LFM3-Omni-2B vs Ming-3.0-audio-tiny: Pengganti Stack Melawan Spesialis

Dua model, keduanya dipasarkan sebagai model kecil, keduanya mampu menjawab dengan suara, dan hampir tidak ada kesamaan lain. LFM3-Omni-2B adalah checkpoint dense 2,17 miliar parameter dari Liquid AI yang menerima teks, gambar, video, dan audio serta mengembalikan teks atau ucapan 24 kHz. Ming-3.0-audio-tiny adalah model mixture-of-experts 9,3 miliar parameter dari inclusionAI dengan 2,7 miliar parameter aktif per langkah, dan model ini menerima audio dan teks serta mengembalikan teks atau ucapan 44,1 kHz. Yang satu berusaha menggantikan seluruh tumpukan asisten. Yang lain berusaha menjadi telinga terbaik yang mungkin. Spesialis dan generalis dapat berada di balik satu kunci. satu endpoint Permintaan dirutekan berdasarkan aturan, dengan failover otomatis jika suatu jalur gagal.

Penamaan ini membuatnya lebih sulit daripada yang seharusnya. "Tiny" dalam keluarga Ming merujuk pada posisinya relatif terhadap Ming-3.0-audio-flash, bukan pada ukuran absolutnya: dengan total 9,3B, jumlah parameternya lebih dari empat kali lipat model Liquid. Dan LFM3-Omni-2B bukanlah model audio yang sekadar ditempeli visi — ia adalah model multimodal umum yang kebetulan memiliki jalur audio. Membandingkan keduanya baris demi baris akan tidak adil bagi keduanya. Membandingkan keduanya berdasarkan pekerjaan yang mereka lakukan adalah satu-satunya perbandingan yang penting.

Apa sebenarnya masing-masing itu

Ming-3.0-audio-tiny adalah model audio-bahasa native: encoder audio dan proyektor yang memberi masukan ke tulang punggung bahasa MoE sparse, dengan tahap Talker terpisah yang menghasilkan ucapan saat Anda memintanya. Model ini menangani bahasa Mandarin dan Inggris, termasuk aksen dan dialek, serta mendukung kloning suara dari klip referensi plus transkrip. Bobotnya berlisensi MIT dan tersedia di Hugging Face dan ModelScope; kuantisasi komunitas tersedia untuk MLX dan GGUF, dan ada demonstrasi ROCm yang berfungsi untuk asisten suara berlatensi rendah yang dibangun di atasnya. Repositori diunggah pada awal September 2026 dan model card serta konfigurasinya diperbarui pada pertengahan Oktober, yang merupakan saat model ini secara efektif menjadi dapat digunakan.

LFM3-Omni-2B adalah konstruksi yang berlawanan. Sebuah trunk dense tunggal dengan encoder visi, encoder audio kausal, dan LiquidCodec untuk keluaran ucapan, yang dilatih sehingga satu set bobot menangani empat modalitas masukan dan dua modalitas keluaran. Model ini diterbitkan pada 27 Oktober 2026 sebagai salah satu cabang dari keluarga LFM3 Liquid yang terdiri atas enam model, tanpa pengumuman tersendiri dan tanpa evaluasi independen. Kartu modelnya melaporkan 2,17B parameter, konteks 32.768 token, dan LFM Open License v1.0.

• Arsitektur — dense any-to-any 2.17B vs total 9.3B dengan 2.7B aktif per token, MoE sparse ditambah Talker ucapan terpisah.

• Masukan — teks, gambar, video dengan trek suara, audio 16 kHz vs audio dan teks saja.

• Keluaran suara — 24 kHz melalui LiquidCodec, dialirkan lebih cepat dari waktu nyata vs 44,1 kHz mono melalui Talker, dengan suara preset bernama dan kloning.

• Bahasa — 16 bahasa teks dan 19 lokal ucapan vs bahasa Tionghoa dan Inggris, termasuk dialek.

• Konteks — 32,768 token, dinyatakan pada kartu vs tidak ada jendela konteks yang dinyatakan pada kartu; konfigurasi yang dipublikasikan menjelaskan anggaran posisi 131,072 token.

• Lisensi — LFM Open License v1.0 dengan ambang batas pendapatan vs MIT.

• Jejak memori — sekitar 4,3 GB dalam BF16 vs sekitar 21 GB dalam BF16, dengan kuantisasi pakar int8 membuatnya menjadi sekitar 12,5 GB.

Dua baris yang benar-benar tumpang tindih

Tabel benchmark lintas lab sebagian besar hanya sandiwara, karena setiap lab memilih harness-nya sendiri. Di sini tumpang tindihnya cukup kecil untuk dinyatakan secara tepat: dua dataset muncul di kedua laporan vendor, dan keduanya adalah tugas audio yang metodologinya cukup standar.

• Tingkat kesalahan kata ASR bahasa Inggris — 6,36 untuk LFM3-Omni-2B vs 4,36 untuk Ming-3.0-audio-tiny. Semakin rendah semakin baik, dan Ming unggul dua poin absolut, sekitar sepertiga lebih sedikit kesalahan.

• VoiceBench — 64.73 vs 74.29. Ming unggul 9,6 poin dalam mengikuti instruksi lisan dan perilaku asisten suara.

Pada tugas-tugas yang diukur oleh kedua model, model spesialis menang, dan itu hasil yang diharapkan. Ming menghabiskan 2,7 miliar parameter aktif untuk mendengar dan berbicara. LFM3-Omni-2B menghabiskan 2,17 miliar untuk mendengar, berbicara, melihat, dan membaca sekaligus. Model yang tidak membagi kapasitasnya ke empat arah seharusnya lebih baik pada satu cara yang ia kerjakan, dan memang begitu.

Yang dilaporkan Ming tetapi tidak dilakukan LFM3-Omni-2B adalah daftar yang lebih panjang: tingkat kesalahan karakter ASR bahasa Mandarin 3,79, tingkat kesalahan karakter dialek 10,29, BigBenchAudio 99,20, MMAU 75,90, MMAU-Pro 56,42, akurasi audio panjang 56,39, dan BFCL-v3 Audio 79,80. Itu angka-angka yang kuat untuk model sebesar ini, dan angka-angka tersebut menggambarkan sistem yang dievaluasi secara khusus pada penalaran audio, bukan sebagai salah satu kolom dalam tabel multimodal. Padanan terdekat di kartu Liquid adalah MMAR pemahaman audio 51,40 dan skor pemanggilan alat 52,20 — tetapi benchmark pemanggilan alat bukanlah tes yang sama dengan BFCL-v3 Audio, dan menempatkan kedua angka itu berdampingan akan menjadi jenis perbandingan yang ingin dihindari blog ini.

Tolok ukur yang tidak dapat ditentukan oleh pertandingan ini

Pertanyaan yang menarik bukanlah model mana yang mendengar lebih baik. Pertanyaannya adalah apakah satu model omni dapat melakukan penalaran audio-visual yang tidak dapat dilakukan pipeline. Ming-3.0-audio-tiny tidak memiliki jalur visi sama sekali: model ini tidak dapat melihat sebuah frame dan mendeskripsikan apa yang terjadi, dan tidak dapat menjawab pertanyaan tentang soundtrack sebuah video sambil menonton video tersebut. LFM3-Omni-2B dapat melakukan keduanya, dan Liquid melaporkan Daily-Omni 70,09 dan WorldSense 47,10 untuk kemampuan itu.

Angka-angka itu tidak memiliki padanan di kartu Ming karena Ming tidak mencoba tugas tersebut. Jadi perbandingan ini bermuara pada pertanyaan cakupan, bukan pertanyaan kualitas: jika aplikasi Anda adalah antarmuka suara ke aliran audio, Ming adalah "telinga" yang lebih mumpuni dan komputasi aktifnya lebih kecil. Jika aplikasi Anda adalah kamera plus mikrofon plus speaker, LFM3-Omni-2B melakukan sesuatu yang tidak dapat dilakukan Ming pada ukuran apa pun, dan kesenjangan audio adalah "pajak" yang Anda bayar untuk kamera.

Biayanya tidak kecil. Dua poin pada tingkat kesalahan kata bahasa Inggris di antarmuka suara adalah perbedaan antara transkrip yang bisa Anda baca sekilas dan transkrip yang harus Anda koreksi. Jika jalur audio adalah produk utama dan visi hanya bonus, rekomendasi jujurnya adalah menggunakan Ming untuk audio dan model visi terpisah untuk frame, meskipun itu berarti dua checkpoint.

Biaya memori menentukan lebih banyak deployment daripada benchmark.

Ming-3.0-audio-tiny membutuhkan sekitar 21 GB bobot dalam BF16, atau sekitar 12,5 GB dengan kuantisasi pakar int8, dan penerapan keluaran audio penuh dapat memisahkan Thinker dan Talker ke dua GPU. LFM3-Omni-2B membutuhkan sekitar 4,3 GB. Itu bukan perbedaan kecil: itu adalah perbedaan antara satu GPU kelas menengah dan mesin yang harus Anda rencanakan dengan cermat, dan itu adalah perbedaan antara ponsel dan server.

Perbandingan ini berbalik tergantung pada apa yang Anda ukur. Parameter aktif 2,7B milik Ming membuatnya murah per token meskipun ukuran totalnya besar, dan itulah inti dari MoE sparse. LFM3-Omni-2B bersifat dense, jadi setiap token memakan biaya penuh 2,17B — tetapi seluruh model muat dalam sebagian kecil memori dan berjalan pada perangkat keras yang tidak dapat dijangkau Ming.

Di sinilah ekonomi perutean menjadi konkret. OrcaRouter meneruskan harga daftar penyedia tanpa markup, sehingga spesialis yang lebih murah dan generalis yang lebih mahal dapat berada di balik satu kunci tanpa kontrak kedua, dan perubahan harga vendor sampai ke tagihan Anda pada hari yang sama, bukan pada perpanjangan berikutnya. Baik LFM3-Omni-2B maupun Ming-3.0-audio-tiny tidak ada di katalog kami saat ini, jadi ini adalah pernyataan tentang cara platform menetapkan harga, bukan klaim bahwa Anda dapat memanggil salah satu model melalui kami saat ini. Namun pola yang diciptakan kedua model ini — spesialis murah untuk kasus umum, generalis untuk kasus sulit — adalah tepat pola yang menjadi tujuan router.

Pertanyaan lisensi, yang merupakan percabangan sebenarnya

Ming-3.0-audio-tiny berlisensi MIT. LFM3-Omni-2B berada di bawah LFM Open License v1.0, perjanjian khusus dengan ambang pendapatan yang menentukan apakah penggunaan komersial memerlukan pengaturan terpisah. Untuk prototipe riset, perbedaannya bersifat akademis. Untuk produk, itu adalah hal pertama yang akan ditanyakan tim legal, dan dapat mengalahkan selisih benchmark sebesar apa pun.

MIT juga menjelaskan mengapa Ming sudah memiliki port komunitas: build MLX, kuantisasi GGUF, demo asisten suara ROCm. Semua itu ada karena lisensinya memudahkan pembuatannya, dan itulah alasan Ming dapat di-deploy hari ini di perangkat keras yang belum pernah diuji Liquid. LFM3-Omni-2B diterbitkan pada 27 Oktober dengan 83 unduhan, dan hanya memiliki satu jalur serving yang didokumentasikan untuk keluaran teks saja. Ekosistemnya belum ada.

Asimetri praktisnya sangat mencolok. Dalam hal akurasi audio, efisiensi memori per parameter aktif, cakupan bahasa untuk bahasa Mandarin dan dialek, kloning suara, dan kebebasan lisensi, Ming-3.0-audio-tiny adalah pilihan yang lebih aman saat ini. Dalam hal cakupan modalitas dan ukuran mentahnya, LFM3-Omni-2B adalah satu-satunya dari keduanya yang dapat melihat sebuah ruangan dan membicarakannya.

Siapa yang harus mengambil yang mana

Pilih Ming-3.0-audio-tiny jika Anda membangun produk ucapan — transkripsi, dialog lisan, kloning suara, analisis panggilan — dan Anda tidak memerlukan kemampuan visual atau bersedia memadukannya dengan model visual terpisah. Lisensi MIT, kuantisasi yang sudah ada, dan keunggulan ASR dua poin menjadikannya penerapan berisiko lebih rendah, dan arsitektur sparse-nya menjaga biaya per token tetap rendah meskipun totalnya 9.3B.

Pilih LFM3-Omni-2B jika perangkat memiliki kamera dan mikrofon serta kendalanya adalah memori. Checkpoint 4,3 GB yang dapat melihat, mendengar, dan berbicara adalah kategori objek yang berbeda dari spesialis audio 21 GB, dan tidak ada tingkat akurasi ASR yang dapat mengompensasi model yang tidak akan muat. Terimalah bahwa Anda membeli keluasan, bukan kedalaman, dan bahwa setiap angka audio yang melekat padanya dilaporkan oleh vendor dan belum direproduksi.

Yang tidak diberitahukan oleh kartu kedua model kepada Anda adalah bagaimana perilaku mereka dalam aplikasi yang sama. Uji tersebut — audio yang sama, perangkat yang sama, anggaran latensi yang sama — belum dijalankan oleh siapa pun di luar kedua perusahaan. Sampai uji itu dilakukan, keputusan bergantung pada cakupan dan lisensi, yang dapat diketahui hari ini, bukan pada akurasi, yang belum dapat diketahui.