LFM3-Omni-2B vs Ming-3.0-audio-flash : un téléphone contre un rack

La liste des composants décide de cette comparaison avant même que les benchmarks n’aient voix au chapitre. Ming-3.0-audio-flash compte 126 milliards de paramètres, soit environ 259 Go de poids bfloat16, et un profil de service de référence construit sur des H800 de 80 Go en parallélisme tensoriel — quatre dans la configuration 128K, huit lorsque l’audio long épuise la mémoire. LFM3-Omni-2B compte 2,17 milliards de paramètres, est livré sous forme de poids BF16 ordinaires et est conçu pour fonctionner sur un téléphone. Les deux acceptent l’audio en entrée. Les deux peuvent répondre à voix haute. L’un est un actif de centre de données et l’autre est une fonctionnalité que vous pouvez intégrer à une application, et presque tout le reste à leur sujet découle de ce simple fait.

Eux aussi sont arrivés sans grande cérémonie. Liquid AI a annoncé la famille LFM3 le 27 octobre 2026, avec LFM3-Omni-2B parmi six modèles de classe 2B, dans une seule publication ; son dépôt était public depuis le 21 octobre. inclusionAI a mis en ligne Ming-3.0-audio-flash le 3 septembre 2026 avec presque aucune documentation et n’a publié une véritable fiche modèle que le 19 octobre, six semaines plus tard. Aucun des deux fournisseurs ne dispose d’un benchmark indépendant, et aucun des deux modèles n’a de point de terminaison hébergé que l’on peut louer au token.

Deux façons de mettre une bouche sur un modèle

La différence architecturale ne tient pas à la taille. Elle tient à l'endroit où réside l'audio.

Ming-3.0-audio-flash conserve l’audio sous forme audio le plus longtemps possible. Un encodeur de style Whisper — 32 couches, largeur 1 280, 128 bandes mel — transforme le son en une représentation qui alimente un backbone mixture-of-experts de 42 couches, avec 512 experts et 8 sélectionnés par token. La parole est restituée via un module Talker optionnel, doté de voix chinoises intégrées et d’un prompting vocal à partir d’un clip de référence. Le contexte déclaré est de 128K, un chiffre que la configuration ne revendiquait pas avant qu’un commit du 13 octobre ne fasse passer les embeddings de position de 8 192 à 131 072.

LFM3-Omni-2B tokenise tout en un seul flux. La vidéo est échantillonnée à 2 images par seconde, chaque patch d’image 2×2 devient un token de langage, et l’audio passe par un encodeur audio causal LFM3 vers le même vocabulaire de 128 000 tokens que le texte. La sortie vocale est LiquidCodec à 24 kHz ; l’entrée audio est mono à 16 kHz. L’ensemble du modèle tient dans une fenêtre de 32K.

C’est un argument de compression, et il joue dans les deux sens. L’approche de LFM3-Omni-2B est ce qui rend un modèle de 2,17B viable sur un téléphone — tout relève du même type de token, donc tout relève du même type de coût réduit. L’approche de Ming est ce qui permet à un modèle de 126B de garder en mémoire un enregistrement d’une heure sans en écarter la prosodie. Aucune des deux n’est sans coût.

Les chiffres qui méritent d’être mis côte à côte

• Paramètres totaux — LFM3-Omni-2B 2,17 B dense ; Ming-3.0-audio-flash 126 B dans un mélange à 512 experts.

• Paramètres actifs — environ 2,17 Md contre 6,5 Md par étape d’inférence.

• Poids sur disque — quelques gigaoctets contre environ 259 Go de fragments bfloat16, plus le Talker.

• Matériel de référence — un téléphone, un ordinateur portable ou une carte edge face à quatre H800s de 80 Go en parallélisme tensoriel pour le profil 128K, huit lorsque l’audio long épuise la mémoire.

• Contexte — 32K tokens couvrant l’entrée et la sortie, contre 128K déclarés.

• Sortie vocale — LiquidCodec 24 kHz avec 19 locales vocales ; Ming renvoie du texte ou du texte accompagné de parole via le Talker, avec des voix intégrées et le clonage à partir d’un extrait de référence.

• Licence — LFM Open License v1.0, une licence à seuil de revenus, contre MIT.

• Prix — aucun prix par jeton d'un côté comme de l'autre, car aucun des deux fournisseurs ne vend d'inférence pour ces checkpoints.

Les paramètres actifs ne sont pas un compteur de vitesse

Il est tentant de lire « 6,5 B actifs » à côté de « 2,17 B denses » et d’en conclure que Ming ne coûte que trois fois plus cher par token. Cette lecture est erronée dans les deux directions.

Un mélange d'experts consomme de la bande passante mémoire, pas seulement du calcul. Servir 6,5 B de paramètres actifs sur 126 B implique de déplacer les poids des experts dans le cache à chaque couche, et avec une taille de lot de un — le régime dans lequel vit un assistant vocal — cela revient presque à lire une grande fraction de 259 Go pour chaque token. Le profil à huit H800 n'est pas une recommandation pour le débit de pointe ; c'est ce qu'il faut pour contenir les poids. LFM3-Omni-2B à 2,17 B a le problème inverse : aucun gain de parcimonie, mais rien à permuter non plus, ce qui correspond exactement au profil qui rend une exécution sur téléphone envisageable.

La conséquence pratique est que les deux modèles ont des courbes de scaling différentes. Ming coûte moins cher par token à mesure que la taille du lot augmente, ce qui convient aux pipelines de transcription qui traitent une file d’appels enregistrés. LFM3-Omni-2B reste à peu près constant par énoncé, ce qui convient à une conversation en direct où la taille du lot est de un et le budget de latence est de quelques centaines de millisecondes.

Ce que les 126 milliards achètent

inclusionAI publie ses évaluations sous forme d’images plutôt que de tableaux, ce qui constitue en soi une sorte de déclaration, mais les chiffres sont lisibles. Sur son propre harnais, Ming-3.0-audio-flash rapporte un taux d’erreur moyen d’ASR en chinois de 3,45, en anglais de 3,69, une moyenne de 9,40 pour les dialectes (cantonais, shanghaïen, hunan et hokkien), ainsi qu’un taux d’erreur de diarisation de 8,58 sur AISHELL-4. Les lignes de raisonnement audio incluent BigBenchAudio à 99,40 et MMAU à 82,00. Ce sont des chiffres de fournisseur sur un harnais de fournisseur, avec des astérisques signalant les lignes auto-évaluées. Personne ne les a reproduits.

La faiblesse que le fournisseur a tout de même publiée concerne le raisonnement sur l’audio long : un score de 12,31 à Long-audio Chain et de 41,12 à LongAudioSpan, tous deux bien en retrait des modèles hébergés dans sa propre comparaison. Ainsi, le 126B n’est pas uniformément meilleur pour « comprendre l’audio ». Il est meilleur pour entendre précisément ce qui a été dit, avec quel accent, par quel locuteur — et nettement moins bon pour garder en tête un long enregistrement et raisonner à partir de celui-ci.

Ce que permettent d’acheter les 2,17 milliards

LFM3-Omni-2B rapporte un taux d’erreur de mots en ASR anglais de 6,36 et un taux multilingue de 6,72, un UTMOSv2 TTS de 3,80, VoiceBench 64,73, MMAR 51,40 et un score d’appel d’outils de 52,20. Son entrée audio est limitée à 16 kHz mono, ce qui convient à la parole mais est inutile pour la musique.

Résistez à l’envie de comparer 6,36 aux 3,69 de Ming. Ce ne sont pas les mêmes tests. La moyenne anglaise de Ming est calculée sur son propre ensemble de benchmarks anglais ; le 6,36 de Liquid est un seul chiffre issu d’une seule évaluation, exécutée avec ses propres prompts et un décodage glouton. La seule affirmation défendable est directionnelle : l’ASR de Ming est probablement meilleur, car un modèle natif audio de 126B doté d’une tour de type Whisper a plus de marge pour être meilleur, et parce que la gestion des dialectes est l’élément sur lequel inclusionAI a choisi de mettre en avant. Savoir s’il est meilleur de deux points ou d’un demi-point est impossible à déterminer à partir de ces deux fiches.

Ce que LFM3-Omni-2B apporte, ce n'est pas de la précision. C'est que le modèle tourne là où se trouve le microphone. Pour un pipeline d'enregistrement d'appels, c'est sans importance. Pour tout ce qui implique un utilisateur en direct, cela change l'architecture : pas d'envoi, pas d'aller-retour, pas de facturation à la minute, et aucun audio ne quitte l'appareil.

La licence est la différence discrète

Ming-3.0-audio-flash est sous licence MIT. C’est à peu près ce qui se fait de plus permissif : usage commercial, modification, redistribution, aucun seuil de revenus, aucune restriction de domaine d’utilisation. LFM3-Omni-2B est distribué sous la LFM Open License v1.0, la licence familiale que Liquid applique à l’ensemble de LFM3, qui est une licence à seuil de revenus plutôt qu’une licence open source approuvée par l’OSI. Lisez-la avant de bâtir un produit dessus. Pour une startup sous le seuil, la différence est théorique ; pour une entreprise au-dessus, MIT vaut de l’argent réel.

L’intégration, c’est là que la paperasse se voit.

L’histoire du serving de Ming est encore en cours. La présentation du lancement d’inclusionAI laissait entendre que l’on pouvait servir la famille avec vLLM-Omni dès aujourd’hui ; ce que le dépôt montre réellement, ce sont des pull requests ouvertes — l’une couvrant le checkpoint tts-tiny, l’autre ajoutant la prise en charge d’audio-flash. En attendant leur fusion, exécuter Ming-3.0-audio-flash implique d’utiliser Transformers sur une machine disposant de suffisamment de mémoire, ou la voie SGLang-Omni documentée par le fournisseur. C’est faisable, et ce n’est pas un `pip install`.

L'histoire de LFM3-Omni-2B est l'inverse : une fiche Hugging Face qui documente la recette de fine-tuning, et une build Ollama déjà en circulation. Cette build annonce un contexte de 125K contre 32K sur la fiche, ce qui montre que le packaging a progressé plus vite que la documentation — un détail qui compte si vous prévoyiez de lui faire ingérer de longs fichiers audio.

Si aucun de ces deux modèles n’a le bon format pour vous, l’alternative consiste à louer la capacité plutôt qu’à la posséder, et cela relève d’une autre ligne budgétaire. OrcaRouter est la version hébergée de ce choix — une API unique pour plus de 200 modèles, avec 0 % de marge sur le prix catalogue du fournisseur et un basculement automatique en cas de défaillance d’un fournisseur — et ni LFM3-Omni-2B ni Ming-3.0-audio-flash ne figurent aujourd’hui dans ce catalogue. C’est la façon honnête de présenter les choses : cet article porte sur deux modèles que vous téléchargez, pas sur deux modèles que vous pouvez appeler.

Qui devrait choisir lequel ?

Choisissez Ming-3.0-audio-flash si vous disposez de GPU que vous n'utilisez pas par ailleurs, que votre audio est en chinois ou en anglais avec des accents et plusieurs locuteurs, et que votre tâche consiste à produire une transcription précise ou une réponse argumentée concernant un long enregistrement. La licence MIT en fait le plus sûr des deux pour bâtir un produit commercial, et le contexte de 128K en fait le seul des deux capable de traiter une réunion en une seule passe.

Choisissez LFM3-Omni-2B si l’audio est généré en périphérie, que l’utilisateur attend et que la réponse doit être prononcée dans la foulée. Acceptez d’obtenir la précision d’un modèle plus petit, une liste de langues plus restreinte et une licence avec une clause de revenus, en échange d’un déploiement qui tient dans une application.

La question à se poser avant l’un ou l’autre : où va l’audio ? Si la réponse est « nulle part », la comparaison s’arrête là.