Ming-3.0-audio-tiny so với Qwen-Audio 3.1: Một cửa sổ bạn có thể tính toán trên đó, đối lập với một danh mục bạn không thể.

Đây là một con số dễ kiểm tra nhưng khó sử dụng: phần nền văn bản bên trong Ming-3.0-audio-tiny được cấu hình cho 131,072 vị trí, và tháp âm thanh phía trước nó mỗi lần nhận 3,000 khung với 128 mel bin. Qwen-Audio 3.1, ngược lại, không công bố độ dài ngữ cảnh nào cả — không trên chỉ mục mô hình, cũng không trong các mô tả một dòng gắn với ba ID mô hình của nó. Một bên đưa cho bạn một con số và để bạn tự diễn giải; bên kia đưa cho bạn ba tên sản phẩm và để phần cứng cho Alibaba. Chính sự bất đối xứng đó là toàn bộ phép so sánh, và đây không phải là phép so sánh xem mô hình nào nghe tốt hơn. Đây là phép so sánh xem mô hình nào bạn có thể ước lượng quy mô trước khi chi bất cứ thứ gì. Các sự cố AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong the OrcaRouter AI Incident Archive nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, mức độ tin cậy và cờ tranh chấp.

Ngày tháng trước, vì mô hình này có một niên biểu khó xử. Các trọng số đằng sau Ming-3.0-audio-tiny đã được đưa lên Hugging Face vào ngày 3 tháng 9 năm 2026; kho lưu trữ được tạo lúc 11:45 UTC và hai phân đoạn safetensors xuất hiện bốn phút sau đó. Điều thay đổi gần đây không phải là checkpoint. Từ ngày 16 đến ngày 19 tháng 10 năm 2026, kho lưu trữ đã được viết lại xoay quanh nó — một tệp cấu hình cuối cùng đã mô tả một mô hình âm thanh thay vì một mô hình ngôn ngữ-video, một Talker cho đầu ra lời nói, hai đoạn clip giọng nói tham chiếu kèm bản chép lời, ba hồ sơ triển khai trên GitHub, và, vào ngày 19 tháng 10 lúc 13:19 UTC, thẻ mô hình đầu tiên mà kho lưu trữ từng có. Không ai công bố nó. Vậy nên câu hỏi công bằng không phải là cái gì đã được phát hành vào tháng 9. Mà là cái bạn hiện có thể tính toán được về việc chạy nó, và danh mục của A​libaba cho phép và không cho phép bạn tính toán được gì về phương án thay thế.

Chuyển 131,072 token thành phút

Con số này là thật và có thể kiểm chứng, điều mà phần lớn các tuyên bố về ngữ cảnh không thể nói được. Cấu hình văn bản khai báo max_position_embeddings 131,072, một cơ chế attention MLA với KV latent rộng 512, và rotary base là 6,000,000. Nhưng một cửa sổ ngữ cảnh tính bằng token chỉ trở nên hữu ích khi bạn biết mỗi giây âm thanh tốn bao nhiêu token, và nhà cung cấp không nói ra. Bạn có thể suy ra nó từ chính những con số của audio tower.

• Đầu vào bộ mã hóa — 3.000 khung gồm 128 bin mel, tương đương cửa sổ 30 giây mà Whisper sử dụng với bước nhảy 10 ms.

• Bộ giảm mẫu — kernel [3,3,3] với stride [2,2,2], vì vậy một cửa sổ bị thu gọn theo hệ số tám.

• Token mỗi cửa sổ — 3.000 chia cho 8, tức 375 token âm thanh cho khoảng 30 giây âm thanh.

• Điều đó hàm ý gì — 131,072 chia cho 375 được khoảng 349 cửa sổ, tức chỉ dưới ba giờ âm thanh, nếu pipeline nạp một luồng liên tục duy nhất thay vì đệm lại giữa các cửa sổ.

Mệnh đề cuối cùng đó đang gánh rất nhiều trọng trách và tôi muốn nói rõ về nó. Con số ba giờ là phép tính số học dựa trên hai giá trị cấu hình đã công bố, không phải tuyên bố của nhà cung cấp, và nó sẽ sai nếu bộ xử lý đặt lại vị trí giữa các clip — đúng như điều mà hồ sơ tái tạo ASR ngụ ý khi giới hạn âm thanh ở một clip cho mỗi prompt. Hãy coi đó là giới hạn trên cần kiểm chứng, không phải thông số kỹ thuật để trích dẫn.

Điều không nằm ở phép tính mà là hệ quả về bộ nhớ. MLA lưu latent KV thay vì key và value theo từng head, đó là lý do một cửa sổ 131K mới có thể được xem là khả thi trên một card duy nhất. Cấu hình văn bản tham chiếu dự trữ 0.92 của một GPU đơn với max_num_batched_tokens 32,768, đây là mức dự trữ được tính cho toàn bộ cửa sổ cộng với một batch lớn, chứ không phải mức sàn. Bỏ max_model_len thì mức dự trữ cũng giảm theo. Các shard của Thinker tổng cộng 17.74 GB, nên một card 24 GB chứa được trọng số và vẫn còn dư chỗ.

Phía bên kia trả lời cùng một câu hỏi bằng cách tách sản phẩm.

Danh mục {{1}}Model Studio của Alibaba{{/1}} liệt kê Qwen-Audio 3.1 thành ba ID mô hình thay vì một mô hình có trường ngữ cảnh. {{2}}qwen-audio-3.1-asr-flash-streaming{{/2}} và {{3}}qwen-audio-3.1-asr-flash-filetrans{{/3}} nằm trong nhóm nhận dạng giọng nói; {{4}}qwen-audio-3.1-realtime-plus{{/4}} nằm trong nhóm giọng nói sang giọng nói và được mô tả là hội thoại giọng nói đầu-cuối mà không cần gọi ASR và TTS riêng. Không có trọng số, không có số lượng tham số, không có độ dài ngữ cảnh, không có giá trên trang đó. Tài liệu chi tiết cho từng ID không tải được khi kiểm tra.

Hãy đọc sự tách biệt đó như một câu trả lời cho vấn đề âm thanh dài, chứ không phải như một sự cố ngẫu nhiên của việc đóng gói. SKU phiên âm tệp là cách một nhà cung cấp bán một giờ âm thanh: bạn tải tệp lên, dịch vụ chia nhỏ tệp theo cách nó muốn, và cửa sổ ngữ cảnh là bài toán kỹ thuật của người khác. SKU truyền phát là cách một nhà cung cấp bán một cuộc gọi điện thoại. Cả hai SKU đều không công bố con số mà Ming công bố, nghĩa là bạn không thể xây dựng một mô hình công suất cho Qwen-Audio 3.1 theo cách bạn có thể làm với Ming-3.0-audio-tiny. Bạn chỉ có thể lập một hóa đơn, và ngay cả việc đó cũng cần đến bảng điều khiển.

• Những gì bạn có thể kiểm tra — Ming: cấu hình, kiến trúc, giấy phép, bốn tệp safetensors, ba hình ảnh benchmark, YAML triển khai. Qwen: ba định danh và mỗi định danh một câu.

• Những gì bạn có thể ước lượng — Ming: 17,74 GB trọng số và một GPU cho văn bản, hai GPU cho giọng nói. Q​wen: chưa rõ cho đến khi bạn đọc bảng giá mà từ đây bạn không thể thấy.

• Bạn có thể lưu đệm những gì — Ming: KV cache của riêng bạn, tại max_model_len của riêng bạn. Qwen: bất cứ thứ gì endpoint xử lý nội bộ, một cách vô hình.

• Kiểu lỗi — Ming: một OOM do bạn gây ra và có thể khắc phục. Q​wen: một hạn mức, một vùng, hoặc một trang tài liệu không trả về gì.

• Giấy phép — Ming: MIT, trong metadata của card và trong LICENSE của kho GitHub, tuy nhiên lưu ý rằng kho Hugging Face không có tệp LICENSE riêng. Q​wen: các điều khoản thương mại của Model Studio, vì không có giấy phép trọng số nào để đọc.

Câu hỏi benchmark mà không ai có thể trả lời một cách trung thực

Ming-3.0-audio-tiny đi kèm ba hình ảnh đánh giá trong assets/, và mọi ô trong đó đều là inclusionAI đo chính inclusionAI. Thẻ đánh dấu các hàng tự đánh giá bằng dấu hoa thị và thừa nhận rằng các mô hình so sánh được tái tạo dưới lời nhắc và cài đặt giải mã của chính nó. Đó là một công bố thông thường và đáng được hiểu theo đúng nghĩa đen: đây là các mục tiêu thiết kế, không phải kết quả.

Đối với cặp so sánh này, các con số càng khó xử gấp đôi, vì những cột hữu ích không phải là những cột hiện có. Về nhận dạng tiếng Trung, mô hình nhỏ đạt trung bình 3,79 lỗi ký tự so với 3,45 của mô hình anh em lớn hơn, và về phương ngữ là 10,29 so với 9,40. Về trí tuệ âm thanh, nó thực sự mất đi lợi thế — MMAU 75,90 so với 82,00, MMAU-Pro 56,42 so với 66,41, và sự sụp đổ trong tương tác nói trên URO-Bench-Pro từ 81,92 xuống 54,15. Tất cả những điều đó đều nhỏ so với flash. Không điều nào trong số đó là nhỏ khi so với Qwen-Audio 3.1, bởi Qwen-Audio 3.1 chưa công bố điểm số tương đương nào và không có bộ kiểm thử chung, không có cấu hình giải mã chung, và không có bên thứ ba nào đã chạy cả hai.

Có một khoảng trống thứ hai đáng được gọi tên vì có thể kiểm tra trong mười giây. Thẻ cho biết các số liệu được chia sẻ bao gồm kết quả cho cả hai biến thể Ming. Điều đó đúng với hình nhận dạng và hình trí tuệ âm thanh. Hình trí tuệ văn bản có bốn cột và mô hình nhỏ không nằm trong số đó — các cột của nó là Ming-3.0-audio-flash, Qwen3.8-Omni Flash, Qwen3.5-Omni Plus và Qwen3.5-Omni Flash. Nếu câu hỏi của bạn là liệu xương sống hoạt động 2.7B có thể duy trì một cuộc hội thoại suy luận về âm thanh hay không, thì inclusionAI chưa trả lời điều đó trong hình ấy, bất kể câu phía trên hình nói gì.

Hai hình dạng hỏng khác nhau như thế nào ở mốc ba giờ

Âm thanh dài là nơi sự phân tách sản phẩm không còn chỉ là hình thức. Một checkpoint duy nhất với cửa sổ 131K là lời hứa rằng một mô hình đọc toàn bộ bản ghi và vẫn nhớ mười phút đầu khi đến cuối. Lời hứa đó có một kiểu thất bại cụ thể: mọi thứ cùng suy giảm. Nếu âm thanh vượt quá cửa sổ, bạn phải chia nhỏ, và chia nhỏ chính là nơi suy luận xuyên đoạn âm thầm biến mất — người nói được giới thiệu ở phút thứ hai lại trở thành người xa lạ ở phút thứ bốn mươi.

Một SKU phiên âm tệp che giấu vấn đề đó và thừa hưởng một vấn đề khác. Bạn không kiểm soát cách phân đoạn, nên không thể tái tạo một bản phiên âm lỗi; bạn không thể biết liệu dịch vụ có giữ ngữ cảnh xuyên các đoạn hay ghép nối các cửa sổ độc lập; và khi đầu ra thay đổi giữa hai lần tải lên giống hệt nhau, bạn không có biến nào để cô lập. SKU phát trực tuyến trung thực về ràng buộc của nó ngay trong tên gọi: nó được xây dựng để phát ra khi âm thanh đến, đó là hình thái phù hợp cho phụ đề và không phù hợp cho việc rà soát tuân thủ một cuộc gọi dài chín mươi phút.

Vậy nên quyết định không phải là “cái nào chính xác hơn” — cả hai bên đều chưa đưa cho bạn một con số có thể phân xử được điều đó. Mà là “lỗi nào tôi có thể gỡ lỗi”. Nếu bạn cần tái tạo một bản ghi nguyên từng byte, hãy tự sở hữu checkpoint. Nếu bạn cần một bản ghi trong hai mươi phút và dùng pager của người khác, hãy thuê SKU.

Nơi router chứng tỏ giá trị của mình trong pipeline này

OrcaRouter không phục vụ Ming-3.0-audio-tiny. Mô hình này không có trong danh mục của chúng tôi và chúng tôi không thể cung cấp endpoint cho nó; không có nội dung nào ở đây là lời đề nghị cung cấp. Điều mà một router thực sự chạm tới là phần của một pipeline âm thanh dài không phải mô hình âm thanh: quyết định bản ghi nào đi đến mô hình 2.7B cục bộ và bản nào đi đến một thứ lớn hơn, viết bản tóm tắt từ bản ghi lời, trích xuất các mục hành động, gắn thẻ cuộc gọi. Đó là các cuộc gọi văn bản, và hơn 200 mô hình đằng sau một khóa là một con đường ngắn hơn bốn hợp đồng nhà cung cấp — theo giá niêm yết của nhà cung cấp với mức markup 0%, vì vậy khi một nhà cung cấp giảm giá, con số bạn trả sẽ thay đổi ngay trong ngày. Chuyển đổi dự phòng tự động quan trọng hơn bình thường ở đây: một tác vụ phiên âm thất bại ở phút thứ tám mươi của một tệp chín mươi phút nên thử lại trên một đường thứ hai, chứ không phải bắt đầu lại từ đầu.

Ranh giới này đáng được nói thẳng ra. Một router định tuyến các cuộc gọi. Nó không biến một checkpoint 17.74 GB thành một endpoint được host, và nó không cho bạn biết liệu cửa sổ 131K của Ming có thật hay không. Chỉ một giờ âm thanh của chính bạn mới làm được điều đó.

Thí nghiệm quyết định điều đó

Hãy lấy một bản ghi âm mà bạn đã biết đáp án — một cuộc họp có ba người nói, trong đó một người chuyển ngôn ngữ giữa câu — và chạy nó qua cả hai. Với Ming-3.0-audio-tiny, hãy tải nó với trust_remote_code=True, dùng lời nhắc ASR mà thẻ mô hình xác thực (nêu ngôn ngữ, tab, rồi đến phần chép lời — tab đó chính là bộ phân tích cú pháp của bạn), và đặt max_model_len đúng bằng độ dài bạn cần thay vì giá trị mặc định. Với Qwen-Audio 3.1, hãy chạy cùng tệp đó qua cả SKU phiên âm tệp lẫn SKU thời gian thực, vì chúng là những sản phẩm khác nhau và sẽ không khớp nhau.

Sau đó, hãy so sánh ba điều, không điều nào trong số đó là điểm benchmark. Mô hình có giữ được danh tính người nói xuyên suốt toàn bộ tệp không? Nó có xử lý được việc chuyển ngôn ngữ mà không phiên âm không? Và bạn có thể giải thích kết quả đủ rõ để thay đổi một biến và chạy lại không? Câu hỏi cuối cùng là câu quyết định xem bạn đang đánh giá một mô hình hay đang thử giọng một nhà cung cấp, và đó là chỗ duy nhất mà hai việc này không hề gần nhau.