Ming-3.0-audio-flash ra mắt sáu tuần trước khi có thẻ mô hình của chính nó

Một mô hình âm thanh-ngôn ngữ 126 tỷ tham số đã có thể tải xuống từ Hugging Face kể từ ngày 3 tháng 9 năm 2026, và thành tích của nó chỉ là 22 lượt tải xuống và tám lượt thích. Cho đến tuần này, mô tả duy nhất gắn với kho lưu trữ là một thẻ cũ tự gọi mình là “Ming Audio V3” và nói rằng kho lưu trữ “hiện đang ghi lại đường ASR”.Ming-3.0-audio-flash là tên hiện tại của nó. Các trọng số không phải là mới. Những gì xuất hiện trong khoảng ngày 13–19 tháng 10 năm 2026 là toàn bộ những thứ giúp một checkpoint có thể sử dụng được bởi người không huấn luyện nó: một cấu hình cuối cùng cũng công bố ngữ cảnh 128K, một lần tải lại biến một mô hình video-ngôn ngữ-âm thanh thành mô hình chỉ âm thanh trên đường mã Transformers 5, một gói giọng nói với hai clip tham chiếu, và thẻ mô hình thật sự đầu tiên mà kho lưu trữ từng có. inclusionAI không công bố bất kỳ điều nào trong số đó. Không có bên thứ ba nào công bố một con số nào về mô hình, vì vậy mọi thứ dưới đây hoặc được đọc trực tiếp từ lịch sử commit hoặc được trích từ chính các hình ảnh đánh giá của nhà cung cấp — đó là lý do đáng nói ngay từ đầu rằng mô hình đến từ tháng 9 và chỉ phần tài liệu là từ tuần này. Những thất bại AI và sự cố tác nhân được ghi nhận đằng sau các bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive nơi mỗi mục mang nguồn, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp riêng.

Điều gì đã thay đổi, và khi nào

Lịch sử commit dễ đọc một cách bất thường, và nó kể một câu chuyện mà model card không hề kể. Repository được tạo vào ngày 3 tháng 9 năm 2026 lúc 11:49 UTC, bên trong chỉ có một tệp duy nhất, một tệp .gitattributes. Chín phút sau, 25 phân đoạn safetensors với tổng dung lượng 257 GB đã xuất hiện dưới một commit có tiêu đề "Add files using upload-large-folder tool" — dấu hiệu đặc trưng của một nhóm huấn luyện đẩy lên một checkpoint, chứ không phải một nhóm sản phẩm đang dàn dựng một buổi ra mắt. Tệp README đi kèm khai báo giấy phép Apache 2.0, gắn thẻ cho repo là automatic-speech-recognition, và hướng dẫn bạn khởi tạo mô hình với trust_remote_code=False.

Sau đó kho lưu trữ im ắng suốt sáu tuần. Khi nó hoạt động trở lại, nó đã hoạt động bốn lần trong bảy ngày.

• 13 tháng 10, 12:17 UTC — “Tải lên config.json.” Chỉ một tệp, và lại là tệp đáng chú ý: max_position_embeddings tăng từ 8.192 lên 131.072. Không có gì khác trong kho thay đổi, nên trong hai ngày kho đã quảng cáo ngữ cảnh 128K mà không có mã mô hình nào có thể dùng được.

• 15 tháng 10, 09:35 và 09:40 UTC — “Xóa các tệp không dùng nữa” rồi đến “Tải lên mô hình đã cập nhật.” Bố cục trọng số không thay đổi, nhưng 46 tệp đã được viết lại và shard đầu tiên giảm từ 10,64 GB xuống 9,77 GB. Về phần audio của config, model_type đã thay đổi từ bailing_moe_v3_vl_audio thành bailing_moe_v3_audio, một video_patch_token còn sót lại đã bị xóa, transformers_version được khai báo đã tăng từ 4.56.2 lên 5.14.1, và auto_map có thêm AutoModel và AutoProcessor, những mục mà trước đó không hề có. Trong cùng đợt push đó, README và thư mục examples/ đã biến mất — trong bốn ngày tiếp theo, kho lưu trữ hoàn toàn không có model card nào.

• 17 tháng 10, 11:44 UTC — "Thêm preset giọng nói." Một thư mục voice_presets/ xuất hiện cùng với US_James.wav, 灵楷.wav và một tệp voice_prompts.json chứa bản chép lời của chúng.

• 19 tháng 10, từ 11:35 UTC trở đi — "Add model card", rồi đến assets, rồi mười hai commit nhỏ tinh chỉnh điều hướng và căn chỉnh liên kết, kết thúc lúc 13:20 UTC bằng "Add Tiny model link". Đây là commit đã đổi tên mô hình, đổi siêu dữ liệu giấy phép thành MIT và thêm thẻ 8.259 byte mô tả một mô hình âm thanh-ngôn ngữ đầy đủ thay vì một luồng ASR. README mà nó thay thế đã bị xóa bốn ngày trước đó; phiên bản trước đó, từ tháng Chín, có tiêu đề "Ming Audio V3" và tuyên bố Apache 2.0.

Có một kho lưu trữ thứ hai đáng để biết đến. Ming-3.0-audio-tiny được tạo ra cùng thời điểm với mô hình flash, vào ngày 3 tháng 9 lúc 11:45 UTC, và được xử lý theo cùng cách vào ngày 19 tháng 10. Đây là người anh em nhỏ hơn: tổng cộng 9,3B tham số với 2,7B tham số hoạt động, MIT, khoảng 21 GB trải trên bốn shard, và ba lượt tải xuống.

Những gì bạn thực sự có thể tải xuống

Cấu hình đã được công bố, nên kiến trúc không còn là điều bí ẩn. Điều thay đổi trong tuần này là cấu hình và mã cuối cùng đã khớp nhau. Các tệp mô hình tùy chỉnh đã nằm trong kho lưu trữ kể từ lần tải lên đầu tiên — modeling_bailing_moe_v3_audio.py và processing_bailing_moe_v3_audio.py đều đã có ở đó vào ngày 3 tháng 9 — nhưng cấu hình mà chúng được cho là sẽ tải lại mô tả một mô hình video-ngôn ngữ-âm thanh với cửa sổ 8K, và thẻ hướng dẫn bạn khởi tạo nó với trust_remote_code=False, điều này ngược lại với những gì mã tùy chỉnh cần. Bản tải lên lại ngày 15 tháng 10 là phiên bản mà audio_config.model_type mang giá trị bailing_moe_v3_audio, token patch video đã không còn, runtime được khai báo là transformers_version 5.14.1, và auto_map đăng ký AutoModel và AutoProcessor cùng với hai mục vốn đã luôn ở đó.

• Kích thước — 25 phân mảnh safetensors bfloat16 tổng cộng 256 GB cho mô hình ngôn ngữ, cộng thêm một cặp Talker và VAE 3 GB nằm trong talker/. Mô hình nhỏ khoảng 21 GB trong bốn phân mảnh.

• Backbone — 42 lớp, kích thước ẩn 2,560, 512 chuyên gia với 8 chuyên gia hoạt động trên mỗi token, từ vựng 157,184. Theo thẻ, đó là tổng cộng 126B và 6.5B hoạt động mỗi bước suy luận.

• Tháp âm thanh — một bộ mã hóa kiểu Whisper với 32 lớp và chiều rộng 1,280, 20 đầu, 128 bin mel và ngữ cảnh âm thanh 3,000 khung. Id token âm thanh là 157,168.

• Ngữ cảnh — 131.072 vị trí. Con số này là 8.192 trong cấu hình ngày 3 tháng 9, và cấu hình ngày 13 tháng 10 — bản đầu tiên nâng nó lên — vẫn tự gọi mình là bailing_moe_v3_vl_audio và vẫn mang token patch video; phiên bản sạch chỉ có âm thanh là bản ngày 15 tháng 10.

• Output — văn bản, hoặc văn bản kèm giọng nói được tổng hợp qua một Talker tùy chọn. Thẻ này chỉ định một giọng IP mặc định là 灵小柔, cùng hai giọng tham chiếu đặt trước là 灵楷 và US_James, với cả âm thanh lẫn bản chép lời của chúng đều có trong repo.

• Giấy phép — MIT. Trước ngày 19 tháng 10, giấy phép là Apache 2.0. Lưu ý rằng bản thân kho lưu trữ không chứa tệp LICENSE nào: tuyên bố MIT nằm trong siêu dữ liệu của thẻ và trong một liên kết tới một đường dẫn GitHub, và văn bản giấy phép duy nhất thực sự có mặt trong kho thuộc về một mô hình nhận diện ngôn ngữ được đóng gói kèm trong talker/data/.

Phần khởi động nhanh vẫn chưa giải quyết được.

Đây là phần mà người đọc dự định đánh giá mô hình cần trước tiên, và nó không có trong thẻ. Khối cài đặt của thẻ clone github.com/inclusionAI/Ming-3.0-audio-flash. URL đó hiện trả về HTTP 404, từ cả web lẫn API. Mọi đường dẫn mà thẻ xây dựng dựa trên đó cũng vậy: examples/transformers_audio.py, examples/transformers_thinker_talker.py, docs/voices.md, scripts/serve_vllm_omni.sh, scripts/serve_sglang.sh, và requirements-transformers.txt.

Không có cái nào trong số đó tồn tại trong kho Hugging Face cả. Nó không có examples/ thư mục — một thư mục trước đó đã bị xóa vào ngày 17 tháng 9 — không có scripts/, không có docs/, và không có tệp requirements nào bên ngoài talker/. Cái mà nó có là mọi thứ cần thiết để tải mô hình trực tiếp bằng Transformers, mà thẻ mô hình cũng ghi lại dưới dạng một đoạn mã Python: AutoProcessor với use_fast=False, AutoModelForCausalLM ở dạng bfloat16 với device_map="auto", trust_remote_code=True, và âm thanh được truyền qua processor(messages) với audio_feats được ép kiểu sang dtype của mô hình.

Vậy trạng thái trung thực là: mô hình tải được, các script serving hiện không tồn tại để người đọc có thể đọc, và card đang mô tả một kho lưu trữ chưa được công bố. Đó không phải là bê bối — tài liệu xuất hiện vài giờ trước khi mã được đẩy lên là chuyện bình thường — nhưng điều đó có nghĩa là hai công thức triển khai bên dưới không thể được kiểm tra, mà chỉ có thể được trích dẫn. Bất kỳ ai đang cân nhắc checkpoint này nên đi theo hướng Transformers, và nên đọc modeling_bailing_moe_v3_audio.py trước khi bật mã từ xa, điều mà chính card khuyến nghị.

Điều có thể kiểm tra là hợp đồng token hoá, và thẻ mô tả đặc biệt cụ thể về điều đó: lời nhắc ASR đã được xác thực yêu cầu mô hình nêu ngôn ngữ nói và đặt một ký tự tab giữa nhãn ngôn ngữ và bản phiên âm. Nếu bạn đang viết một bộ khung đánh giá, ký tự tab đó chính là bộ phân tích cú pháp. Một lời nhắc chung chung kiểu "transcribe this" không phải là cấu hình mà nhà cung cấp đã đo.

Bảng do inclusionAI công bố, bao gồm cả những cột mà nó bị mất

Ba hình ảnh PNG trong assets/ mang nội dung đánh giá. Mọi con số trên đó đều là kết quả chạy của chính inclusionAI; các dấu hoa thị đánh dấu những mục mà nhà cung cấp gắn nhãn là tự đánh giá, và chưa có phần nào trong đó được bên thứ ba tái lập. Artificial Analysis công bố các bảng xếp hạng âm thanh và không có mục nào cho mô hình này. Không có điểm đấu trường, không có Elo độc lập và không có ý kiến thứ hai — vì vậy hãy đọc phần sau như lời của một nhà cung cấp đang mô tả mô hình của chính họ, và đó chính xác là bản chất của nó.

Bức tranh nhận dạng giọng nói là phần mạnh nhất của hồ sơ, và nó mạnh trên trục mà mô hình rõ ràng được xây dựng để hướng tới. Tính trung bình trên bộ kiểm thử tiếng Trung của mình, mô hình flash báo cáo 3,45 so với 3,54 của Qwen3.8-Omni Flash và 9,83 của Gemini 3.8 Flash; trên tiếng Anh, 3,69 so với 4,02 và 5,05. Ở các phương ngữ, khoảng cách mở rộng mạnh:

• Trung bình phương ngữ — 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 so với 49,95, 28,08 và 81,62 cho cùng ba mục.

• Tiếng Thượng Hải — 11,15 so với 26,32, 21,10 và 88,64.

• Tiếng Quảng Đông — 4.09 so với 6.64, 4.76 và 42.62. Mục này gần như ngang ngửa với Qwen3.8-Omni Flash và áp đảo Gemini 3.8 Flash.

• Hồ Bắc — 9,46 so với 11,35, 7,75 và 48,24. Qwen3.8-Omni Flash thắng ở hàng này, và nhà cung cấp vẫn in nó ra dù vậy.

• Hồ Nam — 8.76 so với 20.30, 17.11 và 71.39.

Bức tranh đó kém đẹp hơn khi nhiệm vụ không còn là phiên âm. Về phân tách người nói, AISHELL-4 báo cáo tỷ lệ lỗi phân tách người nói là 8,58 đối với mô hình flash so với 2,80 của Qwen3.8-Omni Flash; AliMeeting là 8,66 so với 3,40; AMI là 25,29 so với 11,16 của MiMo-V2.6 Pro. Nếu bài toán của bạn là “ai nói khi nào” chứ không phải “nói cái gì”, thì đây không phải mô hình mà chính bảng của nhà cung cấp khuyến nghị. Tỷ lệ lỗi ký tự hoán vị tối thiểu trên chuỗi ghép dạng dài trên AMI cũng cho thấy điều tương tự: 39,62 đối với mô hình flash so với 30,91 của MiMo-V2.6 Pro và 23,19 của Qwen3.8-Omni Flash.

Bức tranh về trí tuệ âm thanh là chỗ mà lập luận trở nên mỏng manh. Mô hình thắng ở các dòng tiêu đề — BigBenchAudio 99.40, MMAU 82.00 — rồi sau đó nhượng đất gần như ở mọi nơi mà nhiệm vụ đòi hỏi suy luận xuyên suốt một bản ghi dài thay vì mô tả một bản ghi ngắn.

• LongAudioSpan — 41.12, so với 50.26 của Seed2.0 Lite và 66.40 của Qwen3.8-Omni Flash.

• Điểm Long-audio Chain — 12,31, so với 34,54 của Qwen3.8-Omni Flash, 48,70 ở chế độ thinking của nó và 49,63 của Gemini 3.8 Flash. Đó là khoảng cách gấp bốn lần ở chỉ số mà nhà cung cấp đã chọn công bố.

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

• Gọi công cụ — BFCL-v3 Audio 81.40 so với 75.08 của Seed2.0 Lite và 86.68 của Gemini 3.8 Flash.

Các benchmark văn bản là phần ít gây ngạc nhiên nhất và hữu ích nhất, vì chúng cho biết mô hình không phải là gì. Ở suy luận tổng quát, mô hình flash nằm dưới các mô hình omni mà nó được so sánh cùng ở gần như mọi hàng: GPQA Diamond 82.45 so với 91.00 của Qwen3.8-Omni Flash, MMLU-Pro 80.00 so với 87.70, IFBench 59.00 so với 81.50, LiveCodeBench v6 79.90 so với 92.60, AA-LCR 73.90 so với 80.00. Phần xương sống là một chuyên gia âm thanh 6.5B-active khoác ngoài tổng số tham số 126B, và bảng văn bản chính là hình ảnh của điều đó nhìn từ bên ngoài. Nếu bạn muốn một mô hình vừa nghe được một cuộc họp vừa viết mã tiếp theo, chính những con số của inclusionAI cho thấy bạn không nên mong mô hình này gánh vác nửa sau.

Chi phí để vận hành là bao nhiêu

Hai cấu hình phục vụ được dẫn ra, cả hai đều chưa thể kiểm toán. Cấu hình tham chiếu vLLM-Omni cho ngữ cảnh 128K dùng song song tensor trên tám GPU H800 80 GB. Cấu hình SGLang đã được kiểm chứng dùng bốn GPU và chỉ trả về văn bản. Đó là các cấu hình của nhà cung cấp, không phải số đo, và với 256 GB trọng số trước khi tính đến bất kỳ KV cache nào thì không có phiên bản nhỏ hơn của thứ này — cấu hình 8K mà kho mã phát hành hồi tháng Chín sẽ không làm thay đổi ngưỡng sàn bộ nhớ, vì sàn đó chính là checkpoint.

Cách hiểu thực tế là đây là một mô hình cụm, không phải mô hình máy trạm. Bốn GPU gần bằng chi phí của một nút GPU đúng nghĩa; tám GPU ở 80 GB là một hạng mục ngân sách hoàn toàn khác. Ming-3.0-audio-tiny là câu trả lời cho những ai muốn thử nghiệm dòng mô hình này mà không cần cam kết đó — 21 GB và 2,7 tỷ tham số hoạt động sẽ vừa trên một thẻ lớn duy nhất — nhưng mô hình tiny là một checkpoint khác, với các con số riêng và luôn tệ hơn trên cùng những bảng đó (điểm Chain cho âm thanh dài 10,56 so với 12,31, LongAudioSpan 35,45 so với 41,12, URO-Bench-Pro 54,15 so với 81,92, VoiceBench 74,29 so với 86,74), và nhà cung cấp không công bố bất cứ điều gì chứng minh rằng hành vi của nó có thể chuyển giao.

Đáng lưu ý cho bất kỳ ai đang lên kế hoạch tích hợp: Talker là tùy chọn và có thể tách rời. Thẻ mô tả nó là thành phần tạo giọng nói từ đầu ra của mô hình, và các preset nằm trong thư mục riêng với tệp yêu cầu riêng, nên một triển khai chỉ văn bản không cần phải mang theo nó. Cả hai cấu hình phục vụ được tài liệu hóa đều trả về văn bản theo mặc định.

Nơi một bộ định tuyến khẳng định được giá trị, và nơi nó không.

OrcaRouter không phục vụ Ming-3.0-audio-flash. Mô hình này không có trong danh mục của chúng tôi, chúng tôi không thể cung cấp endpoint cho nó, và không có nội dung nào trong bài viết này nên được hiểu là lời đề nghị cung cấp. Vai trò hữu ích của một router trong pipeline được xây dựng quanh một mô hình như thế này nằm ở nửa phần không phải là mô hình. Hệ thống giọng nói chủ yếu là công việc văn bản: prompt quyết định sẽ hỏi âm thanh điều gì, bước hậu xử lý biến nhãn ngôn ngữ phân tách bằng tab thành đầu ra có cấu trúc, bản tóm tắt được viết từ bản ghi lời nói, cơ chế dự phòng chạy khi nút GPU bị quá tải. Đó đều là những lệnh gọi văn bản thông thường, và một API cho hơn 200 mô hình với mức markup 0% — giá niêm yết của nhà cung cấp được chuyển thẳng, nên việc nhà cung cấp giảm giá có hiệu lực ở phía chúng tôi ngay trong cùng ngày — là thứ đơn giản hơn để đấu nối so với bốn hợp đồng nhà cung cấp. Chuyển đổi dự phòng tự động là thứ cho phép bạn đặt một mô hình mới, chưa được chứng minh phía sau một phần lưu lượng của mình mà không đặt cược toàn bộ đường đi vào nó.

Ranh giới này đáng được nói rõ, vì đó chính là lý do toàn bộ bài viết này không kết thúc bằng một ô đăng ký: một checkpoint 259 GB mà bạn chạy trên tám GPU của riêng mình là hạ tầng, không phải một lệnh gọi API. Một router định tuyến các lệnh gọi. Nó không biến một mô hình cụm thành một mô hình được lưu trữ dưới dạng dịch vụ, và nó không biến 22 lượt tải xuống thành bằng chứng sản xuất.

Xem gì

Ba điều sẽ thay đổi cục diện, và mỗi điều đều có thể kiểm chứng theo cách mà các benchmark không làm được. Đầu tiên, kho GitHub: khi inclusionAI/Ming-3.0-audio-flash không còn trả về 404, các script phục vụ và hướng dẫn giọng nói sẽ trở thành thật và hai công thức triển khai ở trên sẽ có thể kiểm toán. Thứ hai, một điểm số độc lập: ngay khi Artificial Analysis hoặc một đấu trường liệt kê checkpoint này, khoảng cách âm thanh dài gấp bốn lần sẽ không còn là báo cáo tự công bố của nhà cung cấp mà bắt đầu trở thành một điểm dữ liệu. Thứ ba, tệp giấy phép: MIT được khai báo trong metadata, và một LICENSE tệp trong kho sẽ biến nó thành sự thật thay vì một tuyên bố — sự khác biệt này quan trọng với bất kỳ ai mà quy trình mua sắm của họ đọc kho thay vì đọc thẻ.

Cho đến lúc đó, mô tả chính xác vẫn là mô tả không mấy hào nhoáng. Một checkpoint âm thanh-ngôn ngữ nghiêm túc, mạnh nhất ở giọng tiếng Trung mang ngữ âm vùng miền và phương ngữ, yếu ở suy luận trên âm thanh dài và phân tách người nói theo chính các con số công bố của nó, được cấp phép MIT trên giấy tờ, dung lượng khoảng 259 GB trên đĩa, và chỉ mới được ghi tài liệu từ tuần này. Sáu tuần im lặng không chứng minh được gì, ngoại trừ việc inclusionAI đã phát hành trọng số trước khi phát hành giấy tờ — nhưng giấy tờ mới là phần cho bạn biết mình đang tải xuống cái gì, và giờ thì cuối cùng nó đã ở đó để đọc.