LFM3-Audio-2B vs. Ming-3.0-audio-flash: Ein Laptop-Checkpoint gegen ein Acht-GPU-Ohr

Die erste Zahl, die LFM3-Audio-2B von Ming-3.0-audio-flash trennt, ist kein Benchmark. Es ist acht. Ming-3.0-audio-flash, das Audio-Sprach-Mixture-of-Experts von InclusionAI mit 126B-Parametern und 6,5B aktiven Parametern, benötigt Tensor-Parallelität über acht 80-GB-H800s, um sein vollständiges 128K-Kontextprofil mit Sprachausgabe bereitzustellen — mit vier GPUs erhält man einen validierten SGLang-Pfad, der ausschließlich Text unterstützt, weil das Talker-Modul nicht passt. LFM3-Audio-2B, das Liquid AI am 27. Oktober 2026 innerhalb der sechs Modelle umfassenden LFM3-Familie veröffentlichte, ist ein 2B-Checkpoint, der als 2,1-GB-Ollama-Download kommt. Beide sind offene Gewichte. Nur eines von ihnen ist eine Entscheidung, die ein einzelner Entwickler heute Nachmittag treffen kann.

Diese Kluft macht den gesamten Vergleich aus, und man sollte dem naheliegenden Fehler widerstehen, sie als Qualitätsrangliste zu behandeln. Ming-3.0-audio-flash hört weit mehr als LFM3-Audio-2B: lange Aufnahmen, mehrere Sprecher, Musik, akustische Szenen, Nicht-Sprachschall. LFM3-Audio-2B ist für eine Sprachschleife auf einem Laptop gebaut — Erkennung, Synthese, Übersetzung und gesprochene Tool-Aufrufe in 18 Sprachen. Ming ist ein Ohr mit angeschlossenem Mund; Liquids Modell ist ein Mund mit angeschlossenem Ohr. Die Frage ist, welche Aufgabe Sie tatsächlich haben.

Zwei stille Schiffe, zwei verschiedene Arten von Stille

Keines der beiden Modelle wurde auf herkömmliche Weise eingeführt, und der Unterschied darin, wie sie erschienen, verrät Ihnen, was Sie von jedem Repository erwarten können.

Ming-3.0-audio-flash wurde am 3. September 2026 ohne Ankündigung auf Hugging Face hochgeladen und blieb dann sechs Wochen lang unbrauchbar, bis zwischen dem 15. und 19. Oktober der Serving-Code, Beispiele und die überarbeitete Modellkarte online gingen. Das GitHub-Repository wurde am 15. erstellt; die Modellkarte wurde am 19. noch bearbeitet. Die HF-Seite zeigt 22 Downloads im letzten Monat. Es steht unter MIT-Lizenz, und die YAML-Dateien für die Referenzbereitstellung liegen im Repository.

LFM3-Audio-2B erschien am 27. Oktober als eines von sechs Modellen im Family-Drop von Liquid und nutzt dasselbe LFM3-1.7B-Base-Backbone. Der Audio-Zweig erhielt einen Absatz im Family-Post plus eine Modellkarte; es gibt keine eigenständige Audio-Ankündigung und keinen Preiseintrag dafür auf Liquids Website. Innerhalb eines Tages gab es einen gemergten llama.cpp-Pull-Request (#31257) und einen Ollama-Build. Der Unterschied liegt in der Geschwindigkeit der Tooling-Unterstützung, nicht in der Tiefe der Dokumentation: Ming hat Benchmark-Panels als Bilder, Liquid hat eine Tabelle mit sechs Zeilen ohne genanntes Harness.

Was jeder Einzelne hören kann

• Eingabe — LFM3-Audio-2B: Text oder 16-kHz-Audio. Ming-3.0-audio-flash: Audio plus eine Textanweisung.

• Ausgabe — LFM3-Audio-2B: Text, 24-kHz-Sprachausgabe oder verschachtelte Text- und Sprachausgabe. Ming-3.0-audio-flash: Text oder Text mit synthetisierter Sprachausgabe über den optionalen Talker.

• Kontext — LFM3-Audio-2B: 32K Token, Eingabe plus Ausgabe. Ming-3.0-audio-flash: 128K Token, erhöht von 8.192 in einem Oktober-Commit.

• Sprachen — LFM3-Audio-2B: 18 Sprachen, aufgeführt als 19 Locales, da Englisch als US- und UK-Variante erscheint; Live-ASR ist nur auf Englisch verfügbar. Ming-3.0-audio-flash: Chinesisch und Englisch, einschließlich Akzenten und Dialekten — Kantonesisch, Shanghainesisch, Hunan und Hokkien werden in der Abdeckung der Familie genannt.

• Lizenz — LFM3-Audio-2B: LFM Open License v1.0, kommerziell kostenlos unter 10 Mio. USD Jahresumsatz. Ming-3.0-audio-flash: MIT.

• Hardware-Mindestanforderung — LFM3-Audio-2B: CPU-fähig über GGUF, 2,1 GB. Ming-3.0-audio-flash: acht 80-GB-H800 für das vollständige Audio-Profil, vier für reine Textverarbeitung.

Die Sprachangabe ist der Punkt, an dem die beiden am häufigsten falsch verstanden werden. Achtzehn Sprachen klingen breiter als zwei, und für die Synthese stimmt das auch. Doch die 18 sind überwiegend europäische Sprachen plus Japanisch, Koreanisch und Chinesisch, und Liquid beschränkt Live-ASR ausdrücklich auf Englisch. Mings zwei Sprachen gehen mit einer Dialektabdeckung einher, die in einem chinesischen Contact-Center mehr zählt als eine lange Liste an Locales. Wenn es sich bei Ihrem Audiomaterial um Mandarin mit Code-Switching handelt, ist Mings scheinbar enge Sprachangabe die stärkere; wenn Sie eine niederländische oder schwedische Stimme auf einem Laptop benötigen, ist LFM3-Audio-2B das einzige der beiden, das dies für sich beansprucht.

Die eine Zahl, die übereinstimmt – und warum sie trotzdem kein Urteil ist

Beide Anbieter veröffentlichen einen VoiceBench-Wert, was hier einer gemeinsamen Achse am nächsten kommt. Ming-3.0-audio-flash meldet 86,74. LFM3-Audio-2B meldet 73,13. Auf den ersten Blick ist das ein Vorsprung von 13,6 Punkten zugunsten von Ming.

Betrachte es als Hypothese, nicht als Ergebnis. Die beiden Zahlen stammen aus unterschiedlichen Harness-Versionen, unterschiedlichen Prompts und unterschiedlichen Decoding-Einstellungen, und keines der beiden Repositories nennt die genaue Konfiguration. Mings eigene Materialien warnen davor, dass die Vergleichsmodelle unter inclusionAIs Evaluationsaufbau reproduziert wurden und aufgrund von Prompts, Decoding, Versionen und Pipelines von offiziellen Berichten abweichen können. Liquids Tabelle nennt ihren Testdatensatz überhaupt nicht. Eine Anbieterzahl, die mit der Zahl eines anderen Anbieters verglichen wird, ist eine Reihenfolge zweier Behauptungen, keine Messung zweier Modelle.

Dieselbe Vorsicht gilt für den Rest von Mings Panel: durchschnittliche CER für chinesische ASR 3.45, englische WER 3.69, Dialekt-CER 9.40, BigBenchAudio 99.40, MMAU 82.00 — alle vom Anbieter gemeldet, alle nur zur Anzeige. Gegenüber LFM3-Audio-2B mit englischer WER 6.23 und MMAR 50.60 ist die Richtung konsistent: Ming ist der stärkere Zuhörer. Die Größenordnung wird durch nichts belegt, was eines der beiden Labore veröffentlicht hat.

Was die Lizenz bietet und was sie kostet

MIT ist die sauberere Lizenz – und das ist nicht knapp. Die LFM Open License v1.0 ist unterhalb einer Umsatzschwelle kostenlos und erfordert oberhalb davon eine kostenpflichtige kommerzielle Lizenz; MIT hat keine Schwelle. Für ein Unternehmen, das erwartet, über $10M hinauszuwachsen, ist dieser Unterschied ein Beschaffungsposten, keine Fußnote.

Die Lizenz ist zudem der kleinere Teil der Kosten. Mings Acht-GPU-Mindestausstattung ist eine Investitionsentscheidung mit Abschreibungsplan, Rack und Pager. Liquids 2,1-GB-Download läuft auf einer Laptop-CPU über GGUF, mit MLX 4-Bit für Apple Silicon und ONNX Runtime für Portabilität. Die Grenzkosten für die tausendste Stunde Audio liegen bei beiden nahezu bei null; die Fixkosten unterscheiden sich um drei Größenordnungen.

Das macht Ming nicht teuer. Es macht Ming zu einer anderen Anschaffung. Wenn Ihre Arbeitslast gleichmäßig ist und Ihr Audio das Gebäude nicht verlassen darf, kann der Besitz eines 126B-Ohres günstiger sein, als jahrelang pro Minute zu zahlen – der Wendepunkt ist eine Auslastungsrechnung, kein Benchmark. Wenn Ihre Arbeitslast ein Prototyp, eine Demo oder ein Produkt ist, dessen Audiovolumen noch unbekannt ist, ist das Acht-GPU-Profil eine Wette, die vor dem Eintreffen der Belege platziert wird.

Erst testen, dann kaufen

Das praktische Problem bei beiden Modellen ist dasselbe: Einer Modellkarte lässt sich nicht entnehmen, ob eines von beiden mit Ihren Aufnahmen funktioniert. Mings Serving-Pfad setzt Hardware voraus, die die meisten Teams nicht haben; Liquids Variante läuft überall, wurde aber nicht unabhängig evaluiert. Die günstigste Vorgehensweise ist in beiden Fällen, anhand einer kleinen Stichprobe zu messen, bevor man sich festlegt.

OrcaRouter hostet keinen dieser beiden Checkpoints, daher gilt das Routing-Argument nicht für die Audio-Ebene selbst. Es gilt eine Ebene höher. Eine Voice-Pipeline besteht aus einem Audiomodell plus einem Textmodell, das klassifiziert, zusammenfasst oder weiterleitet, was gehört wurde, und genau bei diesem zweiten Aufruf spielt ein Router seine Stärke aus: mehr als 200 Modelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, automatisches Failover zwischen Anbietern und eine Routing-DSL, wenn Sie mehrere zu einem Aufruf zusammenfassen möchten. Schicken Sie Ihre zwanzig schlechtesten Aufnahmen durch das Audiomodell und dann die Transkripte durch dasselbe nachgelagerte Modell am selben Endpunkt – so bleibt der Vergleich sauber und kostet nahezu nichts.

Welches soll man wählen?

Wählen Sie LFM3-Audio-2B, wenn das Modell auf einer Maschine laufen muss, die Sie bereits besitzen, wenn Sie Sprachausgabe in einer Sprache benötigen, die Ming nicht abdeckt, oder wenn Sie eine sprachgesteuerte Tool-Calling-Schleife prototypisieren und das Modell auf derselben Maschine wie die Tools haben möchten. Akzeptieren Sie, dass die Erkennungshälfte im Mittelfeld liegt und dass Live-ASR nur Englisch unterstützt und in llama.cpp noch ein nachfolgender Pull Request ist.

Wählen Sie Ming-3.0-audio-flash, wenn es um Verstehen statt um Konversation geht: lange Meetings, verrauschte Aufnahmen mit mehreren Sprechern, Audio-Reasoning oder eine chinesischsprachige Arbeitslast, bei der Dialektabdeckung zählt. Planen Sie die acht GPUs ein, oder akzeptieren Sie das Text-only-Profil mit vier GPUs und verzichten Sie auf den Talker. Führen Sie dann Ihre eigene Evaluierung durch, bevor Sie dem Panel eines der beiden Anbieter glauben.

Wählen Sie vorerst keines von beiden, wenn Sie nicht benennen können, welche dieser beiden Aufgaben Sie haben. Die Modelle sind vier Tage bzw. sechs Wochen alt, die Unterlagen zu beiden sind dünner als ihre Leistungsversprechen, und der erste unabhängige Direktvergleich auf einem gemeinsamen Korpus wird mehr wert sein als jede Zahl in diesem Artikel. Bis es ihn gibt, ist die Hardware-Untergrenze der ehrlichste verfügbare Stichentscheid: Eines davon passt auf Ihren Laptop, das andere in ein Rack.