดในข้อความนี้ที่ควรถูกอ่านว่าเป็นการเสนอให้ทำเช่นนั้น สิ่งที่เราเตอร์มีประโยชน์ในไปป์ไลน์ที่สร้างขึ้นรอบโมเดลแบบนี้คือครึ่งหนึ่งที่ไม่ใช่ตัวโมเดล ระบบเสียงส่วนใหญ่เป็นงานข้อความ: พรอมป์ตที่ตัดสินใจว่าจะถามอะไรจากเสียง การประมวลผลหลังที่เปลี่ยนป้ายภาษาที่คั่นด้วยแท็บให้เป็นเอาต์พุตแบบมีโครงสร้าง สรุปที่เขียนจากทรานสคริปต์ และการสำรองที่ทำงานเมื่อโหนด GPU อิ่มตัว สิ่งเหล่านี้คือการเรียกข้อความธรรมดา และ API หนึ่งตัวสำหรับ โมเดลมากกว่า 200 รายการโดยไม่บวกเพิ่ม 0% — ราคาตามรายการของผู้ให้บริการถูกส่งผ่านตรง ดังนั้นการลดราคาของผู้ขายจึงมีผลฝั่งเราในวันเดียวกัน — เป็นสิ่งที่ต่อสายได้ง่ายกว่าสัญญาผู้ขายสี่ฉบับ การสลับอัตโนมัติเมื่อล้มเหลว คือสิ่งที่ทำให้คุณวางโมเดลใหม่ที่ยังไม่พิสูจน์ไว้หลังทราฟฟิกบางส่วนได้โดยไม่ต้องเดิมพันทั้งเส้นทางกับมัน

เส้นแบ่งนี้ควรพูดให้ตรงไปตรงมา เพราะนี่คือเหตุผลทั้งหมดที่บทความนี้ไม่ได้จบลงด้วยกล่องสมัคร: checkpoint ขนาด 259 GB ที่คุณรันบน GPU แปดตัวของคุณเองคือโครงสร้างพื้นฐาน ไม่ใช่การเรียก API เราเตอร์มีหน้าที่กำหนดเส้นทางการเรียกเท่านั้น มันไม่ได้ทำให้โมเดลบนคลัสเตอร์กลายเป็นโมเดลแบบโฮสต์ และไม่ได้เปลี่ยน 22 การดาวน์โหลดให้เป็นหลักฐานระดับโปรดักชัน

ดูอะไรดี

สามสิ่งจะเปลี่ยนภาพรวม และแต่ละอย่างตรวจสอบได้ในแบบที่เบนช์มาร์กทำไม่ได้ ประการแรก ที่เก็บ GitHub: เมื่อ inclusionAI/Ming-3.0-audio-flash หยุดส่งคืน 404 สคริปต์ให้บริการและคู่มือเสียงก็จะกลายเป็นของจริง และสูตรการติดตั้งใช้งานสองแบบข้างต้นก็จะตรวจสอบได้ ประการที่สอง คะแนนจากแหล่งอิสระ: ทันทีที่ Artificial Analysis หรืออารีนาใดอารีนาหนึ่งขึ้นทะเบียนเช็กพอยต์นี้ไว้ในรายการ ช่องว่างด้านเสียงยาวสี่เท่าก็จะเลิกเป็นรายงานที่ผู้ขายรายงานเอง และเริ่มเป็นจุดข้อมูลหนึ่ง ประการที่สาม ไฟล์สัญญาอนุญาต: มีการประกาศ MIT ในเมทาดาทา และไฟล์ LICENSE ในที่เก็บจะทำให้มันเป็นข้อเท็จจริงมากกว่าคำกล่าวอ้าง — ความแตกต่างนี้สำคัญสำหรับทุกคนที่กระบวนการจัดซื้อจัดจ้างของตนอ่านที่เก็บโค้ดแทนที่จะอ่านการ์ด

จนถึงตอนนั้น คำอธิบายที่ถูกต้องก็คือคำอธิบายที่ไม่ได้หวือหวา เช็กพอยต์เสียง–ภาษาที่จริงจัง แข็งแกร่งที่สุดกับคำพูดภาษาจีนที่มีสำเนียงและภาษาถิ่น อ่อนด้านการให้เหตุผลกับเสียงยาวและการแยกผู้พูด ตามตัวเลขที่มันเผยแพร่เอง ได้รับสัญญาอนุญาต MIT ตามเอกสาร กินพื้นที่ราว 259 GB บนดิสก์ และมีเอกสารประกอบเพียงตั้งแต่สัปดาห์นี้เท่านั้น ความเงียบหกสัปดาห์ไม่ใช่หลักฐานอะไรเลย นอกจากว่า inclusionAI ปล่อยน้ำหนักโมเดลออกมาก่อนจะปล่อยเอกสาร — แต่เอกสารคือส่วนที่บอกคุณว่าคุณกำลังดาวน์โหลดอะไร และตอนนี้ ในที่สุด ก็มีให้อ่านแล้ว