Ming-3.0-audio-flash vs Qwen3.8-Omni-Flash : le propre tableau du fournisseur a déjà désigné un gagnant

Il existe un tableau comparatif qui tranche l'essentiel de ce débat, et il a été publié par l'un des deux fournisseurs. Sur les propres images d'évaluation d'inclusionAI pour Ming-3.0-audio-flash, la colonne de référence est Qwen3.8-Omni-Flash — le modèle omni fermé d'Alibaba, ouvert aux clients API depuis le 18 septembre 2026 — et les résultats vont dans les deux sens. Ming remporte les lignes sur les dialectes avec une large avance et perd les lignes de raisonnement sur l'audio long d'un facteur de près de trois. C'est d'une utilité inhabituelle, car cela signifie que la question n'est pas « quel modèle est meilleur » mais « lequel de ces deux modes de défaillance votre charge de travail peut-il tolérer ». Ming-3.0-audio-flash est le checkpoint audio-langage d'inclusionAI de 126B au total et 6,5B actifs, mis en ligne le 3 septembre 2026 et documenté le 19 octobre ; Qwen3.8-Omni-Flash est un modèle hébergé, uniquement en sortie texte, avec un contexte d'un million de tokens et aucun poids. L'un vous appartient, l'autre se loue, et leurs points forts publiés ne se recoupent pas beaucoup. Les défaillances documentées de l'IA et les litiges autour des benchmarks de fournisseurs qui sous-tendent des comparaisons comme celle-ci sont recueillis dans le OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Deux façons de lire une heure d’audio

Les deux modèles acceptent l’audio et le texte et renvoient du texte. Cette phrase est vraie pour les deux et trompeuse pour les deux, car l’échelle à laquelle ils opèrent est complètement différente.

Qwen3.8-Omni-Flash accepte en entrée du texte, des images, de l’audio et de la vidéo, gère jusqu’à une heure d’audio-vidéo en continu au sein d’un seul appel, s’appuie sur un contexte d’un million de tokens (entrée maximale d’environ 991 K, sortie jusqu’à 131 K avec un budget de raisonnement de 262 K) et ne répond qu’en texte. Alibaba a présenté son lancement sous l’angle de la facture plutôt que du score : 98 % moins cher par heure d’audio en entrée que Qwen3.5-Omni-Plus, 93 % moins cher par heure d’audio-vidéo, les chiffres horaires étant obtenus en tarifant un échantillon de deux minutes puis en multipliant par trente, la vidéo étant échantillonnée en 720p à une image par seconde. Le tarif international est de 0,15 $ par million de tokens en entrée, 0,016 $ pour les entrées mises en cache et 0,47 $ en sortie.

Ming-3.0-audio-flash prend en entrée de l’audio et du texte, renvoie du texte ou du texte accompagné de parole via un Talker facultatif, et dispose d’un contexte de 128K — un chiffre que sa configuration ne revendiquait pas avant le 13 octobre, date à laquelle un commit d’un seul fichier a relevé max_position_embeddings de 8 192 à 131 072. Son profil de service de référence repose sur le parallélisme tensoriel sur huit H800 de 80 Go, et le téléchargement fait environ 259 Go. Il n’y a pas de tarif par token, car il n’y a pas de point de terminaison.

Donc, l'unité de Qwen est l'appel ; l'unité de Ming est le nœud. C'est la première décision, et elle détermine généralement le reste.

Ce que dit le propre tableau d’inclusionAI, ligne par ligne

Chaque chiffre de cette section provient des trois PNG du dépôt Ming, dans le dossier assets/ — l'exécution d'inclusionAI elle-même, sur son propre harnais, avec des astérisques marquant les lignes qu'elle a auto-évaluées. Rien de tout cela n'a été reproduit. Lisez cela comme un fournisseur qui se décrit en public, ce que la plupart des fournisseurs ne font pas.

• Moyenne ASR en chinois — Ming, taux d'erreur de 3,45 contre 3,54 pour Qwen3.8-Omni-Flash et 9,83 pour Gemini 3.8 Flash. Une victoire de justesse.

• Moyenne ASR anglais — 3,69 contre 4,02 et 5,05. Également étroit.

• Moyenne des dialectes — 9,40 contre 11,58. Écart plus large, et c’est l’affirmation phare : cantonais 4,09 contre 4,76, shanghaïen 11,15 contre 21,10, hunan 8,76 contre 17,11, hokkien 12,84 contre 26,32.

• Hubei — 9,46 contre 7,75. Q​wen remporte cette ligne et inclusionAI l'a imprimé malgré tout, ce qui est la principale raison de faire confiance au reste du tableau.

• Diarisation des locuteurs, AISHELL-4 — Ming : 8.58 de taux d'erreur de diarisation, contre 2.80 pour Q​wen. Sur AMI, 25.29 pour Ming, contre 11.16 pour MiMo-V2.6 Pro.

• Score de la chaîne long-audio — Ming 12,31 contre Qwen 34,54, le mode réflexion de Qwen 48,70, et Gemini 3.8 Flash 49,63. C’est un écart d’un facteur quatre, et il porte sur une métrique que le fournisseur a choisi de publier.

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

• Lignes principales du raisonnement audio — Ming obtient 99,40 sur BigBenchAudio et 82,00 sur MMAU ; l’appel d’outils sur BFCL-v3 Audio atteint 81,40 contre 86,68 pour Gemini 3.8 Flash.

Ce schéma n’a rien d’aléatoire. Ming est à son meilleur lorsque la tâche consiste à déterminer « ce qui a été dit exactement, accent compris », et à son plus faible lorsqu’il s’agit de « garder en tête un long enregistrement et de raisonner à partir de celui-ci ». Q​wen est l’inverse : une fenêtre d’un million de jetons et un budget de raisonnement constituent exactement le mécanisme adapté à la seconde tâche, et rien dans ses documents de lancement ne suggère un réglage dialecte par dialecte.

L’argument du dialecte constitue toute l’affaire, et il est plus étroit qu’il n’y paraît.

Si vous ne devez retenir qu’une chose du tableau des fournisseurs, retenez ceci : l’écart qui résiste à l’examen concerne la reconnaissance de la parole en chinois dialectal et accentué, et non l’intelligence audio générale. Le shanghaïen, à 11,15 contre 21,10, représente environ la moitié du taux d’erreur. Le hunan, à 8,76 contre 17,11, représente environ la moitié. Le hokkien, à 12,84 contre 26,32, représente environ la moitié. Ce sont des écarts importants et cohérents sur cinq lignes de dialectes, et c’est le genre de résultat qui découle d’une décision d’entraînement plutôt que d’un artifice de benchmark.

Les mises en garde comptent autant que les chiffres. Les jeux de test sont la sélection du fournisseur lui-même ; le harnais d’évaluation est celui du fournisseur ; les valeurs de référence pour Qwen3.8-Omni-Flash ont été produites par inclusionAI exécutant le modèle d’Alibaba, et non par Alibaba. Qu’un concurrent évalue le modèle d’un rival est une pratique courante, et c’est aussi la configuration la plus susceptible de produire par accident un résultat flatteur. La seule ligne qui va dans l’autre sens, Hubei, est la preuve la plus solide que le tableau n’a pas été simplement modifié.

Et l’écart quadruple sur l’audio long n’est pas une erreur d’arrondi que l’on peut contourner par la conception. Si votre charge de travail est un appel de résultats de quatre-vingt-dix minutes et que vous avez besoin d’un résumé avec des références croisées, les propres chiffres de Ming indiquent que le mode réflexion de Qwen est le meilleur outil, par un facteur de quatre, sur la métrique qui mesure exactement cela.

La disponibilité compte davantage que les benchmarks

Qwen3.8-Omni-Flash n'a qu'un seul foyer : la plateforme Qianwen d'A​libaba et A​libaba Cloud Model Studio, avec des points de terminaison distincts pour l'international et la Chine continentale, une facturation distincte et une devise distincte. Il répond à une requête au format OpenAI, donc le code client est en grande partie portable, mais le point de terminaison n'est pas portable et il n'existe aucune cible de bascule. Aucun poids n'a été publié et aucun n'est annoncé. OrcaRouter ne le sert pas.

Ming-3.0-audio-flash n'a pas le moindre point de terminaison. Ce sont des poids sous licence MIT accompagnés d'une fiche de modèle, d'un dépôt GitHub créé le 15 octobre, de fichiers YAML de déploiement pour trois profils, de deux clients d'exemple et d'un guide vocal de 150 Ko. Le projet vLLM-Omni prend en charge la génération Ming précédente et a une pull request ouverte pour le modèle Ming TTS de 7,9B, mais rien n'a été fusionné pour ce checkpoint audio-langage ; la voie pratique aujourd'hui consiste à utiliser Transformers avec trust_remote_code=True, ce qui convient pour l'évaluation mais reste léger pour un service.

Mettez ces deux paragraphes côte à côte et le compromis est flagrant. Q​wen vous offre un point de terminaison de production sans solution de repli et sans visibilité. Ming vous offre un checkpoint avec une visibilité totale et sans point de terminaison. Une équipe disposant d’un nœud GPU et d’une exigence de conformité choisit Ming. Une équipe avec une échéance choisit Q​wen et encaisse le risque de source unique.

À quoi ressemble une voie médiane

Il existe une troisième option qu’aucun des deux fournisseurs ne documente, et il vaut la peine de l’expliquer clairement, car c’est ce que font réellement la plupart des équipes : utiliser le modèle hébergé pour les tâches où il est meilleur et les poids ouverts pour les tâches où ils sont meilleurs, dans le même pipeline.

Concrètement — une organisation de support qui traite des appels en mandarin avec des locuteurs de dialectes. L’audio arrive, un classifieur léger détermine si la parole de l’appelant est standard ou fortement accentuée. L’audio standard est envoyé à Qwen3.8-Omni-Flash pour un résumé à contexte long avec raisonnement sur l’ensemble de l’appel. L’audio accentué est envoyé à Ming-3.0-audio-flash pour la transcription, et la transcription revient dans le pipeline texte pour le résumé. Aucun des deux modèles ne voit l’intégralité de la charge de travail ; chacun voit la partie qu’il est le mieux à même de traiter.

Cette architecture demande plus de travail que de choisir un seul fournisseur, et c’est la seule qui utilise honnêtement le tableau des fournisseurs, car le tableau lui-même indique que les deux modèles échouent sur des entrées différentes.

Où se situe OrcaRouter, précisément

Nous ne proposons aucun de ces deux modèles dans cet article. Qwen3.8-Omni-Flash est hébergé par Alibaba et ne figure pas dans notre catalogue ; Ming-3.0-audio-flash est à poids ouverts et ne figure pas dans notre catalogue. Un lecteur qui s'inscrit en espérant l'un ou l'autre sera déçu, mieux vaut donc le dire ici qu'au bas d'un formulaire d'inscription.

Ce dont le pipeline de classification et de résumé ci-dessus a besoin est exactement ce que fournit un routeur : une clé unique pour le volet texte de la chaîne, une règle de routage qui achemine l'audio standard d'un côté et l'audio accentué de l'autre, et un chemin de basculement lorsqu'un fournisseur se dégrade. Une seule API pour plus de 200 modèles à 0 % de majoration — le prix catalogue du fournisseur est répercuté tel quel, de sorte qu'une baisse de prix d'un fournisseur est effective de notre côté le jour même — est plus simple à exploiter que trois contrats et deux systèmes de facturation, et le basculement automatique est la réponse au risque de dépendance à une source unique qu'implique tout modèle omni hébergé. Le DSL de routage est l'endroit où un pipeline vocal à deux branches s'exprime réellement. Il ne remplace pas, et ne peut pas remplacer, un checkpoint de 259 Go.

Pour deux types d'équipe

Si vous développez ce trimestre un produit intégrant de l'audio et que vous n'avez pas de budget GPU, Qwen3.8-Omni-Flash est la réponse, avec cette réserve que vous louez auprès d'un seul fournisseur et que vous devriez concevoir votre client de sorte que l'endpoint soit une valeur de configuration plutôt qu'une constante. Sa fenêtre de contexte et son budget de raisonnement sont véritablement plus importants que tout ce que propose l'alternative à poids ouverts.

Si vous construisez une infrastructure — un service de transcription, un pipeline de conformité sur site, tout cas où un point de terminaison fournisseur est un handicap plutôt qu’un avantage — Ming-3.0-audio-flash est l’option ouverte sérieuse, et les chiffres par dialecte en sont la raison. Prévoyez un nœud, prévoyez un mois d’intégration, et lisez les lignes de diarisation avant de promettre des étiquettes de locuteur à qui que ce soit.

La conclusion peu reluisante est que les deux modèles sont moins des rivaux qu’une division du travail que ni l’un ni l’autre des fournisseurs n’a intérêt à décrire. inclusionAI a publié le tableau qui le montre. Cela vaut mieux qu’un article de lancement.