LFM3-Omni-2B vs Ming-3.0-audio-tiny: un reemplazo de stack frente a un especialista

Dos modelos, ambos comercializados como pequeños, ambos capaces de responder en voz alta, y casi nada más en común. LFM3-Omni-2B es un checkpoint denso de 2,17 mil millones de parámetros de Liquid AI que acepta texto, imágenes, vídeo y audio y devuelve texto o voz a 24 kHz. Ming-3.0-audio-tiny es un modelo de mezcla de expertos de 9,3 mil millones de parámetros de inclusionAI con 2,7 mil millones de parámetros activos por paso, y acepta audio y texto y devuelve texto o voz a 44,1 kHz. Uno intenta reemplazar toda una pila de asistente. El otro intenta ser el mejor oído posible. Un especialista y un generalista pueden estar detrás de una sola clave. un endpoint Las solicitudes se enrutan por regla, con conmutación por error automática si una ruta falla.

El nombre hace que esto sea más difícil de lo necesario. «Tiny» en la familia de Ming se refiere a su posición relativa a Ming-3.0-audio-flash, no a su tamaño absoluto: con 9.3B en total, tiene más de cuatro veces la cantidad de parámetros del modelo Liquid. Y LFM3-Omni-2B no es un modelo de audio con visión añadida a posteriori —es un modelo multimodal general que resulta tener una ruta de audio. Compararlos fila por fila sería injusto para ambos. Compararlos por el trabajo que hacen es la única comparación que importa.

Lo que realmente es cada uno

Ming-3.0-audio-tiny es un modelo nativo de audio-lenguaje: un codificador de audio y un proyector que alimentan un backbone lingüístico MoE disperso, con una etapa Talker independiente que genera voz cuando se le solicita. Admite chino e inglés, incluidos acentos y dialectos, y permite la clonación de voz a partir de un clip de referencia y su transcripción. Los pesos tienen licencia MIT y están disponibles en Hugging Face y ModelScope; existen cuantizaciones de la comunidad para MLX y GGUF, y hay una demostración funcional en ROCm de un asistente de voz de baja latencia construido sobre él. El repositorio se subió a principios de septiembre de 2026 y la tarjeta y la configuración se actualizaron a mediados de octubre, que es cuando pasó a ser realmente utilizable.

LFM3-Omni-2B es la construcción opuesta. Un único tronco denso con un codificador de visión, un codificador de audio causal y LiquidCodec para la salida de voz, entrenado para que un único conjunto de pesos maneje cuatro modalidades de entrada y dos modalidades de salida. Se publicó el 27 de octubre de 2026 como una rama de la familia LFM3 de seis modelos de Liquid, sin un anuncio propio ni una evaluación independiente. La ficha indica 2,17B parámetros, un contexto de 32.768 tokens y la LFM Open License v1.0.

• Arquitectura — 2,17B denso any-to-any frente a 9,3B totales con 2,7B activos por token, MoE disperso más un Talker de voz separado.

• Entradas — texto, imagen, vídeo con banda sonora, audio de 16 kHz frente a solo audio y texto.

• Salida de voz — 24 kHz mediante LiquidCodec, transmitido más rápido que en tiempo real frente a 44,1 kHz mono mediante el Talker, con voces predefinidas con nombre y clonación.

• Idiomas — 16 idiomas de texto y 19 configuraciones regionales de voz frente a chino e inglés, incluidos los dialectos.

• Contexto — 32,768 tokens, indicados en la ficha, frente a ninguna ventana de contexto indicada en la ficha; la configuración publicada describe un presupuesto de posición de 131,072 tokens.

• Licencia — LFM Open License v1.0 con un umbral de ingresos frente a MIT.

• Huella — unos 4,3 GB en BF16 frente a unos 21 GB en BF16, con la cuantización de expertos en int8 reduciéndola a unos 12,5 GB.

Las dos filas que realmente se superponen

Las tablas comparativas entre laboratorios son en su mayoría puro teatro, porque cada laboratorio elige su propio sistema de evaluación. Aquí la coincidencia es lo bastante pequeña como para enunciarla con exactitud: dos conjuntos de datos aparecen en los informes de ambos proveedores, y ambos son tareas de audio en las que la metodología es razonablemente estándar.

• Tasa de error de palabras en ASR en inglés — 6,36 para LFM3-Omni-2B frente a 4,36 para Ming-3.0-audio-tiny. Cuanto más bajo, mejor, y Ming está por delante por dos puntos absolutos, aproximadamente un tercio menos de error.

• VoiceBench — 64,73 frente a 74,29. Ming está 9,6 puntos por delante en seguimiento de instrucciones habladas y comportamiento como asistente de voz.

En las tareas que ambos modelos miden, gana el especialista, y ese es el resultado esperado. Ming dedica 2.7 mil millones de parámetros activos a oír y hablar. LFM3-Omni-2B dedica 2.17 mil millones a oír, hablar, ver y leer a la vez. Un modelo que no divide su capacidad en cuatro vías debería ser mejor en la única vía en la que trabaja, y lo es.

Lo que Ming reporta que LFM3-Omni-2B no reporta es una lista más larga: tasa de error de caracteres en ASR en chino 3,79, tasa de error de caracteres en dialecto 10,29, BigBenchAudio 99,20, MMAU 75,90, MMAU-Pro 56,42, precisión en audio largo 56,39 y BFCL-v3 Audio 79,80. Son cifras sólidas para un modelo de este tamaño, y describen un sistema que se evaluó específicamente en razonamiento de audio en lugar de como una columna de una tabla multimodal. Los equivalentes más cercanos de la ficha de Liquid son MMAR de comprensión de audio 51,40 y una puntuación de llamada a herramientas de 52,20, pero el benchmark de llamada a herramientas no es la misma prueba que BFCL-v3 Audio, y poner esas dos cifras una al lado de la otra sería el tipo de comparación que este blog busca evitar.

El punto de referencia que este enfrentamiento no puede zanjar.

La pregunta interesante no es qué modelo oye mejor. Es si un único modelo omni puede hacer razonamiento audiovisual que un pipeline no puede. Ming-3.0-audio-tiny no tiene ninguna vía de visión: no puede mirar un fotograma y describir lo que está pasando, y no puede responder una pregunta sobre la banda sonora de un vídeo mientras ve el vídeo. LFM3-Omni-2B puede hacer ambas cosas, y Liquid informa 70.09 en Daily-Omni y 47.10 en WorldSense para exactamente esa capacidad.

Esos números no tienen equivalente en la ficha de Ming porque Ming no intenta realizar la tarea. Así que la comparación se convierte en una cuestión de alcance más que de calidad: si tu aplicación es una interfaz de voz con un flujo de audio, Ming es el oído más capaz y el menor cómputo activo. Si tu aplicación es una cámara más un micrófono más un altavoz, LFM3-Omni-2B hace algo que Ming no puede hacer a ningún tamaño, y la brecha de audio es el precio que pagas por la cámara.

El costo no es trivial. Dos puntos de tasa de error de palabras en inglés en una interfaz de voz son la diferencia entre una transcripción que puedes leer por encima y una que tienes que corregir. Si la ruta de audio es el producto principal y la visión es un extra, la recomendación honesta es usar Ming para el audio y un modelo de visión separado para los fotogramas, aunque eso implique dos checkpoints.

La factura de memoria decide más despliegues que el benchmark.

Ming-3.0-audio-tiny necesita aproximadamente 21 GB de pesos en BF16, o unos 12,5 GB con cuantización int8 de expertos, y un despliegue completo con salida de audio puede dividir el Thinker y el Talker entre dos GPU. LFM3-Omni-2B necesita unos 4,3 GB. Esa no es una diferencia pequeña: es la diferencia entre una sola GPU de gama media y una máquina que hay que tener en cuenta al planificar, y es la diferencia entre un teléfono y un servidor.

La comparación se invierte según lo que se esté midiendo. Los 2,7B de parámetros activos de Ming lo hacen económico por token a pesar de su tamaño total, que es precisamente la razón de ser de un MoE disperso. LFM3-Omni-2B es denso, así que cada token cuesta los 2,17B completos — pero el modelo entero cabe en una fracción de la memoria y se ejecuta en hardware que Ming no puede tocar.

Aquí es donde la economía del enrutamiento se vuelve concreta. OrcaRouter transfiere los precios de lista de los proveedores sin margen de beneficio, de modo que un especialista más barato y un generalista más caro pueden convivir detrás de una sola clave sin un segundo contrato, y un cambio de precio de un proveedor llega a tu factura el mismo día en lugar de en la siguiente renovación. Ni LFM3-Omni-2B ni Ming-3.0-audio-tiny están hoy en nuestro catálogo, así que esto es una afirmación sobre cómo la plataforma fija los precios, no una garantía de que puedas llamar a cualquiera de los dos modelos a través de nosotros ahora mismo. Pero el patrón que crean estos dos modelos —un especialista barato para el caso común, un generalista para el difícil— es exactamente el patrón para el que sirve un enrutador.

La cuestión de la licencia, que es la verdadera bifurcación

Ming-3.0-audio-tiny tiene licencia MIT. LFM3-Omni-2B está bajo la LFM Open License v1.0, un acuerdo personalizado con un umbral de ingresos que determina si el uso comercial requiere un acuerdo por separado. Para un prototipo de investigación, la diferencia es académica. Para un producto, es lo primero que preguntará el departamento legal, y puede anular una diferencia de rendimiento en benchmarks de cualquier tamaño.

La licencia MIT también explica por qué Ming ya cuenta con adaptaciones comunitarias: compilaciones para MLX, cuantizaciones GGUF y una demo de asistente de voz para ROCm. Existen porque la licencia las facilitó, y son la razón por la que Ming se puede desplegar hoy en hardware que Liquid nunca ha probado. LFM3-Omni-2B se publicó el 27 de octubre con 83 descargas, y tiene una única ruta de servicio documentada, solo para salida de texto. Su ecosistema aún no existe.

La asimetría práctica es evidente. En precisión de audio, eficiencia de memoria por parámetro activo, cobertura de lenguas para chino y dialectos, clonación de voz y libertad de licencias, Ming-3.0-audio-tiny es la opción más segura hoy. En cobertura de modalidades y huella bruta, LFM3-Omni-2B es el único de los dos que puede mirar una habitación y hablar sobre ella.

¿Quién debería recoger qué?

Elige Ming-3.0-audio-tiny si estás creando un producto de voz —transcripción, diálogo hablado, clonación de voz, análisis de llamadas— y o no necesitas visión o estás dispuesto a combinarlo con un modelo visual independiente. La licencia MIT, las cuantizaciones existentes y la ventaja de dos puntos en ASR hacen que sea el despliegue de menor riesgo, y su arquitectura dispersa mantiene bajo el coste por token a pesar de los 9.3B totales.

Elige LFM3-Omni-2B si el dispositivo tiene cámara y micrófono y la restricción es la memoria. Un checkpoint de 4,3 GB que ve, oye y habla es una categoría de objeto distinta de un especialista en audio de 21 GB, y ninguna precisión de ASR, por alta que sea, compensa un modelo que no quepa. Acepta que estás comprando amplitud, no profundidad, y que cada cifra de audio asociada a él está reportada por el proveedor y no ha sido reproducida.

Lo que no te dice la ficha de ninguno de los dos modelos es cómo se comportan en la misma aplicación. Nadie fuera de las dos empresas ha realizado esa prueba —mismo audio, mismo dispositivo, mismo presupuesto de latencia—. Hasta que se haga, la decisión se basa en el alcance y las licencias, que hoy se pueden conocer, y no en la precisión, que no.