LFM3-Audio-2B vs Ming-3.0-audio-flash: un checkpoint de portátil frente a un oído de ocho GPU

El primer número que separa LFM3-Audio-2B de Ming-3.0-audio-flash no es un benchmark. Es ocho. Ming-3.0-audio-flash, el modelo de mezcla de expertos de audio y lenguaje de 126B parámetros de InclusionAI con 6,5B activos, necesita paralelismo tensorial en ocho H800 de 80 GB para servir su perfil completo de contexto de 128K con salida de voz; con cuatro GPU se obtiene una ruta SGLang validada que es solo de texto, porque el módulo Talker no cabe. LFM3-Audio-2B, que Liquid AI lanzó el 27 de octubre de 2026 dentro de la familia LFM3 de seis modelos, es un checkpoint de 2B que llega como una descarga de Ollama de 2,1 GB. Ambos son pesos abiertos. Solo uno de ellos es una decisión que un único desarrollador puede tomar esta tarde.

Esa brecha es toda la comparación, y vale la pena resistir el error obvio de tratarla como una clasificación de calidad. Ming-3.0-audio-flash oye mucho más que LFM3-Audio-2B: grabaciones largas, varios hablantes, música, escenas acústicas, sonidos no verbales. LFM3-Audio-2B está diseñado para un bucle de voz en un portátil: reconocimiento, síntesis, traducción y llamadas a herramientas por voz en 18 idiomas. Ming es un oído con una boca adherida; el modelo de Liquid es una boca con un oído adherido. La pregunta es qué trabajo tienes en realidad.

Dos barcos silenciosos, dos tipos diferentes de silencio

Ninguno de los dos modelos tuvo un lanzamiento convencional, y la diferencia en cómo aparecieron te dice qué esperar de cada repositorio.

Ming-3.0-audio-flash se subió a Hugging Face el 3 de septiembre de 2026 sin ningún anuncio y luego permaneció inutilizable durante seis semanas, hasta que el código de servicio, los ejemplos y la tarjeta reescrita se publicaron entre el 15 y el 19 de octubre. El repositorio de GitHub se creó el día 15; la tarjeta seguía editándose el día 19. La página de HF muestra 22 descargas el mes pasado. Tiene licencia MIT y los YAML de implementación de referencia están en el repositorio.

LFM3-Audio-2B apareció el 27 de octubre como uno de los seis modelos del lanzamiento de la familia de Liquid, compartiendo la arquitectura base LFM3-1.7B-Base. La rama de audio recibió un párrafo de la publicación de la familia más una tarjeta de modelo; no hay un anuncio independiente de audio ni una entrada de precios para él en el sitio de Liquid. En menos de un día ya contaba con una solicitud de extracción fusionada en llama.cpp (#31257) y una compilación de Ollama. La diferencia es la velocidad de las herramientas, no la profundidad de la documentación: Ming tiene paneles de benchmarks como imágenes, Liquid tiene una tabla de seis filas sin un harness con nombre.

Lo que cada uno puede oír

• Entrada — LFM3-Audio-2B: texto o audio de 16 kHz. Ming-3.0-audio-flash: audio más una instrucción de texto.

• Salida — LFM3-Audio-2B: texto, voz de 24 kHz, o texto y voz intercalados. Ming-3.0-audio-flash: texto, o texto con voz sintetizada mediante el Talker opcional.

• Contexto — LFM3-Audio-2B: 32K tokens, entrada más salida. Ming-3.0-audio-flash: 128K tokens, aumentados desde 8,192 en un commit de octubre.

• Idiomas — LFM3-Audio-2B: 18 idiomas enumerados como 19 configuraciones regionales porque el inglés aparece como variantes de EE. UU. y del Reino Unido; el ASR en vivo es solo en inglés. Ming-3.0-audio-flash: chino e inglés, incluidos acentos y dialectos — el cantonés, el shanghainés, el hunanés y el hokkien se mencionan en la cobertura de la familia.

• Licencia — LFM3-Audio-2B: LFM Open License v1.0, gratuita para uso comercial con ingresos anuales inferiores a $10M. Ming-3.0-audio-flash: MIT.

• {{1}}Requisito mínimo de hardware{{/1}} — LFM3-Audio-2B: {{2}}compatible con CPU mediante GGUF{{/2}}, 2.1 GB. Ming-3.0-audio-flash: ocho H800 de 80 GB para el perfil de audio completo, cuatro para solo texto.

El apartado de idiomas es donde más a menudo se malinterpretan los dos. Dieciocho idiomas suena a una cobertura más amplia que dos, y para síntesis lo es. Pero los 18 son en su mayoría europeos, además de japonés, coreano y chino, y Liquid limita explícitamente el ASR en vivo al inglés. Los dos idiomas de Ming vienen con una cobertura de dialectos que importa más en un centro de contacto chino que una larga lista de configuraciones regionales. Si tu audio es mandarín con alternancia de código, la afirmación de idiomas de Ming, que suena limitada, es la más sólida; si necesitas una voz en neerlandés o sueco en un portátil, LFM3-Audio-2B es el único de los dos que lo afirma.

El único número que cuadra, y por qué todavía no es un veredicto

Ambos proveedores publican una cifra de VoiceBench, lo que la convierte en lo más parecido a un eje compartido en este caso. Ming-3.0-audio-flash reporta 86,74. LFM3-Audio-2B reporta 73,13. A primera vista, se trata de una diferencia de 13,6 puntos a favor de Ming.

Considéralo una hipótesis, no un resultado. Las dos cifras provienen de versiones diferentes del harness, de prompts distintos y de ajustes de decodificación diferentes, y ninguno de los dos repositorios nombra la configuración exacta. Los propios materiales de Ming advierten de que los modelos de comparación se reprodujeron con la configuración de evaluación de inclusionAI y pueden diferir de los informes oficiales debido a los prompts, la decodificación, las versiones y los pipelines. La tabla de Liquid no nombra en absoluto su conjunto de pruebas. Comparar la cifra de un proveedor con la de otro proveedor distinto es ordenar dos afirmaciones, no medir dos modelos.

La misma cautela se aplica al resto del panel de Ming: CER medio de ASR en chino 3,45, WER en inglés 3,69, CER de dialectos 9,40, BigBenchAudio 99,40, MMAU 82,00 — todos reportados por el proveedor, todos solo para visualización. Frente al WER en inglés de 6,23 y el MMAR de 50,60 de LFM3-Audio-2B, la dirección es coherente: Ming es el oyente más fuerte. La magnitud no la establece nada de lo que haya publicado ninguno de los dos laboratorios.

Qué compra la licencia y cuánto cuesta

MIT es la licencia más limpia y no hay comparación. La LFM Open License v1.0 es gratuita por debajo de un umbral de ingresos y exige una licencia comercial de pago por encima de él; MIT no tiene umbral. Para una empresa que prevé superar los $10M, esa diferencia es una partida en el proceso de compras, no una nota a pie de página.

La licencia también es la mitad menor del coste. El mínimo de ocho GPU de Ming es una decisión de capital con un calendario de depreciación, un rack y un buscapersonas. La descarga de 2,1 GB de Liquid se ejecuta en una CPU de portátil mediante GGUF, con MLX de 4 bits para Apple silicon y ONNX Runtime para la portabilidad. El coste marginal de la milésima hora de audio es casi cero en ambos casos; el coste fijo difiere en tres órdenes de magnitud.

Eso no hace que Ming sea caro. Hace que Ming sea una compra diferente. Si tu carga de trabajo es constante y tu audio no puede salir del edificio, poseer un oído de 126B puede resultar más barato que pagar por minuto durante años: el punto de equilibrio es un cálculo de utilización, no un benchmark. Si tu carga de trabajo es un prototipo, una demo o un producto cuyo volumen de audio aún se desconoce, el perfil de ocho GPU es una apuesta hecha antes de que lleguen las pruebas.

Probar antes de comprar

El problema práctico con ambos modelos es el mismo: no se puede saber a partir de la ficha de un modelo si alguno de los dos funciona con tus grabaciones. La ruta de servicio de Ming supone hardware que la mayoría de los equipos no tiene; la de Liquid funciona en cualquier sitio pero no cuenta con una evaluación independiente. La opción barata en ambos casos es medir con una muestra pequeña antes de comprometerse.

OrcaRouter no aloja ninguno de estos checkpoints, así que el argumento de enrutamiento no se aplica a la capa de audio en sí. Se aplica un nivel por encima. Un pipeline de voz es un modelo de audio más un modelo de texto que clasifica, resume o enruta lo que se ha oído, y esa segunda llamada es donde un router se gana su lugar: más de 200 modelos detrás de una sola clave al precio de lista del proveedor sin margen, conmutación automática por fallo entre proveedores, y un DSL de enrutamiento si quieres componer varios en una sola llamada. Pasa tus veinte peores grabaciones por el modelo de audio y luego pasa las transcripciones por el mismo modelo posterior en el mismo endpoint — así la comparación se mantiene limpia y no cuesta casi nada.

¿Cuál elegir?

Elige LFM3-Audio-2B si el modelo tiene que funcionar en una máquina que ya tienes, si necesitas salida de voz en un idioma que Ming no cubre, o si estás prototipando un bucle de llamada a herramientas por voz y quieres el modelo en el mismo equipo que las herramientas. Acepta que la parte de reconocimiento está en una posición media y que el ASR en directo es solo en inglés y sigue siendo una pull request de seguimiento en llama.cpp.

Elige Ming-3.0-audio-flash si el trabajo es de comprensión y no de conversación: reuniones largas, grabaciones ruidosas con varios hablantes, razonamiento sobre audio o una carga de trabajo en chino en la que importe la cobertura de dialectos. Presupuesta las ocho GPU, o acepta el perfil de solo texto con cuatro GPU y renuncia a Talker. Luego, realiza tu propia evaluación antes de creer el panel de cualquiera de los dos proveedores.

No elijas ninguno todavía si no puedes decir cuál de esos dos trabajos es el tuyo. Los modelos tienen cuatro días y seis semanas, respectivamente; la documentación de ambos es más exigua que las capacidades que prometen, y la primera comparación directa e independiente sobre un corpus compartido valdrá más que todos los números de este artículo. Hasta que exista, el requisito mínimo de hardware es el desempate más honesto disponible: uno de estos cabe en tu portátil y el otro cabe en un rack.