LFM3-Omni-2B מול Ming-3.0-audio-tiny: החלפת סטאק מול מומחה
- OrcaחדשOrcaCyber: GLM 5.3 Flash Abliterated2026-10-2779 tok/s
- OrcaחדשOrcaCyber: Qwen3.8 Flash Next Abliterated2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 283 tok/s
- OrcaחדשOrcaCyber: MiMo V2.6 Flash Abliterated2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 82 tok/s
- MoonshotחדשMoonshotAI: Kimi K3.1 Pro2026-10-2455אינטליגנציה
- OrcaחדשOrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 119 tok/s
- minimaxחדשMiniMax: M3.1 Flash2026-10-1943אינטליגנציה
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 44 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 113 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 701 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2138אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2146אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 160 tok/s
שני מודלים, שניהם משווקים כקטנים, שניהם מסוגלים לענות בקול, וכמעט שום דבר אחר במשותף. LFM3-Omni-2B הוא צ'קפוינט dense עם 2.17 מיליארד פרמטרים מבית Liquid AI, שמקבל טקסט, תמונות, וידאו ואודיו ומחזיר טקסט או דיבור ב-24 kHz. Ming-3.0-audio-tiny הוא מודל mixture-of-experts עם 9.3 מיליארד פרמטרים מבית inclusionAI, שבו 2.7 מיליארד פרמטרים פעילים בכל שלב, והוא מקבל אודיו וטקסט ומחזיר טקסט או דיבור ב-44.1 kHz. האחד מנסה להחליף מחסנית עוזר שלמה. האחר מנסה להיות האוזן הטובה ביותר האפשרית. מומחה וג'נרליסט יכולים לשבת מאחורי מפתח אחד. נקודת קצה אחת הבקשות מנותבות לפי כלל, עם מעבר אוטומטי לגיבוי אם נתיב נכשל.
השמות הופכים את זה למסובך יותר ממה שצריך. "Tiny" במשפחה של Ming מתייחס למיקום שלו ביחס ל-Ming-3.0-audio-flash, ולא לגודל המוחלט שלו: עם 9.3B בסך הכול, יש בו יותר מפי ארבעה פרמטרים מאשר במודל Liquid. ו-LFM3-Omni-2B אינו מודל אודיו שאליו הוברגה יכולת ראייה — הוא מודל מולטימודלי כללי שבמקרה יש לו מסלול אודיו. השוואה ביניהם שורה אחר שורה תהיה לא הוגנת כלפי שניהם. השוואה ביניהם לפי העבודה שהם עושים היא ההשוואה היחידה שחשובה.
מה כל אחד הוא בפועל
Ming-3.0-audio-tiny הוא מודל שמע-שפה נייטיבי: מקודד שמע ופרויקטור שמזינים עמוד שדרה לשוני מסוג MoE דליל, עם שלב Talker נפרד שמייצר דיבור כאשר מבקשים ממנו. הוא מטפל בסינית ובאנגלית, כולל מבטאים וניבים, ותומך בשכפול קול מקליפ ייחוס יחד עם תמלול. המשקלים ברישיון MIT וזמינים ב-Hugging Face וב-ModelScope; קיימים כימותים קהילתיים עבור MLX ו-GGUF, ויש הדגמת ROCm עובדת של עוזר קולי בהשהיה נמוכה שנבנה עליו. המאגר הועלה בתחילת ספטמבר 2026 והכרטיס והתצורה רועננו באמצע אוקטובר, ואז הוא הפך לשמיש בפועל.
LFM3-Omni-2B הוא המבנה ההפוך. גזע צפוף יחיד עם מקודד חזותי, מקודד אודיו סיבתי ו-LiquidCodec לפלט דיבור, שאומן כך שקבוצת משקלים אחת מטפלת בארבע מודאליות קלט ושתי מודאליות פלט. הוא פורסם ב-27 באוקטובר 2026 כענף אחד ממשפחת LFM3 בת ששת המודלים של Liquid, ללא הכרזה נפרדת וללא הערכה בלתי תלויה. הכרטיס מדווח על 2.17B פרמטרים, הקשר של 32,768 טוקנים ורישיון LFM Open License v1.0.
• ארכיטקטורה — 2.17B צפוף any-to-any לעומת 9.3B בסך הכול עם 2.7B פעילים לכל טוקן, MoE דליל בתוספת Talker נפרד לדיבור.
• קלטים — טקסט, תמונה, וידאו עם פסקול, אודיו ב-16 קילו-הרץ לעומת אודיו וטקסט בלבד.
• פלט דיבור — 24 kHz באמצעות LiquidCodec, מוזרם מהר יותר מאשר בקצב זמן אמת לעומת 44.1 kHz מונו באמצעות ה-Talker, עם קולות מוגדרים מראש בעלי שמות ושכפול.
• שפות — 16 שפות טקסט ו־19 אזורי דיבור לעומת סינית ואנגלית, כולל ניבים.
• הקשר — 32,768 טוקנים, כמצוין בכרטיס לעומת אי-ציון חלון הקשר בכרטיס; התצורה שפורסמה מתארת תקציב מיקום של 131,072 טוקנים.
• רישיון — LFM Open License v1.0 עם סף הכנסות לעומת MIT.
• תפוסת זיכרון — כ-4.3 GB ב-BF16 לעומת כ-21 GB ב-BF16, כאשר כימות מומחים ל-int8 מביא אותה לכ-12.5 GB.
שתי השורות שבאמת חופפות
טבלאות בנצ'מרק בין מעבדות הן ברובן תיאטרון, מפני שכל מעבדה בוחרת את מערכת הבדיקה שלה. כאן החפיפה קטנה מספיק כדי לומר אותה במדויק: שני מערכי נתונים מופיעים בשני דוחות הספקים, ושניהם משימות אודיו שבהן המתודולוגיה סטנדרטית למדי.
• שיעור שגיאת מילים של ASR באנגלית — 6.36 עבור LFM3-Omni-2B לעומת 4.36 עבור Ming-3.0-audio-tiny. ככל שהערך נמוך יותר, כך טוב יותר, ו-Ming מוביל בשתי נקודות מוחלטות, בערך שליש פחות שגיאה.
• VoiceBench — 64.73 לעומת 74.29. Ming מוביל ב-9.6 נקודות בהיצמדות להוראות מדוברות ובהתנהגות של עוזר קולי.
במשימות ששני המודלים מודדים, המומחה מנצח, וזו התוצאה הצפויה. Ming משקיע 2.7 מיליארד פרמטרים פעילים בשמיעה ובדיבור. LFM3-Omni-2B משקיע 2.17 מיליארד בשמיעה, בדיבור, בראייה ובקריאה בבת אחת. מודל שאינו מחלק את הקיבולת שלו לארבעה כיוונים אמור להיות טוב יותר בדרך האחת שבה הוא פועל, וזה אכן כך.
מה שמינג מדווח ו-LFM3-Omni-2B אינו מדווח הוא רשימה ארוכה יותר: שיעור שגיאות תווים ב-ASR סינית 3.79, שיעור שגיאות תווים בניבים 10.29, BigBenchAudio 99.20, MMAU 75.90, MMAU-Pro 56.42, דיוק באודיו ארוך 56.39 ו-BFCL-v3 Audio 79.80. אלו מספרים חזקים עבור מודל בגודל הזה, והם מתארים מערכת שנבחנה ספציפית על הסקה משמע ולא כעמודה אחת בטבלה מולטימודלית. המקבילות הקרובות ביותר בכרטיס של Liquid הן MMAR להבנת שמע 51.40 וציון קריאה לכלים של 52.20 — אבל מבחן הקריאה לכלים אינו אותו מבחן כמו BFCL-v3 Audio, והצבת שני המספרים האלה זה לצד זה תהיה מסוג ההשוואות שהבלוג הזה נועד להימנע מהן.
אמת המידה שהעימות הזה לא יכול להכריע
השאלה המעניינת אינה איזה מודל שומע טוב יותר. אלא האם מודל אומני בודד יכול לבצע הסקה אודיו-חזותית שפייפליין אינו יכול. ל-Ming-3.0-audio-tiny אין נתיב ראייה כלל: הוא אינו יכול להסתכל על פריים ולתאר מה קורה, והוא אינו יכול לענות על שאלה בנוגע לפסקול של סרטון בזמן צפייה בסרטון. LFM3-Omni-2B יכול לעשות את שניהם, ו-Liquid מדווחת על Daily-Omni 70.09 ו-WorldSense 47.10 בדיוק עבור היכולת הזו.
למספרים האלה אין מקבילה בכרטיס של Ming, מפני ש-Ming אינו מנסה לבצע את המשימה. לכן ההשוואה מתגלגלת לשאלת היקף ולא לשאלת איכות: אם היישום שלך הוא ממשק קולי לזרם אודיו, Ming הוא האוזן המסוגלת יותר והחישוב הפעיל הקטן יותר. אם היישום שלך הוא מצלמה פלוס מיקרופון פלוס רמקול, LFM3-Omni-2B עושה משהו ש-Ming אינו יכול לעשות בכל גודל, ופער האודיו הוא המס שאתה משלם עבור המצלמה.
המחיר אינו זניח. שתי נקודות של שיעור שגיאות מילים באנגלית בממשק קולי הן ההבדל בין תמלול שאפשר לרפרף עליו לבין תמלול שצריך לתקן. אם מסלול האודיו הוא המוצר העיקרי והראייה היא בונוס, ההמלצה הכנה היא להשתמש ב-Ming לאודיו ובמודל ראייה נפרד לפריימים, אף שזה אומר שני צ'קפוינטים.
חשבון הזיכרון קובע יותר פריסות מאשר הבנצ'מרק.
Ming-3.0-audio-tiny זקוק לכ-21 GB של משקלים ב-BF16, או לכ-12.5 GB עם כימות מומחים מסוג int8, ופריסת פלט אודיו מלאה יכולה לפצל את ה-Thinker ואת ה-Talker בין שני GPUs. LFM3-Omni-2B זקוק לכ-4.3 GB. זה לא הבדל קטן: זה ההבדל בין GPU יחיד בטווח הביניים לבין מכונה שצריך לקחת בחשבון, וזה ההבדל בין טלפון לשרת.
ההשוואה מתהפכת בהתאם למה שמודדים. 2.7B הפרמטרים הפעילים של Ming הופכים אותו לזול לכל טוקן למרות גודלו הכולל, וזו כל הנקודה של MoE דליל. LFM3-Omni-2B הוא צפוף, ולכן כל טוקן עולה את מלוא 2.17B — אבל המודל כולו נכנס בשבריר מהזיכרון ורץ על חומרה ש-Ming לא יכול לגעת בה.
כאן הכלכלה של הניתוב הופכת למוחשית. OrcaRouter מעבירה את מחירי המחירון של הספקים ללא תוספת רווח, כך שמומחה זול יותר וכלליסט יקר יותר יכולים לשבת מאחורי מפתח אחד בלי חוזה נוסף, ושינוי במחיר מצד ספק מגיע לחשבון שלך באותו יום ולא בחידוש הבא. נכון להיום, לא LFM3-Omni-2B ולא Ming-3.0-audio-tiny נמצאים בקטלוג שלנו, כך שזו אמירה על אופן התמחור של הפלטפורמה, ולא טענה שאפשר לקרוא לאף אחד מהמודלים דרכנו כרגע. אבל התבנית ששני המודלים האלה יוצרים — מומחה זול למקרה השכיח, כלליסט למקרה הקשה — היא בדיוק התבנית שנתב נועד עבורה.
שאלת הרישיון, שהיא הפיצול האמיתי
Ming-3.0-audio-tiny הוא ברישיון MIT. LFM3-Omni-2B נמצא תחת LFM Open License v1.0, הסכם מותאם אישית עם סף הכנסות שקובע אם שימוש מסחרי מחייב הסדר נפרד. עבור אב טיפוס מחקרי, ההבדל הוא אקדמי. עבור מוצר, זה הדבר הראשון שהמחלקה המשפטית תשאל עליו, והוא יכול לגבור על פער בנצ'מרק בכל גודל.
רישיון MIT גם מסביר מדוע ל-Ming כבר יש פורטים קהילתיים: בניות MLX, קוונטיזציות GGUF, הדגמת עוזר קולי ב-ROCm. אלה קיימים משום שהרישיון הפך אותם לקלים, והם הסיבה ש-Ming ניתן לפריסה היום על חומרה שליקוויד מעולם לא בדקה. LFM3-Omni-2B פורסם ב-27 באוקטובר עם 83 הורדות, ויש לו מסלול הגשה אחד מתועד לפלט טקסט בלבד. המערכת האקולוגית שלו עדיין לא קיימת.
האסימטריה המעשית בולטת. מבחינת דיוק אודיו, יעילות זיכרון לכל פרמטר פעיל, כיסוי שפות עבור סינית וניבים, שיבוט קול וחופש רישוי, Ming-3.0-audio-tiny הוא הבחירה הבטוחה יותר כיום. מבחינת כיסוי מודאליות וטביעת רגל גולמית, LFM3-Omni-2B הוא היחיד מבין השניים שמסוגל להסתכל על חדר ולדבר עליו.
מי צריך לאסוף מה
בחרו ב-Ming-3.0-audio-tiny אם אתם בונים מוצר קולי — תמלול, דיאלוג מדובר, שיבוט קול, ניתוח שיחות — ואתם או שאינכם זקוקים לראייה או שמוכנים לשלבן עם מודל חזותי נפרד. הרישיון MIT, הקוונטיזציות הקיימות ויתרון ה-ASR הדו-נקודתי הופכים אותה לפריסה בסיכון נמוך יותר, והארכיטקטורה הדלילה שלה שומרת על עלות נמוכה לכל טוקן למרות סך של 9.3B.
בחר ב-LFM3-Omni-2B אם במכשיר יש מצלמה ומיקרופון והאילוץ הוא זיכרון. צ'קפוינט של 4.3 GB שרואה, שומע ומדבר הוא קטגוריה אחרת של אובייקט לעומת מומחה אודיו של 21 GB, ושום מידת דיוק ASR לא מפצה על מודל שלא ייכנס. קבל את העובדה שאתה קונה רוחב, לא עומק, ושכל נתון אודיו שמצורף אליו מדווח על ידי הספק ולא שוחזר.
מה שאף אחד משני כרטיסי המודלים לא מספר לך הוא כיצד הם מתנהגים באותו יישום. את המבחן הזה — אותו אודיו, אותו מכשיר, אותו תקציב השהיה — לא ערך אף אחד מחוץ לשתי החברות. עד שזה ייעשה, ההחלטה נשענת על היקף ורישוי, שאפשר לדעת היום, ולא על דיוק, שאי אפשר לדעת היום.
