Ming-3.0-audio-flash vs Qwen3.8-Omni-Flash: la propia tabla del proveedor ya eligió a un ganador

Hay una tabla comparativa que resuelve la mayor parte de este debate, y fue publicada por uno de los dos proveedores. En las propias imágenes de evaluación de inclusionAI para Ming-3.0-audio-flash, la columna de referencia es Qwen3.8-Omni-Flash —el modelo omni cerrado de A​libaba, abierto a clientes de API desde el 18 de septiembre de 2026— y los resultados van en ambas direcciones. Ming gana las filas de dialectos por un amplio margen y pierde las filas de razonamiento con audio largo por un factor de casi tres. Eso es inusualmente útil, porque significa que la pregunta no es "qué modelo es mejor" sino "cuál de estos dos modos de fallo puede tolerar tu carga de trabajo". Ming-3.0-audio-flash es el checkpoint de audio-lenguaje de inclusionAI de 126B en total y 6,5B activos, subido el 3 de septiembre de 2026 y documentado el 19 de octubre; Qwen3.8-Omni-Flash es un modelo alojado, de solo salida de texto, con un contexto de un millón de tokens y sin pesos. Uno es tuyo, el otro lo alquilas, y sus fortalezas publicadas no se solapan mucho. Los fallos de IA documentados y las disputas sobre benchmarks de proveedores que subyacen a comparaciones como esta se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputado.

Dos formas de leer una hora de audio

Ambos modelos aceptan audio y texto y devuelven texto. Esa frase es cierta para ambos y engañosa respecto a ambos, porque la escala a la que operan es completamente distinta.

Qwen3.8-Omni-Flash acepta texto, imágenes, audio y video como entrada, procesa hasta una hora de audio y video continuos dentro de una sola llamada, tiene un contexto de un millón de tokens (entrada máxima de alrededor de 991 K, salida de hasta 131 K con un presupuesto de razonamiento de 262 K) y responde solo en texto. El planteamiento de lanzamiento de Alibaba fue una factura más que una puntuación: un 98 % más barato por hora de entrada de audio que Qwen3.5-Omni-Plus, un 93 % más barato por hora de audio y video, con cifras por hora obtenidas al calcular el precio de una muestra de dos minutos y multiplicarlo por treinta, con el video muestreado a 720p y un fotograma por segundo. El precio internacional es de 0,15 USD por millón de tokens de entrada, 0,016 USD en caché y 0,47 USD de salida.

Ming-3.0-audio-flash acepta audio y texto, devuelve texto o texto más voz mediante un Talker opcional, y tiene un contexto de 128K — una cifra que su configuración no declaraba hasta el 13 de octubre, cuando un commit de un solo archivo elevó max_position_embeddings de 8.192 a 131.072. Su perfil de servicio de referencia es el paralelismo de tensores en ocho H800 de 80 GB y la descarga es de aproximadamente 259 GB. No hay precio por token porque no hay endpoint.

Así que la unidad de Qwen es la llamada; la unidad de Ming es el nodo. Esa es la primera decisión y normalmente decide el resto.

Lo que dice la propia tabla de inclusionAI, fila por fila

Cada número de esta sección proviene de los tres PNG del repositorio Ming en la carpeta assets/ — la propia ejecución de inclusionAI, con su propio harness, con asteriscos que marcan las filas que evaluó por sí misma. Nada de esto ha sido reproducido. Léalo como un proveedor que se describe a sí mismo en público, lo cual es más de lo que hacen la mayoría de los proveedores.

• Promedio de ASR en chino — Ming 3.45 de tasa de error frente a Qwen3.8-Omni-Flash 3.54 y Gemini 3.8 Flash 9.83. Una victoria ajustada.

• Promedio de ASR en inglés — 3.69 frente a 4.02 y 5.05. También estrecho.

• Promedio de los dialectos: 9,40 frente a 11,58. Más amplia, y es la afirmación principal: cantonés 4,09 frente a 4,76; shanghainés 11,15 frente a 21,10; hunanés 8,76 frente a 17,11; hokkien 12,84 frente a 26,32.

• Hubei — 9,46 frente a 7,75. Qwen gana esta fila e inclusionAI lo publicó de todos modos, que es la principal razón para confiar en el resto de la tabla.

• Diarización de hablantes, AISHELL-4 — Ming 8.58 de tasa de error de diarización frente a Qwen 2.80. En AMI, 25.29 para Ming frente a 11.16 para MiMo-V2.6 Pro.

• Puntuación de la cadena de audio largo: Ming 12.31 frente a Q​wen 34.54, el modo de pensamiento de Q​wen 48.70 y Gemini 3.8 Flash 49.63. Esta es la brecha cuádruple, y se da en una métrica que el proveedor decidió publicar.

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

• Filas destacadas de razonamiento de audio: Ming obtiene 99.40 en BigBenchAudio y 82.00 en MMAU; la invocación de herramientas en BFCL-v3 Audio es de 81.40 frente a 86.68 de Gemini 3.8 Flash.

El patrón no es aleatorio. Ming es más fuerte cuando la tarea consiste en «qué se dijo exactamente, incluido el acento», y más débil cuando la tarea consiste en «mantener en mente una grabación larga y razonar sobre ella». Q​wen es lo contrario: una ventana de un millón de tokens y un presupuesto de razonamiento son exactamente la maquinaria para la segunda tarea, y nada en sus materiales de lanzamiento sugiere un ajuste dialecto por dialecto.

La alegación sobre el dialecto es todo el caso, y es más limitada de lo que parece.

Si hay algo que sacar de la tabla de proveedores, es esto: la brecha que resiste el escrutinio está en el reconocimiento de voz en chino dialectal y con acento, no en la inteligencia de audio general. El shanghainés, con 11,15 frente a 21,10, presenta aproximadamente la mitad de la tasa de error. El hunanés, con 8,76 frente a 17,11, aproximadamente la mitad. El hokkien, con 12,84 frente a 26,32, aproximadamente la mitad. Son diferencias grandes y consistentes en cinco filas de dialectos, y son el tipo de resultado que proviene de una decisión de entrenamiento y no de un truco de benchmark.

Las salvedades importan tanto como las cifras. Los conjuntos de prueba son una selección propia del proveedor; el arnés de pruebas es del proveedor; los valores de referencia para Qwen3.8-Omni-Flash fueron producidos por inclusionAI ejecutando el modelo de A​libaba, no por A​libaba. Que un competidor puntúe el modelo de un rival es una práctica normal y también es la configuración con más probabilidades de producir accidentalmente un resultado halagador. La única fila que va en la dirección opuesta, Hubei, es la evidencia más contundente de que la tabla no se editó sin más.

Y la brecha cuádruple en audio largo no es un error de redondeo que se pueda sortear en el diseño. Si tu carga de trabajo es una llamada de resultados de noventa minutos y necesitas un resumen con referencias cruzadas, las propias cifras de Ming dicen que el modo de pensamiento de Q​wen es la mejor herramienta por un factor de cuatro en la métrica que mide exactamente eso.

La disponibilidad decide más que los benchmarks

Qwen3.8-Omni-Flash tiene un solo hogar: la plataforma Qianwen de Alibaba y Alibaba Cloud Model Studio, con endpoints separados para internacional y China continental, facturación separada y moneda separada. Responde a una solicitud con formato de OpenAI, así que el código del cliente en su mayoría se puede portar, pero el endpoint no es portable y no hay un destino de conmutación por error. No se han publicado los pesos y no hay ninguno anunciado. OrcaRouter no lo sirve.

Ming-3.0-audio-flash no tiene ningún endpoint. Son pesos con licencia MIT con una model card, un repositorio de GitHub creado el 15 de octubre, archivos YAML de despliegue para tres perfiles, dos clientes de ejemplo y una guía de voz de 150 KB. El proyecto vLLM-Omni admite la generación anterior de Ming y tiene un pull request abierto para el modelo TTS Ming de 7.9B, pero no hay nada fusionado para este checkpoint de audio-lenguaje; la ruta práctica hoy es Transformers con trust_remote_code=True, lo cual está bien para evaluación y es escaso para un servicio.

Ponga esos dos párrafos uno al lado del otro y la disyuntiva es brutal. Q​wen ofrece un endpoint de producción sin alternativa de respaldo y sin visibilidad. Ming ofrece un checkpoint con visibilidad total y sin endpoint. Un equipo con un nodo de GPU y un requisito de cumplimiento elige Ming. Un equipo con una fecha límite elige Q​wen y asume el riesgo de fuente única.

Cómo se ve un camino intermedio

Existe una tercera opción que ningún proveedor documenta, y merece la pena explicarla porque es lo que la mayoría de los equipos hace en realidad: usar el modelo alojado para el trabajo en el que es mejor y los pesos abiertos para el trabajo en el que son mejores, en el mismo pipeline.

Concretamente, una organización de soporte que gestiona llamadas en mandarín con hablantes de dialectos. Llega el audio y un clasificador ligero decide si el habla del cliente es estándar o tiene un acento muy marcado. El audio estándar se envía a Qwen3.8-Omni-Flash para un resumen de contexto largo con razonamiento sobre toda la llamada. El audio con acento se envía a Ming-3.0-audio-flash para su transcripción, y la transcripción vuelve al pipeline de texto para el resumen. Ninguno de los modelos ve toda la carga de trabajo; ambos ven la parte que ganan.

Esa arquitectura supone más trabajo que elegir a un solo proveedor, y es la única que utiliza la tabla de proveedores con honestidad, porque la propia tabla indica que los dos modelos fallan con entradas distintas.

Dónde se ubica OrcaRouter, exactamente

En este artículo no ofrecemos ninguno de los dos modelos. Qwen3.8-Omni-Flash está alojado por Alibaba y no está en nuestro catálogo; Ming-3.0-audio-flash es de pesos abiertos y no está en nuestro catálogo. Un lector que se registre esperando cualquiera de los dos se llevará una decepción, así que es mejor decirlo aquí que al final de un formulario de registro.

Lo que el pipeline de clasificación y resumen anterior necesita es exactamente lo que proporciona un router: una única clave para el lado de texto de la cadena, una regla de enrutamiento que envíe el audio estándar por un camino y el audio con acento por otro, y una ruta de conmutación por error cuando un proveedor se degrada. Una sola API para más de 200 modelos con un 0 % de margen —el precio de lista del proveedor se traslada tal cual, de modo que una rebaja de precio de un vendedor está activa en nuestro lado el mismo día— es algo más pequeño de operar que tres contratos y dos sistemas de facturación, y la conmutación por error automática es la respuesta al riesgo de fuente única que conlleva cualquier modelo omni alojado. El DSL de enrutamiento es donde realmente se expresa un pipeline de voz de dos ramas. No es, ni puede ser, un sustituto de un checkpoint de 259 GB.

Para dos tipos de equipo

Si este trimestre estás creando un producto que incluya audio y no tienes presupuesto para GPU, Qwen3.8-Omni-Flash es la respuesta, con la salvedad de que estás alquilando a un único proveedor y deberías escribir tu cliente de modo que el endpoint sea un valor de configuración y no una constante. Su ventana de contexto y su presupuesto de razonamiento son genuinamente mayores que cualquier cosa que ofrezca la alternativa de pesos abiertos.

Si estás construyendo infraestructura —un servicio de transcripción, una pipeline de cumplimiento on-premise, cualquier cosa en la que un endpoint de proveedor sea un riesgo en lugar de una comodidad—, Ming-3.0-audio-flash es la opción abierta seria, y las cifras de dialectos son la razón. Presupuesta un nodo, presupuesta un mes de integración y lee las filas de diarización antes de prometer a nadie etiquetas de hablante.

La conclusión poco glamurosa es que los dos modelos son menos rivales que una división del trabajo que ninguno de los dos proveedores tiene incentivos para describir. inclusionAI publicó la tabla que lo demuestra. Eso vale más que una publicación de lanzamiento.