LFM3-Omni-2B vs Ming-3.0-audio-flash: un teléfono contra un rack

La lista de materiales decide esta comparación antes de que los benchmarks tengan algo que decir. Ming-3.0-audio-flash tiene 126 mil millones de parámetros, aproximadamente 259 GB de pesos bfloat16 y un perfil de servicio de referencia construido sobre H800 de 80 GB en paralelismo de tensores: cuatro en la configuración de 128K, ocho cuando el audio largo se queda sin memoria. LFM3-Omni-2B tiene 2170 millones de parámetros, se distribuye como pesos BF16 ordinarios y está diseñado para ejecutarse en un teléfono. Ambos aceptan audio de entrada. Ambos pueden responder en voz alta. Uno de ellos es un activo de centro de datos y el otro es una función que puedes incluir en una aplicación, y casi todo lo demás sobre ellos se deriva de ese único hecho.

También llegaron sin mucha ceremonia. Liquid AI anunció la familia LFM3 el 27 de octubre de 2026, con LFM3-Omni-2B como uno de los seis modelos de clase 2B en una sola publicación; su repositorio era público desde el 21 de octubre. inclusionAI subió Ming-3.0-audio-flash el 3 de septiembre de 2026 con casi nada de documentación y no publicó una ficha de modelo real hasta el 19 de octubre, seis semanas después. Ninguno de los proveedores cuenta con un benchmark independiente, y ninguno de los modelos tiene un endpoint alojado que se pueda alquilar por token.

Dos formas de ponerle una boca a un modelo

La diferencia arquitectónica no radica en el tamaño, sino en dónde reside el audio.

Ming-3.0-audio-flash mantiene el audio como audio durante el mayor tiempo posible. Un codificador al estilo Whisper —32 capas, anchura 1.280, 128 bins mel— convierte el sonido en una representación que alimenta un backbone de mezcla de expertos de 42 capas con 512 expertos y 8 seleccionados por token. El habla regresa a través de un módulo Talker opcional con voces chinas integradas y prompting de voz mediante clips de referencia. El contexto declarado es de 128K, una cifra que la configuración no declaraba hasta que un commit del 13 de octubre elevó los embeddings de posición de 8.192 a 131.072.

LFM3-Omni-2B lo tokeniza todo en un único flujo. El vídeo se muestrea a 2 fotogramas por segundo, cada parche de imagen de 2×2 se convierte en un token de lenguaje, y el audio pasa por un codificador de audio causal LFM3 hacia el mismo vocabulario de 128.000 tokens que el texto. La salida de voz es LiquidCodec a 24 kHz; la entrada de audio es mono a 16 kHz. El modelo completo cabe en una ventana de 32K.

Ese es un argumento de compresión, y tiene dos caras. El enfoque de LFM3-Omni-2B es lo que hace viable un modelo de 2.17B en un teléfono móvil: todo es el mismo tipo de token, así que todo resulta igual de barato. El enfoque de Ming es lo que permite que un modelo de 126B mantenga en mente una grabación de una hora sin descartar la prosodia. Ninguno de los dos sale gratis.

Las cifras que vale la pena comparar

• Parámetros totales — LFM3-Omni-2B 2,17B denso; Ming-3.0-audio-flash 126B en una mezcla de 512 expertos.

• Parámetros activos — aproximadamente 2,17B frente a 6,5B por paso de inferencia.

• Pesos en disco — unos pocos gigabytes frente a aproximadamente 259 GB de fragmentos en bfloat16 más el Talker.

• Hardware de referencia: un teléfono, un portátil o una placa edge frente a cuatro H800 de 80 GB en paralelo de tensores para el perfil de 128K, y ocho cuando el audio largo se queda sin memoria.

• Contexto — 32K tokens que cubren entrada y salida, frente a un 128K declarado.

• Salida de voz — LiquidCodec de 24 kHz con 19 locales de voz; Ming devuelve texto o texto más voz a través del Talker, con voces integradas y clonación mediante clips de referencia.

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

• Precio — no hay precio por token en ninguno de los dos lados, porque ninguno de los dos proveedores vende inferencia para estos checkpoints.

Los parámetros activos no son un velocímetro

Es tentador leer «6.5B activos» junto a «2.17B densos» y concluir que Ming solo es tres veces más caro por token. Esa lectura es errónea en ambos sentidos.

Una mezcla de expertos consume ancho de banda de memoria, no solo aritmética. Servir 6.5B parámetros activos de 126B implica mover los pesos de los expertos a la caché en cada capa y, con tamaño de lote uno —el régimen en el que vive un asistente de voz—, eso se acerca a leer una gran fracción de 259 GB por cada token. El perfil de ocho H800 no es una recomendación para obtener el máximo rendimiento; es lo que hace falta para mantener los pesos. LFM3-Omni-2B con 2.17B tiene el problema opuesto: no hay dividendo de dispersión, pero tampoco nada que intercambiar, que es exactamente el perfil que hace plausible un teléfono.

La consecuencia práctica es que los dos modelos tienen curvas de escalado diferentes. Ming resulta más barato por token a medida que se agranda el lote, lo que encaja con las canalizaciones de transcripción que procesan una cola de llamadas grabadas. LFM3-Omni-2B se mantiene aproximadamente constante por enunciado, lo que encaja con una conversación en vivo donde el tamaño del lote es uno y el presupuesto de latencia es de unos cientos de milisegundos.

Qué compran los 126.000 millones

inclusionAI publica sus evaluaciones como imágenes en lugar de tablas, lo cual es una declaración en sí misma, pero las cifras son legibles. En su propio arnés de evaluación, Ming-3.0-audio-flash reporta una tasa de error promedio de ASR en chino de 3.45, en inglés de 3.69, un promedio de dialectos de 9.40 entre cantonés, shanghainés, hunanés y hokkien, y una tasa de error de diarización de 8.58 en AISHELL-4. Las filas de razonamiento de audio incluyen BigBenchAudio con 99.40 y MMAU con 82.00. Estas son cifras de proveedor en un arnés de proveedor, con asteriscos que marcan las filas autoevaluadas. Nadie las ha reproducido.

La debilidad que el proveedor imprimió de todos modos es el razonamiento sobre audio largo: una puntuación de 12,31 en Long-audio Chain y de 41,12 en LongAudioSpan, ambas muy por detrás de los modelos alojados en su propia comparativa. Así que el 126B no es uniformemente mejor "entendiendo audio". Es mejor para oír con precisión qué se dijo, con qué acento y por qué hablante — y bastante menos bueno para mantener en mente una grabación larga y razonar sobre ella.

Lo que compran los 2.170 millones

LFM3-Omni-2B reporta una tasa de error de palabras en ASR en inglés de 6.36 y una tasa multilingüe de 6.72, un UTMOSv2 de TTS de 3.80, VoiceBench 64.73, MMAR 51.40 y una puntuación de invocación de herramientas de 52.20. Su entrada de audio está limitada a 16 kHz mono, lo cual está bien para voz y es inútil para música.

Resiste la tentación de comparar 6.36 con el 3.69 de Ming. No son la misma prueba. El promedio de inglés de Ming se calcula sobre su propio conjunto de benchmarks de inglés; el 6.36 de Liquid es un único número de una evaluación, ejecutada con sus propios prompts y decodificación codiciosa. La única afirmación defendible es direccional: es probable que el ASR de Ming sea mejor, porque un modelo nativo de audio de 126B con una torre estilo Whisper tiene más margen para ser mejor, y porque el manejo de dialectos es lo que inclusionAI eligió destacar. Si es mejor por dos puntos o por medio punto es imposible saberlo a partir de estas dos fichas.

Lo que compra LFM3-Omni-2B no es precisión. Es que el modelo se ejecute donde está el micrófono. Para un flujo de grabación de llamadas, eso es irrelevante. Para cualquier cosa con un usuario en vivo, cambia la arquitectura: sin subida, sin ida y vuelta, sin factura por minuto y sin que el audio salga del dispositivo.

La licencia es la diferencia silenciosa.

Ming-3.0-audio-flash es MIT. Eso es de lo más permisivo que existe: uso comercial, modificación, redistribución, sin prueba de ingresos, sin restricción de campo de uso. LFM3-Omni-2B se distribuye bajo la LFM Open License v1.0, la licencia de familia que Liquid aplica a toda la familia LFM3, que es una licencia con umbral de ingresos en lugar de una licencia de código abierto aprobada por OSI. Léela antes de construir un producto sobre ella. Para una startup por debajo del umbral, la diferencia es académica; para una empresa por encima, MIT vale dinero real.

La integración es donde el papeleo sale a relucir.

La historia de servicio de Ming sigue en curso. El marco de lanzamiento de inclusionAI daba a entender que ya se podía servir la familia con vLLM-Omni hoy mismo; lo que el repositorio muestra en realidad son pull requests abiertos: uno que cubre el checkpoint tts-tiny y otro que añade soporte para audio-flash. Hasta que esos cambios se integren, ejecutar Ming-3.0-audio-flash implica usar Transformers en una máquina con suficiente memoria, o bien la vía SGLang-Omni que documenta el proveedor. Es factible, pero no es un `pip install`.

La historia de LFM3-Omni-2B es la contraria: una tarjeta de Hugging Face que documenta la receta de ajuste fino, y una compilación de Ollama que ya circula. Esa compilación declara un contexto de 125K frente a los 32K de la tarjeta, lo que indica que el empaquetado avanzó más rápido que la documentación — un detalle pequeño que importa si pensabas alimentarlo con audio largo.

Si ninguna de estas dos tiene la forma adecuada para ti, la alternativa es alquilar la capacidad en lugar de poseerla, y esa es una línea presupuestaria distinta. OrcaRouter es el lado alojado de esa elección: una sola API para más de 200 modelos con un 0 % de recargo sobre el precio de lista del proveedor, con conmutación por error automática cuando un proveedor se cae, y ni LFM3-Omni-2B ni Ming-3.0-audio-flash están hoy en ese catálogo. Ese es el planteamiento honesto: este artículo trata de dos modelos que descargas, no de dos a los que puedes llamar.

¿Quién debería elegir cuál?

Elige Ming-3.0-audio-flash si tienes GPU que no estés usando para otra cosa, tu audio es chino o inglés con acentos y varios hablantes, y tu trabajo consiste en producir una transcripción precisa o una respuesta razonada sobre una grabación larga. La licencia MIT lo convierte en la opción más segura de las dos para crear un producto comercial, y el contexto de 128K lo convierte en el único del par que puede contener una reunión en una sola pasada.

Elige LFM3-Omni-2B si el audio se genera en el borde, el usuario está esperando y la respuesta debe devolverse por voz de inmediato. Acepta que obtienes la precisión de un modelo más pequeño, una lista de idiomas más limitada y una licencia con una cláusula de ingresos, a cambio de un despliegue que cabe en una aplicación.

La pregunta que hay que hacer antes de elegir cualquiera de las dos: ¿adónde va el audio? Si la respuesta es «a ninguna parte», la comparación ha terminado.