LFM3-Audio-2B vs Ming-3.0-audio-flash: Checkpoint Laptop Melawan Telinga Delapan-GPU

Angka pertama yang memisahkan LFM3-Audio-2B dari Ming-3.0-audio-flash bukanlah tolok ukur. Itu adalah delapan. Ming-3.0-audio-flash, model mixture-of-experts audio-bahasa 126B parameter milik InclusionAI dengan 6,5B aktif, memerlukan paralelisme tensor di delapan H800 80 GB untuk melayani profil konteks 128K penuhnya dengan keluaran suara — empat GPU memberi Anda jalur SGLang tervalidasi yang hanya teks, karena modul Talker tidak muat. LFM3-Audio-2B, yang dirilis Liquid AI pada 27 Oktober 2026 dalam keluarga LFM3 berisi enam model, adalah checkpoint 2B yang hadir sebagai unduhan Ollama 2,1 GB. Keduanya berbobot terbuka. Hanya salah satunya merupakan keputusan yang dapat dibuat seorang pengembang sore ini.

Kesenjangan itulah inti dari perbandingan ini, dan ada baiknya menahan diri dari kesalahan yang jelas: menganggapnya sebagai peringkat kualitas. Ming-3.0-audio-flash mendengar jauh lebih banyak daripada LFM3-Audio-2B: rekaman panjang, banyak pembicara, musik, suasana akustik, suara non-ucapan. LFM3-Audio-2B dibangun untuk loop suara di laptop — pengenalan, sintesis, penerjemahan, dan panggilan alat lisan dalam 18 bahasa. Ming adalah telinga yang ditempeli mulut; model Liquid adalah mulut yang ditempeli telinga. Pertanyaannya adalah pekerjaan mana yang sebenarnya Anda miliki.

Dua kapal yang tenang, dua jenis keheningan yang berbeda

Kedua model tidak diluncurkan secara konvensional, dan perbedaan dalam cara keduanya muncul memberi tahu Anda apa yang bisa diharapkan dari masing-masing repositori.

Ming-3.0-audio-flash diunggah ke Hugging Face pada 3 September 2026 tanpa pengumuman, lalu tetap tidak dapat digunakan selama enam minggu sampai kode serving, contoh, dan kartu yang ditulis ulang dipublikasikan antara 15 dan 19 Oktober. Repositori GitHub dibuat pada tanggal 15; kartu tersebut masih diedit pada tanggal 19. Halaman HF menunjukkan 22 unduhan bulan lalu. Lisensinya MIT, dan YAML deployment referensi ada di repositori.

LFM3-Audio-2B muncul pada 27 Oktober sebagai salah satu dari enam model dalam peluncuran keluarga Liquid, dengan berbagi backbone LFM3-1.7B-Base. Cabang audio hanya mendapat satu paragraf dalam pos keluarga tersebut ditambah kartu model; tidak ada pengumuman audio mandiri dan tidak ada entri harga untuknya di situs Liquid. Dalam waktu satu hari, sudah ada pull request llama.cpp yang di-merge (#31257) dan build Ollama untuknya. Perbedaannya adalah kecepatan perkakas, bukan kedalaman dokumentasi: Ming memiliki panel benchmark berupa gambar, sedangkan Liquid memiliki tabel enam baris tanpa harness yang disebutkan namanya.

Apa yang bisa didengar masing-masing

• Masukan — LFM3-Audio-2B: teks atau audio 16 kHz. Ming-3.0-audio-flash: audio ditambah instruksi teks.

• Keluaran — LFM3-Audio-2B: teks, ucapan 24 kHz, atau teks dan ucapan yang berselang-seling. Ming-3.0-audio-flash: teks, atau teks dengan ucapan tersintesis melalui Talker opsional.

• Konteks — LFM3-Audio-2B: 32K token, input ditambah output. Ming-3.0-audio-flash: 128K token, dinaikkan dari 8.192 dalam commit Oktober.

• Bahasa — LFM3-Audio-2B: 18 bahasa terdaftar sebagai 19 lokal karena bahasa Inggris muncul sebagai varian AS dan Inggris Raya; ASR langsung hanya untuk bahasa Inggris. Ming-3.0-audio-flash: bahasa Tionghoa dan Inggris, termasuk aksen dan dialek — Kanton, Shanghai, Hunan, dan Hokkien disebut dalam cakupan keluarga ini.

• Lisensi — LFM3-Audio-2B: LFM Open License v1.0, gratis untuk penggunaan komersial di bawah pendapatan tahunan $10M. Ming-3.0-audio-flash: MIT.

• Batas minimum perangkat keras — LFM3-Audio-2B: dapat dijalankan di CPU melalui GGUF, 2,1 GB. Ming-3.0-audio-flash: delapan H800 80 GB untuk profil audio lengkap, empat untuk khusus teks.

Baris tentang bahasa adalah bagian yang paling sering disalahpahami pada keduanya. Delapan belas bahasa terdengar lebih luas daripada dua, dan untuk sintesis memang demikian. Namun ke-18 bahasa itu sebagian besar adalah bahasa Eropa ditambah Jepang, Korea, dan Tionghoa, dan Liquid secara eksplisit membatasi ASR langsung ke bahasa Inggris. Dua bahasa Ming disertai cakupan dialek yang lebih penting di pusat kontak Tionghoa daripada daftar locale yang panjang. Jika audio Anda adalah bahasa Mandarin dengan alih kode, klaim bahasa Ming yang terdengar sempit justru lebih kuat; jika Anda memerlukan suara Belanda atau Swedia di laptop, LFM3-Audio-2B adalah satu-satunya dari keduanya yang mengklaimnya.

Satu-satunya angka yang selaras, dan mengapa itu tetap bukan sebuah putusan

Kedua vendor menerbitkan angka VoiceBench, yang menjadikannya hal yang paling mendekati sumbu bersama di sini. Ming-3.0-audio-flash melaporkan 86,74. LFM3-Audio-2B melaporkan 73,13. Sekilas, itu adalah selisih 13,6 poin yang menguntungkan Ming.

Anggap ini sebagai hipotesis, bukan hasil. Kedua angka tersebut berasal dari versi harness yang berbeda, prompt yang berbeda, dan pengaturan decoding yang berbeda, dan tidak ada repositori yang menyebutkan konfigurasi persisnya. Materi Ming sendiri memperingatkan bahwa model pembanding direproduksi dalam setup evaluasi inclusionAI dan mungkin berbeda dari laporan resmi karena prompt, decoding, versi, dan pipeline. Tabel Liquid sama sekali tidak menyebutkan set pengujiannya. Angka dari satu vendor yang dibandingkan dengan angka dari vendor lain hanyalah pengurutan dua klaim, bukan pengukuran dua model.

Peringatan yang sama berlaku untuk bagian lain dari panel Ming: CER rata-rata ASR bahasa Mandarin 3,45, WER bahasa Inggris 3,69, CER dialek 9,40, BigBenchAudio 99,40, MMAU 82,00 — semuanya dilaporkan penyedia, semuanya hanya untuk tampilan. Dibandingkan dengan WER bahasa Inggris LFM3-Audio-2B sebesar 6,23 dan MMAR 50,60, arahnya konsisten: Ming adalah pendengar yang lebih kuat. Besarannya tidak dapat dipastikan oleh apa pun yang telah diterbitkan kedua lab.

Apa yang didapat dari lisensi ini, dan berapa biayanya

MIT adalah lisensi yang lebih bersih, dan selisihnya jauh. LFM Open License v1.0 gratis di bawah ambang pendapatan dan mewajibkan lisensi komersial berbayar di atasnya; MIT tidak memiliki ambang. Bagi perusahaan yang mengharapkan tumbuh melampaui $10M, perbedaan itu adalah pos anggaran pengadaan, bukan catatan kaki.

Lisensi juga merupakan bagian yang lebih kecil dari biaya. Batas bawah delapan GPU milik Ming adalah keputusan modal dengan jadwal penyusutan, rak, dan pager. Unduhan 2,1 GB Liquid berjalan di CPU laptop melalui GGUF, dengan MLX 4-bit untuk Apple silicon dan ONNX Runtime untuk portabilitas. Biaya marginal untuk jam audio keseribu hampir nol pada keduanya; biaya tetapnya terpaut tiga orde besaran.

Itu tidak membuat Ming mahal. Itu membuat Ming menjadi pembelian yang berbeda. Jika beban kerja Anda stabil dan audio Anda tidak boleh keluar dari gedung, memiliki ear 126B bisa lebih murah daripada membayar per menit selama bertahun-tahun — titik impasnya adalah perhitungan utilisasi, bukan benchmark. Jika beban kerja Anda adalah prototipe, demo, atau produk yang volume audionya masih belum diketahui, profil delapan GPU adalah taruhan yang dipasang sebelum buktinya datang.

Mencoba sebelum membeli

Masalah praktis pada kedua model sama: Anda tidak dapat mengetahui dari kartu model apakah salah satunya berfungsi pada rekaman Anda. Jalur penyajian Ming mengasumsikan perangkat keras yang tidak dimiliki sebagian besar tim; Liquid berjalan di mana saja tetapi tidak memiliki evaluasi independen. Langkah murah dalam kedua kasus adalah mengukur pada sampel kecil sebelum berkomitmen.

OrcaRouter tidak menghosting salah satu pun dari checkpoint ini, jadi tawaran routing tidak berlaku untuk lapisan audio itu sendiri. Ini berlaku satu tingkat di atasnya. Pipeline suara adalah model audio plus model teks yang mengklasifikasikan, merangkum, atau merutekan apa yang didengar, dan panggilan kedua itulah tempat router membuktikan perannya: lebih dari 200 model di balik satu kunci dengan harga daftar penyedia tanpa markup, failover otomatis lintas penyedia, dan DSL routing jika Anda ingin menggabungkan beberapa model menjadi satu panggilan. Jalankan dua puluh rekaman terburuk Anda melalui model audio, lalu jalankan transkrip melalui model hilir yang sama di endpoint yang sama — itu menjaga perbandingan tetap bersih dan hampir tidak memakan biaya.

Mana yang harus dipilih

Pilih LFM3-Audio-2B jika model harus berjalan di mesin yang sudah Anda miliki, jika Anda memerlukan keluaran ucapan dalam bahasa yang tidak dicakup Ming, atau jika Anda memprototipekan loop pemanggilan alat berbasis ucapan dan menginginkan model berada di mesin yang sama dengan alat-alatnya. Terima bahwa bagian pengenalan berada di peringkat menengah dan bahwa ASR langsung hanya mendukung bahasa Inggris dan masih merupakan pull request lanjutan di llama.cpp.

Pilih Ming-3.0-audio-flash jika tugasnya adalah pemahaman, bukan percakapan: rapat panjang, rekaman bising dengan banyak pembicara, penalaran audio, atau beban kerja berbahasa Tionghoa yang cakupan dialeknya penting. Sediakan anggaran untuk delapan GPU, atau terima profil khusus teks dengan empat GPU dan lepaskan Talker. Lalu jalankan evaluasi Anda sendiri sebelum Anda memercayai panel dari vendor mana pun.

Pilih tidak keduanya, untuk saat ini, jika Anda belum bisa menyebutkan mana dari dua pekerjaan itu yang Anda miliki. Model-model itu masing-masing berusia empat hari dan enam minggu, dokumentasi untuk keduanya lebih tipis daripada klaim kemampuan mereka, dan perbandingan langsung independen pertama pada korpus bersama akan lebih bernilai daripada setiap angka di artikel ini. Sampai perbandingan itu ada, batas minimum perangkat keras adalah penentu seri paling jujur yang tersedia: salah satunya muat di laptop Anda, dan yang lain muat di rak.