Une carte de titre générée indiquant « Ming-3.0-audio-flash domine le raisonnement vocal à 99,8 % », avec un sous-titre précisant la première place sur Artificial Analysis Big Bench Audio le 18 novembre 2026 et que le point de contrôle a été publié le 3 septembre sans grille tarifaire. Quatre pastilles de statistiques indiquent « 99,8 % Big Bench Audio », « n° 1 sur 42 modèles », « 1,12 s jusqu'au premier son » et « aucun prix publié ». Le pied de page indique « Scores selon Artificial Analysis, 18 novembre 2026. »
Engineering & Research

Ming-3.0-audio-flash domine le raisonnement vocal d’Artificial Analysis avec 99,8 % — un point d’avance, et toujours aucun prix

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Artificial Analysis classe désormais Ming-3.0-audio-flash premier sur son classement Speech Reasoning, l’évaluation Big Bench Audio, avec une précision de 99,8 %, devant StepAudio 3 Realtime à 99,7 %, Q​wen Audio 3.0 Realtime Plus à 99,2 %, Eleven Realtime v1 Max à 98,8 %, G​rok Voice 3.0 à 98,5 %, G​emini 3.8 Live Extended Thinking (High) à 97,7 % et GPT-Realtime-2.1 High à 95,8 %. L’affirmation a été émise par Ant Ling le 18 novembre 2026 à 08:37 UTC, dix-neuf minutes après que le dépôt du modèle lui-même a été modifié pour y ajouter le même chiffre et une image de classement. Ce timing dit tout : un modèle sorti en septembre sans score d’un tiers en possède désormais un, et le chiffre est très proche du plafond.

Pour être précis sur ce qui est nouveau et ce qui ne l'est pas — car il ne s'agit pas d'un lancement. inclusionAI a téléversé les poids de Ming-3.0-audio-flash sur Hugging Face le 3 septembre 2026 et n'en a rien dit pendant six semaines ; la fiche du modèle, les profils de service et le code d'exemple n'ont été publiés qu'entre le 15 et le 19 octobre. Ce qui a changé aujourd'hui, c'est l'évaluation, pas le checkpoint. Les fragments safetensors sont exactement les mêmes octets qu'en septembre. Donc, pour être honnête, un modèle audio à poids ouverts vieux de sept semaines vient d'être évalué par quelqu'un d'autre que son auteur, et il est arrivé en tête.

Ce que Big Bench Audio demande réellement à un modèle de faire

Il convient d’être concret au sujet du test, car « le raisonnement vocal » ressemble à ce qu’un agent vocal fait en conversation, alors que ce n’est en grande partie pas le cas. Big Bench Audio est un ensemble de questions à choix multiples diffusées sous forme audio : le modèle entend un enregistrement, entend ou lit une question à son sujet, puis choisit une réponse. Il récompense la capacité à garder un passage parlé en contexte et à y appliquer un raisonnement ordinaire. Il ne récompense pas la prise de tour, la gestion des interruptions, les backchannels ni la capacité à avoir l’air d’une personne. Ces aspects relèvent d’un autre tableau d’Artificial Analysis, Full Duplex Bench, où Ming-3.0-audio-flash n’a actuellement aucun score publié.

Cette distinction compte plus que d'ordinaire ici, car à 99,8 %, la métrique n'a presque plus de marge. Sur un classement de 42 modèles, l'écart entre la première et la cinquième place est d'un point de pourcentage. Entre la première et le modèle classé treizième — GPT-Realtime-2.1 High —, il est de quatre points. Un test sur lequel presque tous les modèles modernes obtiennent des scores dans les années quatre-vingt-dix est un test qui a cessé de départager le haut du classement, et une avance d'un point sur StepAudio 3 Realtime représente une poignée d'éléments sur un benchmark dont le nombre d'éléments ne peut être vérifié par personne en dehors d'Artificial Analysis. Lisez le classement comme « ce modèle fait partie du groupe de tête », ce qui est réellement utile, plutôt que comme « ce modèle est sensiblement meilleur à l'écoute que tous les autres », ce que le chiffre ne permet pas d'affirmer.

Le classement dans l’ordre, pour ceux qui veulent la physionomie du peloton plutôt que le titre :

• 1 — Ming-3.0-audio-flash, 99,8 %

• 2 — StepAudio 3 Realtime, 99,7 %

• 3 — Qwen Audio 3.0 Realtime Plus, 99,2 %

• 4 — Phonic 1 (Élevé), 98,9 %

• 5 — Eleven Realtime v1 Max, 98,8 %

• 7 — G​rok Voice 3.0, 98,5 %

• 8 — G​emini 3.8 Live Extended Thinking (High), 97,7 %

• 13 — GPT-Realtime-2.1 High, 95,8 %

A screenshot of the Artificial Analysis Speech to Speech page, showing the site navigation, the page heading, a blurb describing comparison of speech-to-speech models across reasoning quality, conversational dynamics, generation time and price, and two chart panels labelled Speech to Speech Index and Speed & Cost per Hour of Input Audio, plus a Related Links rail. The per-model rows inside the charts are not legible at this size.

Un détail dans les documents du fournisseur lui-même mérite d’être signalé, car c’est le genre de chose qui passe discrètement à la trappe. Les images d’évaluation de la fiche modèle d’inclusionAI, mises en ligne en octobre, montrent le modèle flash à 99,40 sur « BigBenchAudio ». Artificial Analysis rapporte désormais 99,8. Il s’agit de deux exécutions différentes d’un benchmark similaire, et l’écart n’est une erreur ni dans l’une ni dans l’autre — c’est la variabilité normale que l’on observe lorsque le harnais, le format des prompts et le sous-ensemble d’éléments ne sont pas identiques. C’est aussi un rappel que le tableau d’octobre du fournisseur et le classement tiers d’aujourd’hui ne sont pas des chiffres interchangeables, même lorsqu’ils portent presque le même libellé.

Ce que le conseil ne dit pas

Trois éléments manquent à l’entrée Artificial Analysis, et chacun d’eux compte davantage pour une décision de déploiement que le chiffre de précision.

Le premier est le prix. Ming-3.0-audio-flash n’a ni tarif par token ni tarif par minute sur Artificial Analysis, car il n’y a rien à acheter : c’est un checkpoint de mélange d’experts de 126 milliards de paramètres sous MIT, avec 6,5 milliards de paramètres actifs par étape. Le coût est celui du matériel. Les notes de déploiement d’inclusionAI indiquent que le profil de service de référence 128K repose sur un parallélisme tensoriel sur quatre H800 de 80 Go, avec une solution de repli à huit GPU pour l’audio long, et un profil SGLang validé sur quatre GPU ne renvoyant que du texte. Tous les modèles au-dessus de lui dans le classement, sauf lui-même, sont des API facturées à l’usage. Les comparer sur la seule précision revient à comparer un score de benchmark à un score de benchmark et à ignorer qu’un côté du tableau est un achat et l’autre un abonnement.

Le second point est la latence. Artificial Analysis mesure bien le délai avant le premier audio, et Ming-3.0-audio-flash se situe à 1,12 seconde. Eleven Realtime v1 Max est à 0,57 seconde, soit environ la moitié. Si votre application est un agent vocal qui doit répondre pendant une pause conversationnelle, une victoire sur un benchmark ne compense pas une seconde de silence, et l’ordre du classement ne dit rien sur celle de ces deux valeurs avec laquelle vous pouvez vivre.

Le troisième point est le comportement conversationnel. Il existe des scores Full Duplex Bench pour Eleven Realtime v1 Max (0,941 au global, avec la gestion des interruptions à 0,99 et la gestion des tours de parole à 1,0) ainsi que pour plusieurs modèles temps réel Gemini et GPT. Ming-3.0-audio-flash n’a pas de score FDB, pas de décomposition de la dynamique conversationnelle et aucune mesure publiée de sa gestion des interruptions. Un modèle peut réussir haut la main des questions à choix multiples sur l’audio et continuer malgré tout à vous couper la parole.

Et les propres chiffres d’octobre du fournisseur constituent la preuve la moins flatteuse de tout ce tableau. Sur la même fiche qui annonce la victoire en raisonnement vocal, inclusionAI a publié un score de chaîne sur audio long de 12,31 contre 34,54 pour Qwen3.8-Omni Flash et 49,63 pour Gemini 3.8 Flash, un LongAudioSpan de 41,12 contre 66,40, et des taux d’erreur de diarisation des locuteurs sur AMI de 25,29 contre 11,16 pour MiMo-V2.6 Pro. Ce sont les chiffres du fournisseur, sur les tâches choisies par le fournisseur, et ils décrivent un modèle excellent sur l’audio court de questions-réponses et faible pour le raisonnement sur un long enregistrement. Rien de ce que représente un 99,8 sur Big Bench Audio n’y change quoi que ce soit, car Big Bench Audio n’est pas un test d’audio long.

L’écart de dix-sept minutes entre la carte et le tweet

Le commit du dépôt est horodaté à 08:26:48 UTC le 18 novembre et s’intitule, en partie, « Mise à jour du score Flash BBA à 99,8 % et ajout des rés… du classement général n°1 ». La publication d’Ant Ling a suivi à 08:37:02. Le même commit a touché la carte du petit frère quarante-huit secondes plus tard, en ajoutant la même phrase — un paragraphe de benchmark partagé, copié dans les deux dépôts, et une raison de plus de vérifier à quel checkpoint un chiffre appartient réellement avant de le citer.

A generated single-column scoreboard titled 'Ming-3.0-audio-flash - the scoreboard'. Rows read 'Big Bench Audio: 99.8%, rank 1 of 42', 'Vendor card, October: 99.40, self-evaluated', 'Time to first audio: 1.12 s', 'Full Duplex Bench: not published', 'Price: no rate card' and 'Reference hardware: 4 x 80GB H800'. The footer reads 'Big Bench Audio score, rank and latency per Artificial Analysis, 18 November 2026; the 99.40 figure is vendor-reported and unaudited.'

Ce que cette séquence vous dit, c'est que la fiche modèle se trouve désormais en aval du classement, et non l'inverse. Pendant six semaines, la seule preuve de performance pour Ming-3.0-audio-flash était un ensemble d'images PNG dans un assets/ dossier, produites par l'équipe qui l'a entraîné. Ce n'est pas rien — les évaluations de fournisseurs sont généralement honnêtes, simplement optimistes quant au choix des tâches — mais c'est une catégorie de preuve différente de celle d'un tiers exécutant son propre harnais et publiant un rang. Ce qui est intéressant aujourd'hui, ce n'est pas que le fournisseur revendique la première place. C'est qu'une organisation sans intérêt dans le résultat y a placé le modèle.

A screenshot of the inclusionAI Ming-3.0-audio-flash model card on Hugging Face, showing the audio-to-audio pipeline tag, the MIT licence badge, a reported model size of 128B params, a downloads-last-month figure of 2,572, the headline 'Hear clearly. Understand deeply. Act intelligently.', and a model summary table listing the developer as inclusionAI, the model type as a native audio-language mixture-of-experts, and 126B total parameters with 6.5B activated per inference step.

Là où un routeur a sa place, et où il ne l'a pas

OrcaRouter ne sert pas Ming-3.0-audio-flash. Il ne figure pas dans notre catalogue, nous ne pouvons pas vous fournir de point de terminaison pour ce modèle, et rien ici ne doit être interprété comme une offre. Si vous voulez l’exécuter, vous clonez le dépôt, vous installez le chemin de code Transformers 5 ou l’un des profils de service SGLang-Omni, et vous y affectez au moins quatre cartes de 80 Go. C’est de l’infrastructure, et un routeur ne fait pas d’infrastructure.

Ce que fait bel et bien un routeur, c'est l'autre moitié de tout pipeline vocal. Une application vocale bâtie sur un modèle audio auto-hébergé reste essentiellement du travail textuel : le prompt qui décide ce qu'il faut demander à l'enregistrement, le post-traitement qui transforme une étiquette de langue délimitée par des tabulations en sortie structurée, le résumé rédigé à partir de la transcription, le classifieur qui oriente un appel bruité vers un humain. Ce sont des appels de chat ordinaires, et une API unique pour plus de 200 modèles à 0 % de marge — prix catalogue du fournisseur répercuté, de sorte qu'une baisse de prix d'un fournisseur est effective de notre côté le jour même — est plus simple à mettre en place qu'un deuxième et un troisième contrat fournisseur. Le basculement automatique est ce qui vous permet de placer un modèle open-weights non éprouvé derrière une partie de votre trafic sans faire reposer tout le parcours sur lui.

La frontière, c’est l’essentiel. Un checkpoint de 259 Go que vous exécutez sur vos propres GPU est une décision d’investissement ; un routeur achemine des appels. Il ne transforme pas un modèle de cluster en modèle hébergé, et il ne transforme pas un score de 99,8 % à un benchmark à choix multiples en preuve concernant votre produit.

Qu’est-ce qui donnerait un sens à cela ?

Trois mesures suffiraient à transformer le titre d’aujourd’hui en décision, et toutes trois sont des éléments qu’Artificial Analysis ou une arène pourraient publier sans rien demander à inclusionAI. Un score au Full Duplex Bench indiquerait si le comportement conversationnel correspond à la compréhension. Un résultat sur audio long sur un ensemble public testerait le seul axe où le tableau du fournisseur est le plus faible. Et une deuxième exécution indépendante de Big Bench Audio — un autre harnais, un autre échantillon d’items — vous dirait si 99,8 est un effet de plafond ou un écart réel.

En attendant, la phrase exacte est étroite et mérite d’être dite clairement : un modèle audio à poids ouverts d’Ant Group, publié en septembre et documenté en octobre, est désormais classé premier sur un benchmark de raisonnement vocal réalisé par un tiers, avec une avance d’un point de pourcentage sur le modèle suivant, sans prix publié, avec un temps jusqu’au premier audio deux fois supérieur à celui du concurrent le plus rapide de ce classement, et sans aucun score conversationnel. C’est un résultat réel. C’est aussi une affirmation bien plus modeste que « meilleur modèle vocal », et c’est dans l’écart entre ces deux phrases que doit encore se faire l’essentiel de la réflexion utile sur ce modèle.

Comparés dans cet article2

Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement