LFM3-Omni-2B vs Ming-3.0-audio-flash: Ein Telefon gegen ein Rack

Die Stückliste entscheidet diesen Vergleich, bevor die Benchmarks überhaupt zu Wort kommen. Ming-3.0-audio-flash hat 126 Milliarden Parameter, rund 259 GB bfloat16-Gewichte und ein Referenz-Serving-Profil, das auf 80-GB-H800-GPUs im Tensor-Parallelbetrieb basiert – vier in der 128K-Konfiguration, acht, wenn bei langen Audios der Speicher ausgeht. LFM3-Omni-2B hat 2,17 Milliarden Parameter, wird als gewöhnliche BF16-Gewichte ausgeliefert und ist für den Betrieb auf einem Smartphone ausgelegt. Beide nehmen Audio entgegen. Beide können hörbar antworten. Eines davon ist ein Rechenzentrums-Asset und das andere ein Feature, das man in eine App einbauen kann, und fast alles andere an ihnen folgt aus dieser einen Tatsache.

Sie kamen ebenfalls ohne viel Aufhebens. Liquid AI kündigte die LFM3-Familie am 27. Oktober 2026 an, mit LFM3-Omni-2B als einem von sechs Modellen der 2B-Klasse in einem einzigen Beitrag; sein Repository war seit dem 21. Oktober öffentlich. inclusionAI lud Ming-3.0-audio-flash am 3. September 2026 mit praktisch keiner Dokumentation hoch und veröffentlichte erst am 19. Oktober, sechs Wochen später, eine echte Modellkarte. Keiner der Anbieter hat einen unabhängigen Benchmark, und keines der Modelle verfügt über einen gehosteten Endpunkt, den man pro Token mieten kann.

Zwei Möglichkeiten, einem Modell einen Mund zu geben

Der architektonische Unterschied liegt nicht in der Größe. Er liegt darin, wo das Audio lebt.

Ming-3.0-audio-flash hält Audio so lange wie möglich als Audio. Ein Encoder im Whisper-Stil – 32 Schichten, Breite 1.280, 128 Mel-Bins – verwandelt Schall in eine Repräsentation, die ein 42-schichtiges Mixture-of-Experts-Backbone mit 512 Experten speist, von denen 8 pro Token ausgewählt werden. Sprache kommt über ein optionales Talker-Modul mit integrierten chinesischen Stimmen und Voice-Prompting per Referenzclip zurück. Der angegebene Kontextumfang beträgt 128K – eine Angabe, die die Konfiguration erst mit einem Commit vom 13. Oktober machte, als die Positions-Embeddings von 8.192 auf 131.072 angehoben wurden.

LFM3-Omni-2B tokenisiert alles in einen einzigen Stream. Video wird mit 2 Bildern pro Sekunde abgetastet, jedes 2×2-Bildpflaster wird zu einem Sprach-Token, und Audio durchläuft einen kausalen LFM3-Audio-Encoder in dasselbe Vokabular mit 128.000 Token wie der Text. Die Sprachausgabe erfolgt über LiquidCodec bei 24 kHz; der Audioeingang ist 16 kHz mono. Das gesamte Modell befindet sich in einem 32K-Fenster.

Das ist ein Kompressionsargument, und es gilt in beide Richtungen. Der Ansatz von LFM3-Omni-2B ist das, was ein 2,17B-Modell auf einem Mobilgerät praktikabel macht – alles ist dieselbe Art von Token, also ist alles auf dieselbe Weise günstig. Mings Ansatz ist das, was ein 126B-Modell eine einstündige Aufnahme im Gedächtnis behalten lässt, ohne die Prosodie zu verwerfen. Beides hat seinen Preis.

Die Zahlen, die es wert sind, nebeneinander betrachtet zu werden

• Gesamtparameter — LFM3-Omni-2B {{1}}2,17 Mrd.{{/1}} dicht; Ming-3.0-audio-flash 126 Mrd. in einem Gemisch aus {{2}}512 Experten{{/2}}.

• Aktive Parameter — etwa 2,17 Mrd. gegenüber 6,5 Mrd. pro Inferenzschritt.

• Gewichte auf der Festplatte — wenige Gigabyte gegenüber rund 259 GB an bfloat16-Shards plus dem Talker.

• Referenzhardware — ein Telefon, Laptop oder Edge-Board im Vergleich zu {{1}}vier 80-GB-H800s im Tensor-Parallelbetrieb{{/1}} für das 128K-Profil, acht, wenn bei langen Audiodateien der Speicher ausgeht.

• Kontext — 32K Token für Eingabe und Ausgabe, gegenüber den angegebenen 128K.

• Sprachausgabe – 24-kHz-LiquidCodec mit 19 Sprachlokalen; Ming liefert Text oder Text plus Sprache über den Talker, mit integrierten Stimmen und Klonen anhand von Referenzclips.

• Lizenz — LFM Open License v1.0, eine Lizenz mit Umsatzschwelle, im Gegensatz zu MIT.

• Preis — auf keiner der beiden Seiten gibt es einen Preis pro Token, da keiner der Anbieter Inferenz für diese Checkpoints verkauft.

Aktive Parameter sind kein Tachometer.

Es ist verlockend, „6.5B active“ neben „2.17B dense“ zu lesen und daraus zu schließen, dass Ming pro Token nur dreimal so teuer ist. Diese Lesart ist in beide Richtungen falsch.

Ein Mixture-of-Experts-Modell verbraucht Speicherbandbreite, nicht nur Rechenleistung. 6,5 Mrd. aktive Parameter von 126 Mrd. zu bedienen bedeutet, die Expertengewichte auf jeder Ebene in den Cache zu verschieben, und bei Batchgröße eins – dem Regime, in dem ein Sprachassistent lebt – kommt das dem Lesen eines großen Teils von 259 GB für jedes Token nahe. Das Acht-H800-Profil ist keine Empfehlung für Spitzendurchsatz; es ist das, was nötig ist, um die Gewichte zu halten. LFM3-Omni-2B mit 2,17 Mrd. hat das umgekehrte Problem: keine Sparsity-Dividende, aber auch nichts zum Auslagern, und genau das ist das Profil, das ein Smartphone plausibel macht.

Die praktische Konsequenz ist, dass die beiden Modelle unterschiedliche Skalierungskurven haben. Ming wird pro Token günstiger, wenn man in Batches verarbeitet, was zu Transkriptions-Pipelines passt, die eine Warteschlange aufgezeichneter Anrufe abarbeiten. LFM3-Omni-2B bleibt pro Äußerung ungefähr konstant, was zu einem Live-Gespräch passt, bei dem die Batch-Größe eins ist und das Latenzbudget einige hundert Millisekunden beträgt.

Was man für die 126 Milliarden bekommt

inclusionAI veröffentlicht seine Evaluierungen als Bilder statt als Tabellen, was für sich genommen eine eigene Aussage ist, doch die Zahlen sind lesbar. Auf seinem eigenen Harness meldet Ming-3.0-audio-flash eine durchschnittliche Fehlerrate von 3,45 für chinesische ASR, 3,69 für Englisch, einen Dialektdurchschnitt von 9,40 über Kantonesisch, Shanghainisch, Hunan und Hokkien sowie eine Diarisierungsfehlerrate von 8,58 auf AISHELL-4. Zu den Audio-Reasoning-Zeilen gehören BigBenchAudio mit 99,40 und MMAU mit 82,00. Das sind Anbieterzahlen auf einem Anbieter-Harness, wobei Sternchen die selbst evaluierten Zeilen markieren. Niemand hat sie reproduziert.

Die Schwäche, die der Anbieter trotzdem aufführte, ist das Reasoning bei langen Audioaufnahmen: einen Wert von 12,31 bei Long-audio Chain und einen LongAudioSpan-Wert von 41,12 – beide deutlich hinter den gehosteten Modellen in seinem eigenen Vergleich. Der 126B ist also nicht durchgängig besser im „Audioverstehen“. Er ist besser darin, genau zu hören, was gesagt wurde, in welchem Akzent und von welchem Sprecher – und deutlich schlechter darin, eine lange Aufnahme im Kopf zu behalten und über sie hinweg zu schließen.

Was die 2,17 Milliarden kaufen

LFM3-Omni-2B meldet eine englische ASR-Wortfehlerrate von 6,36 und eine mehrsprachige Rate von 6,72, einen TTS-UTMOSv2-Wert von 3,80, VoiceBench 64,73, MMAR 51,40 und einen Tool-Calling-Wert von 52,20. Der Audioeingang ist auf 16 kHz Mono begrenzt, was für Sprache ausreicht und für Musik nutzlos ist.

Widerstehen Sie dem Drang, 6,36 mit Mings 3,69 zu vergleichen. Es handelt sich nicht um denselben Test. Mings englischer Durchschnitt wird über seinen eigenen Satz englischer Benchmarks berechnet; Liquids 6,36 ist eine einzelne Zahl aus einer einzelnen Evaluierung, ausgeführt mit eigenen Prompts und Greedy-Decoding. Die einzige haltbare Aussage ist eine richtungsweisende: Mings ASR ist wahrscheinlich besser, weil ein 126B großes audio-natives Modell mit einem Tower im Whisper-Stil mehr Potenzial hat, besser zu sein, und weil die Dialektbehandlung genau das ist, womit inclusionAI vorangehen wollte. Ob es um zwei Punkte oder um einen halben besser ist, lässt sich anhand dieser beiden Modellkarten nicht wissen.

Was LFM3-Omni-2B bringt, ist nicht Genauigkeit. Es ist, dass das Modell dort läuft, wo das Mikrofon ist. Für eine Pipeline zur Anrufaufzeichnung ist das irrelevant. Für alles mit einem Live-Nutzer verändert es die Architektur: kein Upload, kein Hin und Zurück, keine Abrechnung pro Minute und kein Audio, das das Gerät verlässt.

Die Lizenz ist der leise Unterschied

Ming-3.0-audio-flash steht unter MIT. Permissiver geht es kaum: kommerzielle Nutzung, Änderung, Weitergabe, keine Umsatzprüfung, keine Einschränkung des Nutzungsbereichs. LFM3-Omni-2B wird unter der LFM Open License v1.0 ausgeliefert, der Familienlizenz, die Liquid für alle LFM3-Modelle verwendet; sie ist eine Lizenz mit Umsatzschwelle und keine von der OSI anerkannte Open-Source-Lizenz. Lesen Sie sie, bevor Sie ein Produkt darauf aufbauen. Für ein Startup unterhalb der Schwelle ist der Unterschied akademisch; für ein Unternehmen oberhalb davon ist MIT bares Geld wert.

Die Integration ist der Punkt, an dem der Papierkram sichtbar wird.

Die Serving-Story von Ming ist noch in der Schwebe. Die Launch-Darstellung von inclusionAI legte nahe, dass man die Modellfamilie heute mit vLLM-Omni bedienen könnte; was das Repository tatsächlich zeigt, sind offene Pull Requests – einer für den tts-tiny-Checkpoint, ein weiterer, der audio-flash-Unterstützung hinzufügt. Bis diese gemergt sind, bedeutet das Ausführen von Ming-3.0-audio-flash: Transformers auf einer Maschine mit genügend Speicher oder der SGLang-Omni-Weg, den der Anbieter dokumentiert. Es ist machbar, und es ist kein `pip install`.

Die Geschichte von LFM3-Omni-2B ist genau umgekehrt: eine Hugging-Face-Karte, die das Fine-Tuning-Rezept dokumentiert, und ein Ollama-Build, der bereits im Umlauf ist. Dieser Build gibt einen Kontext von 125K an, während die Karte 32K nennt – was zeigt, dass die Paketierung schneller vorangeschritten ist als die Dokumentation. Eine Kleinigkeit, die durchaus relevant ist, wenn Sie vorhatten, ihm langes Audio zuzuführen.

Wenn keines von beiden für Sie die richtige Form hat, besteht die Alternative darin, die Fähigkeit zu mieten, statt sie zu besitzen, und das ist eine andere Budgetposition. OrcaRouter ist die gehostete Seite dieser Wahl – eine einzige API für über 200 Modelle zu 0 % Aufschlag auf den Listenpreis des Anbieters, mit automatischem Failover, wenn ein Anbieter ausfällt – und weder LFM3-Omni-2B noch Ming-3.0-audio-flash sind heute in diesem Katalog. Das ist die ehrliche Einordnung: In diesem Beitrag geht es um zwei Modelle, die Sie herunterladen, nicht um zwei, die Sie aufrufen können.

Wer sollte was auswählen?

Wähle Ming-3.0-audio-flash, wenn du GPUs hast, die du nicht anderweitig nutzt, dein Audio Chinesisch oder Englisch mit Akzenten und mehreren Sprechern ist und deine Aufgabe darin besteht, ein genaues Transkript oder eine begründete Antwort zu einer langen Aufnahme zu erstellen. Die MIT-Lizenz macht es von den beiden zur sichereren Wahl für den Aufbau eines kommerziellen Produkts, und der 128K-Kontext macht es zum einzigen der beiden, das eine Besprechung in einem Durchgang abdecken kann.

Wähle LFM3-Omni-2B, wenn das Audio am Edge erzeugt wird, der Nutzer wartet und die Antwort im selben Atemzug zurückgesprochen werden muss. Nimm in Kauf, dass du die Genauigkeit eines kleineren Modells, eine engere Sprachliste und eine Lizenz mit Umsatzklausel bekommst – im Gegenzug für ein Deployment, das in eine App passt.

Die Frage, die vor beidem zu stellen ist: Wohin geht das Audio? Lautet die Antwort „nirgendwo“, ist der Vergleich vorbei.