Eine generierte Titelkarte mit der Aufschrift „Ming-3.0-audio-flash führt Sprachschlussfolgerungen mit 99,8 % an“, mit einem Untertitel, der den ersten Platz bei Artificial Analysis Big Bench Audio am 18. November 2026 nennt und darauf hinweist, dass der Checkpoint am 3. September ohne Preisliste veröffentlicht wurde. Vier Statistik-Chips zeigen „99,8 % Big Bench Audio“, „Nr. 1 von 42 Modellen“, „1,12 s bis zum ersten Audio“ und „kein Preis veröffentlicht“. Die Fußzeile lautet: „Werte gemäß Artificial Analysis, 18. November 2026.“
Engineering & Research

Ming-3.0-audio-flash führt Artificial Analysis Speech Reasoning mit 99,8 % an – einen Punkt voraus und immer noch kein Preis

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Artificial Analysis führt Ming-3.0-audio-flashjetzt mit 99,8 % Genauigkeit auf Platz eins seiner Speech-Reasoning-Rangliste, der Big-Bench-Audio-Evaluierung, noch vor StepAudio 3 Realtime mit 99,7 %, Qwen Audio 3.0 Realtime Plus mit 99,2 %, Eleven Realtime v1 Max mit 98,8 %, Grok Voice 3.0 mit 98,5 %, Gemini 3.8 Live Extended Thinking (High) mit 97,7 % und GPT-Realtime-2.1 High mit 95,8 %. Die Behauptung wurde am 18. November 2026 um 08:37 UTC von Ant Ling verbreitet, neunzehn Minuten nachdem das eigene Repository des Modells bearbeitet worden war, um dieselbe Zahl und ein Leaderboard-Bild hinzuzufügen. Dieses Timing ist die ganze Geschichte: Ein Modell, das im September ausgeliefert wurde und keine Drittanbieter-Bewertung hatte, hat jetzt eine, und die Zahl ist sehr nah an der Obergrenze.

Um genau zu sein, was neu ist und was nicht – denn dies ist kein Launch. inclusionAI lud am 3. September 2026 die Ming-3.0-audio-flash-Gewichte auf Hugging Face hoch und sagte sechs Wochen lang nichts dazu; die Modellkarte, die Serving-Profile und der Beispielcode erschienen erst zwischen dem 15. und 19. Oktober. Was sich heute geändert hat, ist die Evaluierung, nicht der Checkpoint. Die Safetensors-Shards sind dieselben Bytes wie im September. Die ehrliche Einordnung ist also, dass ein sieben Wochen altes Audiomodell mit offenen Gewichten gerade von jemand anderem als seinem Autor gemessen wurde – und als Sieger hervorging.

Was Big Bench Audio tatsächlich von einem Modell verlangt

Es lohnt sich, konkret auf den Test einzugehen, denn „Speech Reasoning“ klingt nach etwas, das ein Voice-Agent im Gespräch tut, ist es aber meistens nicht. Big Bench Audio ist eine Reihe von Multiple-Choice-Fragen, die als Audio dargeboten werden: Das Modell hört eine Aufnahme, hört oder liest eine Frage dazu und wählt eine Antwort aus. Der Test belohnt die Fähigkeit, eine gesprochene Passage im Kontext zu behalten und alltägliche Schlussfolgerungen darauf anzuwenden. Er belohnt nicht Turn-Taking, den Umgang mit Unterbrechungen, Backchannels oder die Fähigkeit, wie ein Mensch zu klingen. Diese Dinge finden sich auf einem anderen Artificial-Analysis-Board, Full Duplex Bench, wo Ming-3.0-audio-flash derzeit überhaupt keinen veröffentlichten Score hat.

Dieser Unterschied ist hier wichtiger als sonst, denn bei 99,8 % ist die Metrik nahezu ausgeschöpft. Auf einem Board mit 42 Modellen beträgt der Unterschied zwischen dem ersten und dem fünften Platz einen Prozentpunkt. Zwischen dem ersten Platz und dem Modell auf dem dreizehnten Platz – GPT-Realtime-2.1 High – sind es vier Punkte. Ein Test, bei dem nahezu alles Moderne Werte in den Neunzigern erzielt, ist ein Test, der die Spitze des Feldes nicht mehr trennt, und ein Vorsprung von einem Punkt gegenüber StepAudio 3 Realtime sind eine Handvoll Aufgaben in einem Benchmark, dessen Aufgabenanzahl niemand außerhalb von Artificial Analysis überprüfen kann. Lesen Sie das Ranking als „dieses Modell gehört zur Spitzengruppe“, was wirklich nützlich ist, und nicht als „dieses Modell hört messbar besser als alles andere“, was die Zahl nicht stützen kann.

Das Board in der richtigen Reihenfolge, für alle, die die Zusammensetzung des Feldes statt der Schlagzeile wollen:

• 1 — Ming-3.0-audio-flash, 99,8 %

• 2 — StepAudio 3 Realtime, 99,7 %

• 3 — Q​wen Audio 3.0 Realtime Plus, 99,2 %

• 4 — Phonic 1 (Hoch), 98,9%

• 5 — Eleven Realtime v1 Max, 98,8 %

• 7 — G​rok Voice 3.0, 98,5%

• 8 — G​emini 3.8 Live Extended Thinking (High), 97,7 %

• 13 — GPT-Realtime-2.1 High, 95,8 %

A screenshot of the Artificial Analysis Speech to Speech page, showing the site navigation, the page heading, a blurb describing comparison of speech-to-speech models across reasoning quality, conversational dynamics, generation time and price, and two chart panels labelled Speech to Speech Index and Speed & Cost per Hour of Input Audio, plus a Related Links rail. The per-model rows inside the charts are not legible at this size.

Ein Detail in den Unterlagen des Anbieters selbst ist es wert, hervorgehoben zu werden, denn es ist die Art von Sache, die stillschweigend unter den Tisch fällt. Die im Oktober hochgeladenen Evaluationsbilder auf der Modellkarte von inclusionAI zeigen das Flash-Modell bei 99,40 auf „BigBenchAudio“. Artificial Analysis meldet jetzt 99,8. Das sind zwei verschiedene Durchläufe eines ähnlichen Benchmarks, und die Abweichung ist in keinem von beiden ein Fehler – es ist die normale Streuung, die man erhält, wenn Harness, Prompt-Format und Item-Teilmenge nicht identisch sind. Es ist auch eine Erinnerung daran, dass die Oktober-Tabelle des Anbieters und das heutige Drittboard keine austauschbaren Zahlen sind, selbst wenn sie nahezu dieselbe Bezeichnung tragen.

Was das Gremium nicht sagt

Drei Dinge fehlen im Eintrag von Artificial Analysis, und jedes davon ist für eine Deployment-Entscheidung wichtiger als der Genauigkeitswert.

Der erste Punkt ist der Preis. Ming-3.0-audio-flash hat bei Artificial Analysis keinen Preis pro Token oder pro Minute, weil es nichts zu kaufen gibt: Es ist ein Mixture-of-Experts-Checkpoint mit 126 Milliarden Parametern unter MIT-Lizenz, bei dem pro Schritt 6,5 Milliarden Parameter aktiv sind. Die Kosten entsprechen dem, was die Hardware kostet. In den eigenen Deployment-Hinweisen von inclusionAI wird das referenzierte 128K-Serving-Profil mit Tensor-Parallelität über vier 80-GB-H800 angegeben, mit einem Acht-GPU-Fallback für langes Audio und einem validierten SGLang-Profil auf vier GPUs, das nur Text zurückgibt. Jedes Modell über ihm in der Bestenliste außer ihm selbst ist eine abgerechnete API. Vergleicht man sie nur anhand der Genauigkeit, vergleicht man einen Benchmark-Wert mit einem Benchmark-Wert und ignoriert, dass eine Seite der Tabelle ein Kauf und die andere ein Abonnement ist.

Der zweite Punkt ist die Latenz. Artificial Analysis misst tatsächlich die Zeit bis zum ersten Audio, und Ming-3.0-audio-flash liegt bei 1,12 Sekunden. Eleven Realtime v1 Max liegt bei 0,57 Sekunden – etwa die Hälfte. Wenn Ihre Anwendung ein Voice-Agent ist, der innerhalb einer Gesprächspause antworten muss, wiegt ein Benchmark-Sieg eine Sekunde Funkstille nicht auf, und die Reihenfolge im Leaderboard sagt nichts darüber aus, mit welcher dieser beiden Zahlen Sie leben können.

Der dritte Punkt ist das Gesprächsverhalten. Full-Duplex-Bench-Werte gibt es für Eleven Realtime v1 Max (0,941 insgesamt, mit Umgang mit Unterbrechungen bei 0,99 und Sprecherwechsel bei 1,0) sowie für mehrere Gemini- und GPT-Realtime-Modelle. Ming-3.0-audio-flash hat keinen FDB-Wert, keine Aufschlüsselung der Gesprächsdynamik und keine veröffentlichte Messung dazu, wie es mit Unterbrechungen umgeht. Ein Modell kann Multiple-Choice-Fragen zu Audio mit Bravour bestehen und trotzdem dir ins Wort fallen.

Und die eigenen Oktober-Zahlen des Anbieters sind der wenig schmeichelhafteste Beleg im gesamten Bild. Auf demselben Datenblatt, mit dem der Sieg beim Sprachschlussfolgern beworben wird, veröffentlichte inclusionAI einen Long-Audio-Chain-Score von 12,31 gegenüber 34,54 für Qwen3.8-Omni Flash und 49,63 für Gemini 3.8 Flash, einen LongAudioSpan von 41,12 gegenüber 66,40 sowie Sprecherdiarisierungs-Fehlerraten auf AMI von 25,29 gegenüber 11,16 für MiMo-V2.6 Pro. Das sind die Zahlen des Anbieters, bei den vom Anbieter ausgewählten Aufgaben, und sie beschreiben ein Modell, das bei kurzem Frage-und-Antwort-Audio hervorragend und beim Reasoning über eine lange Aufnahme schwach ist. Daran ändert auch ein 99,8 auf Big Bench Audio nichts, weil Big Bench Audio kein Long-Audio-Test ist.

Die siebzehnminütige Lücke zwischen Karte und Tweet

Der Repository-Commit ist auf den 18. November um 08:26:48 UTC datiert und trägt (in Teilen) den Titel „Update Flash BBA score to 99.8% and add the overall #1 leaderboard res…“. Der Beitrag von Ant Ling folgte um 08:37:02. Derselbe Commit bearbeitete achtundvierzig Sekunden später die Karte des winzigen Geschwisters und fügte denselben Satz hinzu — einen gemeinsamen Benchmark-Absatz, in beide Repositories kopiert, und einen weiteren Grund, zu prüfen, zu welchem Checkpoint eine Zahl tatsächlich gehört, bevor man sie zitiert.

A generated single-column scoreboard titled 'Ming-3.0-audio-flash - the scoreboard'. Rows read 'Big Bench Audio: 99.8%, rank 1 of 42', 'Vendor card, October: 99.40, self-evaluated', 'Time to first audio: 1.12 s', 'Full Duplex Bench: not published', 'Price: no rate card' and 'Reference hardware: 4 x 80GB H800'. The footer reads 'Big Bench Audio score, rank and latency per Artificial Analysis, 18 November 2026; the 99.40 figure is vendor-reported and unaudited.'

Was diese Abfolge zeigt, ist, dass die Modellkarte inzwischen dem Leaderboard nachgelagert ist und nicht umgekehrt. Sechs Wochen lang bestand der einzige Leistungsnachweis für Ming-3.0-audio-flash aus einer Reihe von PNG-Bildern in einem assets/ Ordner, die vom Team erstellt wurden, das es trainiert hat. Das ist nicht nichts – Anbieterevaluierungen sind meist ehrlich, nur optimistisch bei der Aufgabenauswahl –, aber es ist eine andere Kategorie von Belegen als die eines Dritten, der seine eigene Testumgebung betreibt und einen Rang veröffentlicht. Das Interessante an heute ist nicht, dass der Anbieter den ersten Platz beansprucht. Es ist, dass eine Organisation ohne Eigeninteresse am Ergebnis das Modell dort platziert hat.

A screenshot of the inclusionAI Ming-3.0-audio-flash model card on Hugging Face, showing the audio-to-audio pipeline tag, the MIT licence badge, a reported model size of 128B params, a downloads-last-month figure of 2,572, the headline 'Hear clearly. Understand deeply. Act intelligently.', and a model summary table listing the developer as inclusionAI, the model type as a native audio-language mixture-of-experts, and 126B total parameters with 6.5B activated per inference step.

Wo ein Router passt – und wo nicht

OrcaRouter bietet Ming-3.0-audio-flash nicht an. Es ist nicht in unserem Katalog, wir können Ihnen dafür keinen Endpunkt bereitstellen, und nichts hier sollte als Angebot verstanden werden. Wenn Sie es ausführen möchten, klonen Sie das Repository, installieren Sie den Transformers-5-Codepfad oder eines der SGLang-Omni-Serving-Profile und weisen Sie ihm mindestens vier 80-GB-Karten zu. Das ist Infrastruktur, und ein Router kümmert sich nicht um Infrastruktur.

Was ein Router tatsächlich tut, ist die andere Hälfte jeder Sprach-Pipeline. Eine Sprachanwendung, die auf einem selbst gehosteten Audiomodell aufbaut, ist immer noch größtenteils Textarbeit: der Prompt, der festlegt, welche Fragen an die Aufnahme gestellt werden, die Nachbearbeitung, die ein tabulatorgetrenntes Sprachlabel in eine strukturierte Ausgabe überführt, die Zusammenfassung, die aus dem Transkript erstellt wird, der Klassifikator, der einen verrauschten Anruf an einen Menschen weiterleitet. Das sind gewöhnliche Chat-Aufrufe, und eine API für mehr als 200 Modelle ohne Aufschlag – der Listenpreis des Anbieters wird durchgereicht, sodass eine Preissenkung eines Anbieters bei uns noch am selben Tag aktiv ist – ist einfacher zu integrieren als ein zweiter und dritter Anbietervertrag. Automatisches Failover ermöglicht es Ihnen, ein unerprobtes Open-Weights-Modell hinter einen Teil Ihres Traffics zu setzen, ohne den gesamten Pfad darauf zu verwetten.

Der entscheidende Punkt ist die Grenze. Ein 259-GB-Checkpoint, den Sie auf Ihren eigenen GPUs betreiben, ist eine Kapitalentscheidung; ein Router leitet Aufrufe weiter. Er verwandelt kein Clustermodell in ein gehostetes Modell, und er macht aus 99,8 % bei einem Multiple-Choice-Benchmark keinen Beleg für Ihr Produkt.

Was würde dafür sorgen, dass das etwas bedeutet?

Drei Messungen würden aus der heutigen Schlagzeile eine Entscheidung machen, und alle drei sind Dinge, die Artificial Analysis oder eine Arena veröffentlichen könnte, ohne inclusionAI um irgendetwas bitten zu müssen. Ein Full-Duplex-Bench-Wert würde zeigen, ob das Konversationsverhalten zum Verständnis passt. Ein Long-Audio-Ergebnis auf einem öffentlichen Set würde die eine Achse testen, auf der die eigene Tabelle des Anbieters am schwächsten ist. Und ein zweiter unabhängiger Durchlauf von Big Bench Audio – ein anderes Harness, eine andere Item-Stichprobe – würde zeigen, ob 99,8 ein Deckeneffekt oder eine echte Lücke ist.

Bis dahin ist der zutreffende Satz eng gefasst und es lohnt sich, ihn klar auszusprechen: Ein Open-Weights-Audiomodell von Ant Group, im September veröffentlicht und im Oktober dokumentiert, steht jetzt auf Platz eins eines Speech-Reasoning-Benchmarks eines Drittanbieters – mit einem Vorsprung von einem Prozentpunkt vor dem nächstplatzierten Modell, ohne veröffentlichten Preis, mit doppelt so langer Time-to-First-Audio wie der schnellste Konkurrent in dieser Rangliste und ganz ohne Konversationsbewertung. Das ist ein echtes Ergebnis. Es ist zugleich eine viel kleinere Behauptung als „bestes Stimmmodell“, und die Differenz zwischen diesen beiden Sätzen ist der Punkt, an dem der größte Teil des nützlichen Nachdenkens über dieses Modell noch stattfinden muss.

In diesem Artikel verglichen1

Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert