LFM3-Omni-2B לעומת Ming-3.0-audio-flash: טלפון מול ארון שרתים

רשימת החומרים (BOM) מכריעה את ההשוואה הזו עוד לפני שלמדדים יש בכלל מה לומר. Ming-3.0-audio-flash הוא בעל 126 מיליארד פרמטרים, כ-259 GB של משקולות bfloat16, ופרופיל הגשה ייחוסי הבנוי על H800 של 80 GB ב-tensor parallel — ארבעה בתצורת 128K, שמונה כאשר אודיו ארוך מכלה את הזיכרון. LFM3-Omni-2B הוא בעל 2.17 מיליארד פרמטרים, מגיע כמשקולות BF16 רגילות, ותוכנן לרוץ על טלפון. שניהם קולטים אודיו. שניהם יכולים להשיב בקול. האחד הוא נכס של מרכז נתונים והאחר הוא תכונה שאפשר לשלב באפליקציה, וכמעט כל השאר בהם נובע מהעובדה הבודדת הזו.

גם הם הגיעו בלי יותר מדי טקס. Liquid AI הכריזה על משפחת LFM3 ב-27 באוקטובר 2026, כאשר LFM3-Omni-2B הוא אחד משישה מודלים בדרגת 2B בפוסט אחד; המאגר שלו היה ציבורי מאז 21 באוקטובר. inclusionAI העלתה את Ming-3.0-audio-flash ב-3 בספטמבר 2026 כמעט ללא תיעוד, ולא פרסמה כרטיס מודל אמיתי עד 19 באוקטובר, שישה שבועות לאחר מכן. לאף אחד מהספקים אין בנצ'מרק עצמאי, ולאף אחד מהמודלים אין נקודת קצה מתארחת שאפשר לשכור לפי טוקן.

שתי דרכים לשים פה על מודל

ההבדל הארכיטקטוני אינו קשור לגודל. הוא קשור למקום שבו האודיו נמצא.

Ming-3.0-audio-flash שומר על אודיו כאודיו למשך הזמן הארוך ביותר האפשרי. מקודד בסגנון Whisper — 32 שכבות, רוחב 1,280, 128 סלי מל — הופך צליל לייצוג שמזין עמוד שדרה של תערובת מומחים בעל 42 שכבות, עם 512 מומחים ו-8 נבחרים לכל טוקן. הדיבור חוזר דרך מודול Talker אופציונלי עם קולות סיניים מובנים ותשאול קולי של מקטע ייחוס. ההקשר המוצהר הוא 128K, נתון שהתצורה לא הצהירה עליו עד לקומיט מ-13 באוקטובר שהעלה את הטבעות המיקום מ-8,192 ל-131,072.

LFM3-Omni-2B מבצע טוקניזציה של הכול לזרם אחד. הווידאו נדגם בקצב של 2 פריימים לשנייה, כל מקטע תמונה בגודל 2×2 הופך לטוקן שפה אחד, והאודיו עובר דרך מקודד אודיו סיבתי של LFM3 אל אותו אוצר מילים של 128,000 טוקנים כמו הטקסט. הפלט בדיבור הוא LiquidCodec ב-24 קילוהרץ; הקלט באודיו הוא מונו ב-16 קילוהרץ. המודל כולו נמצא בחלון של 32K.

זהו טיעון דחיסה, והוא פועל לשני הכיוונים. הגישה של LFM3-Omni-2B היא מה שהופך מודל של 2.17B לישים במכשיר נייד — הכול הוא אותו סוג של טוקן, ולכן הכול הוא אותו סוג של זול. הגישה של Ming היא מה שמאפשר למודל של 126B להחזיק בראשו הקלטה באורך שעה בלי לוותר על הפרוזודיה. אף אחת מהן אינה ארוחת חינם.

המספרים ששווה להעמיד זה לצד זה

• סך כל הפרמטרים — LFM3-Omni-2B 2.17B צפוף; Ming-3.0-audio-flash 126B בתערובת של 512 מומחים.

• פרמטרים פעילים — כ־2.17B לעומת 6.5B בכל שלב הסקה.

• משקלים על הדיסק — כמה גיגה-בייט לעומת כ-259 GB של שברי bfloat16 בתוספת ה-Talker.

• חומרת ייחוס — טלפון, מחשב נייד או לוח edge לעומת ארבעה כרטיסי H800 בנפח 80 GB ב-tensor parallel עבור פרופיל 128K, ושמונה כאשר אודיו ארוך מכלה את הזיכרון.

• הקשר — 32K טוקנים המכסים קלט ופלט, לעומת 128K מוצהרים.

{{1}}• פלט דיבור — LiquidCodec ב־24 קילו־הרץ עם 19 שפות דיבור; Ming מחזיר טקסט או טקסט בתוספת דיבור דרך ה־Talker, עם קולות מובנים ושיבוט לפי קטע ייחוס.{{/1}}

• רישיון — LFM Open License v1.0, רישיון עם סף הכנסות, לעומת MIT.

• מחיר — אין תמחור לפי טוקן באף אחד מהצדדים, מכיוון שאף אחד מהספקים לא מוכר הסקה עבור הצ'קפוינטים האלה.

פרמטרים פעילים אינם מד מהירות

מפתה לקרוא את „6.5B פעילים” לצד „2.17B צפופים” ולהסיק ש-Ming יקר רק פי שלושה לכל טוקן. קריאה זו שגויה בשני הכיוונים.

תערובת מומחים צורכת רוחב פס זיכרון, ולא רק כוח חישוב. הגשת 6.5B פרמטרים פעילים מתוך 126B פירושה להעביר משקלי מומחים לזיכרון המטמון בכל שכבה, ובגודל אצווה של אחד — מצב הפעולה שבו חי עוזר קולי — זה קרוב לקרוא חלק גדול מ-259 GB עבור כל טוקן. תצורת שמונה H800 אינה המלצה לתפוקה שיא; היא מה שנדרש כדי להחזיק את המשקלים. ל-LFM3-Omni-2B עם 2.17B פרמטרים יש הבעיה ההפוכה: אין רווח מדלילות, אבל גם אין מה להחליף, וזה בדיוק הפרופיל שהופך טלפון לאפשרי.

ההשלכה המעשית היא שלשני המודלים עקומות סקיילינג שונות. Ming נעשה זול יותר לכל טוקן ככל שהאצווה גדלה, מה שמתאים לצינורות תמלול שטוחנים תור של שיחות מוקלטות. LFM3-Omni-2B נשאר בקירוב קבוע לכל מבע, מה שמתאים לשיחה חיה שבה גודל האצווה הוא אחד ותקציב ההשהיה הוא כמה מאות מילישניות.

מה קונים ב-126 מיליארד

InclusionAI מפרסמת את ההערכות שלה כתמונות ולא כטבלאות, וזה כשלעצמו סוג של הצהרה, אבל המספרים קריאים. בהארנס שלה, Ming-3.0-audio-flash מדווחת על שיעור שגיאה ממוצע של 3.45 ב-ASR בסינית, 3.69 באנגלית, ממוצע של 9.40 בניבים בקרב קנטונזית, שאנגחאי, הונאן והוקיאן, ושיעור שגיאה של 8.58 בדיאריזציה על AISHELL-4. שורות הסקה קולית כוללות את BigBenchAudio עם 99.40 ואת MMAU עם 82.00. אלו מספרי ספק על הארנס של ספק, עם כוכביות שמסמנות את השורות שהוערכו עצמית. אף אחד לא שחזר אותם.

החולשה שהספק בכל זאת הדפיס היא הסקה על אודיו ארוך: ציון Long-audio Chain של 12.31 ו-LongAudioSpan של 41.12, שניהם הרבה מאחורי המודלים המתארחים בהשוואה של עצמו. לכן ה-126B אינו טוב יותר באופן אחיד ב״הבנת אודיו״. הוא טוב יותר בשמיעה מדויקת של מה שנאמר, באיזה מבטא, על ידי איזה דובר — ופחות טוב במידה ניכרת מלשמור הקלטה ארוכה בזיכרון ולבצע הסקה לאורכה.

מה קונים ב-2.17 מיליארד

LFM3-Omni-2B מדווח על שיעור שגיאות מילים ב-ASR באנגלית של 6.36 ושיעור רב-לשוני של 6.72, UTMOSv2 של TTS של 3.80, VoiceBench 64.73, MMAR 51.40 וציון קריאה לכלים של 52.20. קלט האודיו שלו מוגבל ל-16 kHz מונו, מה שמתאים לדיבור וחסר תועלת למוזיקה.

התנגדו לדחף להשוות את 6.36 ל-3.69 של Ming. אלה אינם אותו מבחן. הממוצע האנגלי של Ming מחושב על פני קבוצת מבחני הבנצ'מרק האנגליים שלו; 6.36 של Liquid הוא מספר אחד מהערכה אחת, שהורצה עם הפרומפטים שלו ופענוח חמדני. ההצהרה היחידה שאפשר להגן עליה היא כיוונית: ה-ASR של Ming כנראה טוב יותר, מפני שלמודל אודיו-נייטיבי בגודל 126B עם מגדל בסגנון Whisper יש יותר מקום להיות טוב יותר, ומפני שטיפול בניבים הוא הדבר ש-inclusionAI בחרה להוביל בו. אם הוא טוב יותר בשתי נקודות או בחצי — לא ניתן לדעת משני הכרטיסים האלה.

מה ש-LFM3-Omni-2B מספק הוא לא דיוק. זה שהמודל רץ במקום שבו המיקרופון נמצא. עבור תהליך הקלטת שיחות זה לא רלוונטי. עבור כל דבר עם משתמש חי, זה משנה את הארכיטקטורה: אין העלאה, אין הלוך-חזור, אין חיוב לפי דקה, והאודיו לא עוזב את המכשיר.

הרישיון הוא ההבדל השקט

Ming-3.0-audio-flash הוא ברישיון MIT. זה בערך הכי מתירני שיש: שימוש מסחרי, שינוי, הפצה מחדש, ללא בדיקת הכנסות, ללא הגבלת תחום שימוש. LFM3-Omni-2B מופץ תחת LFM Open License v1.0, רישיון המשפחה ש-Liquid מחילה על פני LFM3, והוא רישיון עם סף הכנסות ולא רישיון קוד פתוח מאושר על ידי OSI. קראו אותו לפני שאתם בונים עליו מוצר. עבור סטארט-אפ מתחת לסף ההבדל הוא תיאורטי; עבור חברה מעליו, MIT שווה כסף אמיתי.

אינטגרציה היא המקום שבו הניירת ניכרת

סיפור ההגשה של Ming עדיין באוויר. ניסוח ההשקה של inclusionAI רמז שאפשר להגיש את המשפחה עם vLLM-Omni כבר היום; מה שהמאגר למעשה מציג הוא בקשות משיכה פתוחות — אחת מכסה את צ'קפוינט tts-tiny, ואחרת מוסיפה תמיכה ב-audio-flash. עד שאלה ייכנסו, הרצת Ming-3.0-audio-flash משמעה Transformers על מכונה עם מספיק זיכרון, או מסלול SGLang-Omni שתיעד הספק. זה בר-ביצוע וזה לא `pip install`.

הסיפור של LFM3-Omni-2B הוא ההפך: כרטיס Hugging Face שמתעד את מתכון הכוונון העדין, ובילד של Ollama שכבר נמצא בשטח. הבילד הזה מציין הקשר של 125K לעומת 32K בכרטיס, מה שאומר לך שהאריזה התקדמה מהר יותר מהתיעוד — דבר קטן שחשוב אם תכננת להזין לו אודיו ארוך.

אם אף אחד מאלה אינו הצורה המתאימה לך, החלופה היא לשכור את היכולת במקום להחזיק בה, וזו שורת תקציב אחרת. OrcaRouter הוא הצד המתארח של הבחירה הזו — API אחד על פני יותר מ-200 מודלים בתוספת של 0% על מחיר המחירון של הספק, עם מעבר אוטומטי לגיבוי כשספק מפסיק לפעול — ולא LFM3-Omni-2B ולא Ming-3.0-audio-flash נמצאים בקטלוג הזה היום. זו ההצגה הכנה: הטקסט הזה עוסק בשני מודלים שמורידים, לא בשניים שאפשר לקרוא להם.

מי אמור לבחור מה

בחר ב-Ming-3.0-audio-flash אם יש לך כרטיסי GPU שאינך משתמש בהם למטרות אחרות, השמע שלך הוא בסינית או באנגלית עם מבטאים ומספר דוברים, והמשימה שלך היא להפיק תמלול מדויק או תשובה מנומקת על הקלטה ארוכה. רישיון MIT הופך אותו לבטוח יותר מבין השניים לבניית מוצר מסחרי עליו, וההקשר של 128K הופך אותו ליחיד מבין השניים שיכול להכיל פגישה במעבר אחד.

בחרו ב-LFM3-Omni-2B אם האודיו נוצר בקצה, המשתמש ממתין, והתשובה צריכה להיאמר בקול באותה נשימה. קבלו את העובדה שאתם מקבלים את הדיוק של מודל קטן יותר, רשימת שפות מצומצמת יותר, ורישיון עם סעיף הכנסות, בתמורה לפריסה שנכנסת לאפליקציה.

השאלה שצריך לשאול לפני כל אחת מהאפשרויות: לאן הולך האודיו? אם התשובה היא "לשום מקום", ההשוואה נגמרה.