Ming-3.0-audio-flash vs. Qwen3.8-Omni-Flash: Die eigene Tabelle des Anbieters hat bereits einen Sieger gekürt

Es gibt eine Vergleichstabelle, die den größten Teil dieser Debatte entscheidet, und sie wurde von einem der beiden Anbieter veröffentlicht. Auf inclusionAIs eigenen Evaluationsbildern für Ming-3.0-audio-flash ist die Referenzspalte Qwen3.8-Omni-Flash — Alibabas geschlossenes Omni-Modell, seit 18. September 2026 für API-Kunden offen — und die Ergebnisse laufen in beide Richtungen. Ming gewinnt die Dialektzeilen mit großem Abstand und verliert die Zeilen zum Reasoning über lange Audios um fast den Faktor drei. Das ist ungewöhnlich nützlich, denn es bedeutet, dass die Frage nicht lautet „welches Modell besser ist“, sondern „welche dieser beiden Fehlerarten Ihre Workload tolerieren kann“. Ming-3.0-audio-flash ist inclusionAIs Audio-Sprach-Checkpoint mit insgesamt 126B und 6,5B aktiven Parametern, hochgeladen am 3. September 2026 und dokumentiert am 19. Oktober; Qwen3.8-Omni-Flash ist ein gehostetes Modell, das nur Text ausgibt, mit einem Kontext von einer Million Token und ohne Gewichte. Eines besitzen Sie, eines mieten Sie, und ihre veröffentlichten Stärken überschneiden sich kaum. Die dokumentierten KI-Fehler und Anbieter-Benchmark-Streitigkeiten hinter Vergleichen wie diesem sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzstufe und Streit-Kennzeichnung trägt.

Zwei Möglichkeiten, eine Stunde Audio zu lesen

Beide Modelle akzeptieren Audio und Text und geben Text zurück. Dieser Satz gilt für beide und ist zugleich irreführend für beide, weil der Maßstab, in dem sie arbeiten, völlig unterschiedlich ist.

Qwen3.8-Omni-Flash nimmt Text, Bilder, Audio und Video entgegen, verarbeitet bis zu eine Stunde durchgehendes Audio-Video innerhalb eines einzigen Aufrufs, verfügt über einen Kontext von einer Million Token (maximale Eingabe etwa 991K, Ausgabe bis zu 131K bei einem Reasoning-Budget von 262K) und antwortet ausschließlich in Textform. A​libabas Darstellung zur Markteinführung war eine Rechnung statt einer Punktzahl: 98 % günstiger pro Stunde Audioeingabe als Qwen3.5-Omni-Plus, 93 % günstiger pro Stunde Audio-Video, wobei die Stundenwerte ermittelt wurden, indem eine Zwei-Minuten-Stichprobe bepreist und mit dreißig multipliziert wurde, wobei das Video mit 720p und einem Bild pro Sekunde abgetastet wurde. Die internationalen Preise liegen bei 0,15 US-Dollar pro Million Eingabe-Token, 0,016 US-Dollar für zwischengespeicherte Token und 0,47 US-Dollar für die Ausgabe.

Ming-3.0-audio-flash nimmt Audio und Text entgegen, gibt Text oder Text plus Sprache über einen optionalen Talker zurück und verfügt über einen 128K-Kontext – eine Angabe, die seine Konfiguration erst am 13. Oktober aufwies, als ein Ein-Datei-Commit max_position_embeddings von 8.192 auf 131.072 erhöhte. Sein Referenz-Serving-Profil ist Tensor-Parallelität über acht H800s mit 80 GB, und der Download umfasst etwa 259 GB. Es gibt keinen Preis pro Token, weil es keinen Endpoint gibt.

Also ist bei Qwen der Aufruf die Einheit; bei Ming ist der Knoten die Einheit. Das ist die erste Entscheidung, und sie entscheidet meist über den Rest.

Was inclusionAIs eigene Tabelle Zeile für Zeile aussagt

Jede Zahl in diesem Abschnitt stammt aus den drei PNGs im Ming-Repository-assets/Ordner — inclusionAIs eigener Lauf, auf seinem eigenen Harness, wobei Sternchen die Zeilen markieren, die es selbst bewertet hat. Nichts davon wurde reproduziert. Lies es als einen Anbieter, der sich selbst öffentlich beschreibt, was mehr ist, als die meisten Anbieter tun.

• Durchschnitt für chinesische ASR — Ming mit 3,45 Fehlerrate gegenüber Qwen3.8-Omni-Flash mit 3,54 und Gemini 3.8 Flash mit 9,83. Ein knapper Sieg.

• Englische ASR im Durchschnitt — 3,69 gegenüber 4,02 und 5,05. Ebenfalls knapp.

• Dialekt-Durchschnitt — 9,40 gegenüber 11,58. Größer, und es ist die Kernaussage: Kantonesisch 4,09 gegenüber 4,76, Shanghainesisch 11,15 gegenüber 21,10, Hunan 8,76 gegenüber 17,11, Hokkien 12,84 gegenüber 26,32.

• Hubei — 9,46 gegen 7,75. Qwen gewinnt diese Zeile und inclusionAI hat sie trotzdem abgedruckt, was der Hauptgrund ist, dem Rest der Tabelle zu vertrauen.

• Sprecherdiarisierung, AISHELL-4 — Ming 8,58 Diarisierungsfehlerrate gegenüber Qwen 2,80. Bei AMI 25,29 für Ming gegenüber 11,16 für MiMo-V2.6 Pro.

• Long-Audio-Chain-Score — Ming 12,31 gegenüber Qwen 34,54, Qwen-Thinking-Mode 48,70 und Gemini 3.8 Flash 49,63. Das ist die vierfache Lücke, und zwar bei einer Metrik, die der Anbieter zu veröffentlichen beschloss.

• LongAudioSpan — 41,12 gegenüber 66,40. MMAR — 74,40 gegenüber 77,70. MMSU — 78,82 gegenüber 82,10.

• Hervorgehobene Audio-Reasoning-Zeilen — Ming erreicht 99,40 bei BigBenchAudio und 82,00 bei MMAU; Tool Calling auf BFCL-v3 Audio liegt bei 81,40 gegenüber 86,68 für Gemini 3.8 Flash.

Das Muster ist nicht zufällig. Ming ist am stärksten, wenn die Aufgabe lautet: „was genau gesagt wurde, einschließlich des Akzents“, und am schwächsten, wenn die Aufgabe lautet: „eine lange Aufnahme gedanklich präsent zu halten und sie zu durchdenken.“ Q​wen ist das Gegenteil: ein Fenster von einer Million Token und ein Reasoning-Budget sind genau das Instrumentarium für die zweite Aufgabe, und nichts in seinen Launch-Materialien deutet auf eine dialektspezifische Feinabstimmung hin.

Die Dialektbehauptung ist der ganze Fall, und sie ist enger, als sie klingt.

Wenn Sie sich eine Sache aus der Anbietertabelle mitnehmen, dann diese: Die Lücke, die einer genauen Prüfung standhält, betrifft die Erkennung dialektaler und akzentuierter chinesischer Sprache, nicht die allgemeine Audio-Intelligenz. Shanghainisch mit 11,15 gegen 21,10 ist etwa die Hälfte der Fehlerrate. Hunan mit 8,76 gegen 17,11 ist etwa die Hälfte. Hokkien mit 12,84 gegen 26,32 ist etwa die Hälfte. Das sind große, konsistente Abweichungen über fünf Dialektzeilen hinweg, und sie sind die Art von Ergebnis, die aus einer Trainingsentscheidung stammt und nicht aus einem Benchmark-Trick.

Die Vorbehalte wiegen ebenso schwer wie die Zahlen. Die Testsets stammen aus der eigenen Auswahl des Anbieters; die Testumgebung ist die des Anbieters; die Referenzwerte für Qwen3.8-Omni-Flash wurden von inclusionAI durch Ausführen von Alibabas Modell erzeugt, nicht von Alibaba. Dass ein Wettbewerber das Modell eines Konkurrenten bewertet, ist gängige Praxis und zugleich die Konstellation, die am ehesten versehentlich ein schmeichelhaftes Ergebnis hervorbringt. Die einzige Zeile, die gegen den Trend läuft, Hubei, ist der stärkste Beleg dafür, dass die Tabelle nicht einfach manipuliert wurde.

Und die vierfache Lücke bei langen Audios ist kein Rundungsfehler, um den man herumdesignen kann. Wenn Ihre Arbeitslast ein neunzigminütiger Earnings Call ist und Sie eine Zusammenfassung mit Querverweisen benötigen, sagen Mings eigene Zahlen, dass Q​wens Denkmodus das bessere Werkzeug ist – um den Faktor vier bei der Metrik, die genau das misst.

Verfügbarkeit entscheidet mehr als die Benchmarks.

Qwen3.8-Omni-Flash hat nur ein Zuhause: Alibabas Qianwen-Plattform und Alibaba Cloud Model Studio, mit getrennten internationalen und Festland-Endpunkten, getrennter Abrechnung und getrennter Währung. Es beantwortet eine OpenAI-förmige Anfrage, daher lässt sich Client-Code größtenteils portieren, aber der Endpunkt ist nicht portabel und es gibt kein Failover-Ziel. Es wurden keine Gewichte veröffentlicht und keine angekündigt. OrcaRouter bietet es nicht an.

Ming-3.0-audio-flash hat überhaupt keinen Endpoint. Es sind MIT-lizenzierte Gewichte mit einer Model Card, einem am 15. Oktober erstellten GitHub-Repository, Deployment-YAMLs für drei Profile, zwei Beispielclients und einem 150 KB großen Voice-Guide. Das Projekt vLLM-Omni unterstützt die vorherige Ming-Generation und hat einen offenen Pull Request für das 7.9B-Ming-TTS-Modell, aber für diesen Audio-Language-Checkpoint wurde nichts gemergt; der praktische Weg ist heute Transformers mit trust_remote_code=True, was für die Evaluierung in Ordnung ist, für einen Service aber dürftig.

Stellt man diese beiden Absätze nebeneinander, ist die Abwägung unmissverständlich. Qwen bietet einen Produktions-Endpunkt ohne Fallback und ohne Sichtbarkeit. Ming bietet einen Checkpoint mit voller Sichtbarkeit und ohne Endpunkt. Ein Team mit einem GPU-Knoten und einer Compliance-Anforderung entscheidet sich für Ming. Ein Team mit einer Deadline entscheidet sich für Qwen und nimmt das Single-Source-Risiko in Kauf.

Wie ein Mittelweg aussieht

Es gibt eine dritte Option, die kein Anbieter dokumentiert, und es lohnt sich, sie ausdrücklich darzulegen, denn sie ist es, was die meisten Teams tatsächlich tun: das gehostete Modell für die Arbeit einsetzen, in der es besser ist, und die offenen Gewichte für die Arbeit, in der sie besser sind – in derselben Pipeline.

Konkret – eine Supportorganisation, die Mandarin-Anrufe mit Dialektsprechern bearbeitet. Das Audio trifft ein, ein leichtgewichtiger Klassifikator entscheidet, ob die Sprache des Anrufers Standard ist oder stark akzentuiert. Standard-Audio geht an Qwen3.8-Omni-Flash für eine Langkontext-Zusammenfassung mit Reasoning über den gesamten Anruf. Akzentuiertes Audio geht an Ming-3.0-audio-flash zur Transkription, und das Transkript gelangt zurück in die Text-Pipeline zur Zusammenfassung. Keines der Modelle sieht die gesamte Arbeitslast; beide sehen den Teil, den sie für sich entscheiden.

Diese Architektur bedeutet mehr Aufwand als die Wahl eines einzigen Anbieters, und sie ist die einzige, die die Anbietertabelle ehrlich nutzt, weil die Tabelle selbst besagt, dass die beiden Modelle bei unterschiedlichen Eingaben versagen.

Wo OrcaRouter genau einzuordnen ist

Wir bieten in diesem Artikel keines der beiden Modelle an. Qwen3.8-Omni-Flash wird bei A​libaba gehostet und ist nicht in unserem Katalog; Ming-3.0-audio-flash ist Open Weights und nicht in unserem Katalog. Wer sich anmeldet und eines der beiden erwartet, wird enttäuscht, deshalb sagen wir es lieber hier als am Ende eines Anmeldeformulars.

Was die oben beschriebene Klassifizierungs- und Zusammenfassungs-Pipeline braucht, ist genau das, was ein Router bietet: einen einzigen Schlüssel für die Textseite der Kette, eine Routing-Regel, die Standard-Audio in die eine und akzentuiertes Audio in die andere Richtung schickt, und einen Failover-Pfad, wenn die Leistung eines Anbieters nachlässt. Eine API für mehr als 200 Modelle ohne Aufschlag – die Listenpreise der Anbieter werden durchgereicht, sodass eine Preissenkung eines Anbieters bei uns noch am selben Tag wirksam ist – ist betrieblich kleiner als drei Verträge und zwei Abrechnungssysteme, und automatisches Failover ist die Antwort auf das Single-Source-Risiko, das mit jedem gehosteten Omni-Modell einhergeht. Die Routing-DSL ist der Ort, an dem eine Sprach-Pipeline mit zwei Zweigen tatsächlich ausgedrückt wird. Sie ist kein Ersatz für einen 259-GB-Checkpoint und kann es auch nicht sein.

Für zwei Arten von Teams

Wenn du in diesem Quartal ein Produkt mit Audiofunktion baust und kein GPU-Budget hast, ist Qwen3.8-Omni-Flash die Antwort – mit der Einschränkung, dass du dich damit bei einem einzigen Anbieter einmietest und deinen Client so schreiben solltest, dass der Endpunkt ein Konfigurationswert und keine Konstante ist. Sein Kontextfenster und sein Reasoning-Budget sind tatsächlich größer als alles, was die Open-Weight-Alternative bietet.

Wenn Sie Infrastruktur aufbauen — einen Transkriptionsdienst, eine On-Premises-Compliance-Pipeline, irgendetwas, bei dem ein Anbieter-Endpunkt eher ein Risiko als eine Erleichterung ist —, dann ist Ming-3.0-audio-flash die ernsthafte offene Option, und die Dialektzahlen sind der Grund dafür. Planen Sie einen Node ein, planen Sie einen Monat für die Integration ein, und lesen Sie die Diarisierungszeilen, bevor Sie irgendjemandem Sprecherlabels versprechen.

Die ernüchternde Schlussfolgerung lautet, dass die beiden Modelle weniger Rivalen als vielmehr eine Arbeitsteilung sind, für deren Beschreibung kein Anbieter einen Anreiz hat. inclusionAI hat die Tabelle veröffentlicht, die das zeigt. Das ist mehr wert als ein Launch-Post.