LFM3-Omni-2B vs. Ming-3.0-audio-tiny: Ein Stack-Ersatz gegen einen Spezialisten

Zwei Modelle, beide als klein vermarktet, beide in der Lage, laut zu antworten, und ansonsten fast nichts gemeinsam. LFM3-Omni-2B ist ein dichtes Checkpoint-Modell mit 2,17 Milliarden Parametern von Liquid AI, das Text, Bilder, Video und Audio entgegennimmt und Text oder Sprachausgabe mit 24 kHz zurückgibt. Ming-3.0-audio-tiny ist ein Mixture-of-Experts-Modell mit 9,3 Milliarden Parametern von inclusionAI, bei dem pro Schritt 2,7 Milliarden Parameter aktiv sind, und es nimmt Audio und Text entgegen und gibt Text oder Sprachausgabe mit 44,1 kHz zurück. Das eine versucht, einen kompletten Assistenten-Stack zu ersetzen. Das andere versucht, das bestmögliche Ohr zu sein. Ein Spezialist und ein Generalist können hinter einem Schlüssel sitzen. Ein Endpunkt Anfragen werden nach Regeln weitergeleitet, mit automatischem Failover, falls ein Pfad ausfällt.

Die Benennung macht das komplizierter, als es sein müsste. „Tiny“ in Mings Familie bezieht sich auf seine Position relativ zu Ming-3.0-audio-flash, nicht auf seine absolute Größe: Mit insgesamt 9,3 Mrd. hat es mehr als viermal so viele Parameter wie das Liquid-Modell. Und LFM3-Omni-2B ist kein Audiomodell mit nachträglich angeschraubter Vision – es ist ein allgemeines multimodales Modell, das zufällig über einen Audiopfad verfügt. Sie Zeile für Zeile zu vergleichen, wäre beiden gegenüber unfair. Sie nach der Aufgabe zu vergleichen, die sie erfüllen, ist der einzige Vergleich, der zählt.

Was jedes einzelne tatsächlich ist

Ming-3.0-audio-tiny ist ein natives Audio-Sprachmodell: ein Audio-Encoder und ein Projektor, die ein spärliches MoE-Sprach-Backbone speisen, mit einer separaten Talker-Stufe, die Sprache generiert, wenn man sie anfordert. Es verarbeitet Chinesisch und Englisch, einschließlich Akzenten und Dialekten, und unterstützt Voice Cloning anhand eines Referenzclips plus Transkript. Die Gewichte stehen unter MIT-Lizenz und sind auf Hugging Face und ModelScope verfügbar; für MLX und GGUF gibt es Community-Quantisierungen, und es gibt eine funktionierende ROCm-Demo eines darauf aufbauenden Voice-Assistants mit niedriger Latenz. Das Repository wurde Anfang September 2026 hochgeladen, und die Model Card und die Konfiguration wurden Mitte Oktober aktualisiert; damals wurde es effektiv nutzbar.

LFM3-Omni-2B ist die entgegengesetzte Konstruktion. Ein einzelner dichter Trunk mit einem Vision-Encoder, einem kausalen Audio-Encoder und LiquidCodec für die Sprachausgabe, trainiert so, dass ein einziger Gewichtssatz vier Eingabemodalitäten und zwei Ausgabemodalitäten verarbeitet. Es wurde am 27. Oktober 2026 als ein Zweig von Liquids LFM3-Familie mit sechs Modellen veröffentlicht, ohne eigenständige Ankündigung und ohne unabhängige Bewertung. Die Modellkarte nennt 2,17 Mrd. Parameter, einen Kontext von 32.768 Token und die LFM Open License v1.0.

• Architektur — 2,17B dichtes Any-to-Any vs. 9,3B gesamt mit 2,7B aktiv pro Token, sparse MoE plus ein separater Sprach-Talker.

• Eingaben — Text, Bild, Video mit Tonspur, 16-kHz-Audio vs. nur Audio und Text.

• Sprachausgabe — 24 kHz über LiquidCodec, schneller als Echtzeit gestreamt im Vergleich zu 44,1 kHz mono über den Talker, mit benannten Preset-Stimmen und Klonen.

• Sprachen — 16 Textsprachen und 19 Sprach-Locales gegenüber Chinesisch und Englisch, einschließlich Dialekten.

• Kontext — 32.768 Token, auf der Karte angegeben, im Vergleich zu keinem auf der Karte angegebenen Kontextfenster; die veröffentlichte Konfiguration beschreibt ein Positionsbudget von 131.072 Token.

• Lizenz — LFM Open License v1.0 mit einer Umsatzschwelle gegenüber MIT.

• Speicherbedarf — etwa 4,3 GB in BF16 gegenüber rund 21 GB in BF16, wobei die int8-Expertenquantisierung ihn auf etwa 12,5 GB reduziert.

Die beiden Zeilen, die sich tatsächlich überschneiden

Laborübergreifende Benchmark-Tabellen sind größtenteils Theater, weil jedes Labor sein eigenes Harness wählt. Hier ist die Überschneidung klein genug, um sie genau zu benennen: Zwei Datensätze erscheinen in beiden Anbieterberichten, und beide sind Audio-Aufgaben, bei denen die Methodik einigermaßen standardisiert ist.

• Englische ASR-Wortfehlerrate — 6,36 für LFM3-Omni-2B vs. 4,36 für Ming-3.0-audio-tiny. Niedriger ist besser, und Ming liegt um zwei absolute Punkte vorn, rund ein Drittel weniger Fehler.

• VoiceBench — 64,73 vs 74,29. Ming liegt bei der Befolgung gesprochener Anweisungen und dem Verhalten als Sprachassistent um 9,6 Punkte vorn.

Bei den Aufgaben, auf denen beide Modelle gemessen werden, gewinnt der Spezialist, und das ist das erwartete Ergebnis. Ming verwendet 2,7 Milliarden aktive Parameter für das Hören und Sprechen. LFM3-Omni-2B verwendet 2,17 Milliarden für Hören, Sprechen, Sehen und Lesen gleichzeitig. Ein Modell, das seine Kapazität nicht auf vier Arten aufteilt, sollte in der einen Art, in der es arbeitet, besser sein, und das ist es.

Was Ming für LFM3-Omni-2B berichtet, für dieses Modell aber nicht gilt, ist eine längere Liste: Zeichenfehlerrate für chinesische ASR 3.79, Zeichenfehlerrate für Dialekte 10.29, BigBenchAudio 99.20, MMAU 75.90, MMAU-Pro 56.42, Genauigkeit bei langen Audios 56.39 und BFCL-v3 Audio 79.80. Das sind starke Zahlen für ein Modell dieser Größe, und sie beschreiben ein System, das speziell auf Audio-Reasoning bewertet wurde und nicht als eine Spalte einer multimodalen Tabelle. Die nächstgelegenen Entsprechungen auf der Liquid-Karte sind MMAR für Audioverständnis mit 51.40 und ein Tool-Calling-Wert von 52.20 – aber der Tool-Calling-Benchmark ist nicht derselbe Test wie BFCL-v3 Audio, und diese beiden Zahlen nebeneinanderzustellen wäre genau die Art von Vergleich, die dieser Blog zu vermeiden sucht.

Die Benchmark, die dieses Duell nicht entscheiden kann.

Die interessante Frage ist nicht, welches Modell besser hört. Vielmehr geht es darum, ob ein einzelnes Omni-Modell audio-visuelles Reasoning leisten kann, das eine Pipeline nicht leisten kann. Ming-3.0-audio-tiny hat überhaupt keinen Vision-Pfad: Es kann nicht auf ein Einzelbild schauen und beschreiben, was dort passiert, und es kann keine Frage zum Soundtrack eines Videos beantworten, während es das Video ansieht. LFM3-Omni-2B kann beides, und Liquid meldet für genau diese Fähigkeit Daily-Omni 70.09 und WorldSense 47.10.

Diese Zahlen haben in Mings Modellkarte keine Entsprechung, weil Ming die Aufgabe nicht angeht. Der Vergleich läuft also auf eine Frage des Umfangs hinaus statt auf eine Frage der Qualität: Wenn Ihre Anwendung eine Sprachschnittstelle zu einem Audiostream ist, ist Ming das leistungsfähigere Ohr und der geringere aktive Rechenaufwand. Wenn Ihre Anwendung eine Kamera plus ein Mikrofon plus einen Lautsprecher umfasst, leistet LFM3-Omni-2B etwas, das Ming in keiner Größe kann, und die Audio-Lücke ist der Preis, den Sie für die Kamera zahlen.

Der Preis dafür ist nicht unerheblich. Zwei Punkte englische Wortfehlerrate bei einer Sprachschnittstelle sind der Unterschied zwischen einem Transkript, das man überfliegen kann, und einem, das man korrigieren muss. Wenn der Audiopfad das eigentliche Produkt ist und Vision ein Bonus, dann ist die ehrliche Empfehlung, Ming für das Audio und ein separates Vision-Modell für die Frames zu verwenden, auch wenn das zwei Checkpoints bedeutet.

Die Speicherrechnung entscheidet über mehr Deployments als der Benchmark.

Ming-3.0-audio-tiny benötigt in BF16 ungefähr 21 GB an Gewichten oder etwa 12,5 GB mit int8-Expertenquantisierung, und ein vollständiges Deployment mit Audioausgabe kann den Thinker und den Talker auf zwei GPUs aufteilen. LFM3-Omni-2B benötigt etwa 4,3 GB. Das ist kein kleiner Unterschied: Es ist der Unterschied zwischen einer einzelnen Mittelklasse-GPU und einer Maschine, die man einplanen muss, und der Unterschied zwischen einem Telefon und einem Server.

Der Vergleich kehrt sich um, je nachdem, was man misst. Mings 2,7B aktive Parameter machen es trotz seiner Gesamtgröße günstig pro Token, was der ganze Sinn eines Sparse-MoE ist. LFM3-Omni-2B ist dicht, daher kostet jeder Token die vollen 2,17B — aber das gesamte Modell passt in einen Bruchteil des Speichers und läuft auf Hardware, die Ming nicht erreichen kann.

Hier wird die Routing-Ökonomie konkret. OrcaRouter gibt die Listenpreise der Anbieter ohne Aufschlag weiter, sodass ein günstiger Spezialist und ein teurerer Generalist hinter einem einzigen Schlüssel stehen können, ohne dass ein zweiter Vertrag nötig ist, und eine Preisänderung des Anbieters noch am selben Tag auf Ihrer Rechnung erscheint statt erst bei der nächsten Verlängerung. Weder LFM3-Omni-2B noch Ming-3.0-audio-tiny ist heute in unserem Katalog, daher ist dies eine Aussage darüber, wie die Plattform Preise gestaltet, und nicht die Behauptung, dass Sie eines der beiden Modelle derzeit über uns aufrufen können. Aber das Muster, das diese beiden Modelle erzeugen – ein günstiger Spezialist für den Normalfall, ein Generalist für den schwierigen –, ist genau das Muster, für das ein Router gedacht ist.

Die Lizenzfrage, die der eigentliche Fork ist

Ming-3.0-audio-tiny steht unter der MIT-Lizenz. LFM3-Omni-2B unterliegt der LFM Open License v1.0, einer individuellen Vereinbarung mit einer Umsatzschwelle, die bestimmt, ob eine kommerzielle Nutzung eine gesonderte Regelung erfordert. Für einen Forschungsprototypen ist der Unterschied akademisch. Für ein Produkt ist es das Erste, wonach die Rechtsabteilung fragen wird, und es kann eine Benchmark-Lücke jeder Größe aufwiegen.

MIT erklärt auch, warum Ming bereits Community-Ports hat: MLX-Builds, GGUF-Quantisierungen, eine ROCm-Demo für Sprachassistenten. Diese existieren, weil die Lizenz sie einfach machte, und sie sind der Grund, warum Ming heute auf Hardware einsetzbar ist, die Liquid nie getestet hat. LFM3-Omni-2B wurde am 27. Oktober mit 83 Downloads veröffentlicht und hat einen dokumentierten Serving-Pfad nur für Textausgabe. Sein Ökosystem existiert noch nicht.

Die praktische Asymmetrie ist eklatant. Bei Audio-Genauigkeit, Speichereffizienz pro aktivem Parameter, Sprachabdeckung für Chinesisch und Dialekte, Voice Cloning und Lizenzierungsfreiheit ist Ming-3.0-audio-tiny heute die sicherere Wahl. Bei Modalitätsabdeckung und rohem Footprint ist LFM3-Omni-2B die einzige der beiden, die einen Raum betrachten und darüber sprechen kann.

Wer sollte was abholen?

Wählen Sie Ming-3.0-audio-tiny, wenn Sie ein Sprachprodukt entwickeln – Transkription, gesprochener Dialog, Voice-Cloning, Anrufanalyse – und entweder keine Vision benötigen oder bereit sind, es mit einem separaten visuellen Modell zu kombinieren. Die MIT-Lizenz, die vorhandenen Quantisierungen und der Zwei-Punkte-Vorteil bei ASR machen es zur risikoärmeren Deployment-Variante, und seine Sparse-Architektur hält die Kosten pro Token trotz der 9,3 Mrd. Gesamtparameter niedrig.

Wählen Sie LFM3-Omni-2B, wenn das Gerät über eine Kamera und ein Mikrofon verfügt und der begrenzende Faktor der Speicher ist. Ein 4,3-GB-Checkpoint, der sieht, hört und spricht, ist eine andere Kategorie von Objekt als ein 21-GB-Audio-Spezialist, und keine noch so hohe ASR-Genauigkeit gleicht ein Modell aus, das nicht passt. Akzeptieren Sie, dass Sie Breite statt Tiefe kaufen und dass jede damit verbundene Audio-Kennzahl vom Anbieter angegeben und nicht reproduziert ist.

Was dir keine der beiden Modellkarten verrät, ist, wie sie sich in derselben Anwendung verhalten. Diesen Test – gleiches Audio, gleiches Gerät, gleiches Latenzbudget – hat niemand außerhalb der beiden Unternehmen durchgeführt. Bis das geschieht, beruht die Entscheidung auf Umfang und Lizenzierung, die heute bekannt sind, statt auf Genauigkeit, die es nicht ist.