LFM3-Omni-2B vs Ming-3.0-audio-flash: Ponsel Melawan Rak

Daftar material menentukan perbandingan ini sebelum benchmark sempat berbicara. Ming-3.0-audio-flash memiliki 126 miliar parameter, sekitar 259 GB bobot bfloat16, dan profil penyajian referensi yang dibangun di atas H800 80 GB dalam tensor parallel — empat unit dalam konfigurasi 128K, delapan saat audio panjang kehabisan memori. LFM3-Omni-2B memiliki 2,17 miliar parameter, dikirim sebagai bobot BF16 biasa, dan dirancang untuk berjalan di ponsel. Keduanya menerima audio sebagai masukan. Keduanya dapat menjawab dengan suara. Salah satunya adalah aset pusat data dan yang lainnya adalah fitur yang dapat Anda masukkan ke dalam aplikasi, dan hampir semua hal lain tentang keduanya mengikuti fakta tunggal itu.

Keduanya juga hadir tanpa banyak seremoni. Liquid AI mengumumkan keluarga LFM3 pada 27 Oktober 2026, dengan LFM3-Omni-2B sebagai salah satu dari enam model kelas 2B dalam satu postingan; repositorinya telah publik sejak 21 Oktober. inclusionAI mengunggah Ming-3.0-audio-flash pada 3 September 2026 dengan hampir tanpa dokumentasi dan baru menerbitkan kartu model yang sebenarnya pada 19 Oktober, enam minggu kemudian. Tak satu pun vendor memiliki benchmark independen, dan tak satu model pun memiliki endpoint terkelola yang bisa disewa per token.

Dua cara untuk memasang mulut pada model

Perbedaan arsitekturnya bukan soal ukuran. Ini soal di mana audio berada.

Ming-3.0-audio-flash mempertahankan audio sebagai audio selama mungkin. Encoder bergaya Whisper — 32 lapis, lebar 1.280, 128 bin mel — mengubah suara menjadi representasi yang memasok backbone mixture-of-experts 42 lapis dengan 512 pakar dan 8 yang dipilih per token. Ucapan kembali melalui modul Talker opsional dengan suara Mandarin bawaan dan prompting suara klip referensi. Konteks yang dideklarasikan adalah 128K, angka yang tidak diklaim oleh konfigurasi hingga commit 13 Oktober menaikkan embedding posisi dari 8.192 menjadi 131.072.

LFM3-Omni-2B mengubah semuanya menjadi satu aliran token. Video disampel pada 2 frame per detik, setiap patch gambar 2×2 menjadi satu token bahasa, dan audio melewati encoder audio kausal LFM3 ke dalam kosakata 128.000 token yang sama dengan teks. Keluaran ucapan adalah LiquidCodec pada 24 kHz; masukan audio adalah mono 16 kHz. Seluruh model berada dalam jendela 32K.

Itu adalah argumen kompresi, dan itu bisa berlaku dua arah. Pendekatan LFM3-Omni-2B-lah yang membuat model 2,17B layak di ponsel — semuanya adalah jenis token yang sama, jadi semuanya sama-sama murah. Pendekatan Ming-lah yang memungkinkan model 126B menyimpan rekaman berdurasi satu jam dalam ingatan tanpa membuang prosodi. Keduanya bukan makan siang gratis.

Angka-angka yang layak disandingkan

• Total parameter — LFM3-Omni-2B 2.17B dense; Ming-3.0-audio-flash 126B dalam campuran 512 pakar.

• {{1}}Parameter aktif{{/1}} — sekitar 2,17B dibandingkan 6,5B per langkah inferensi.

• Bobot di disk — beberapa gigabyte dibandingkan dengan sekitar 259 GB shard bfloat16 ditambah Talker.

• Perangkat keras acuan — ponsel, laptop, atau papan edge dibandingkan dengan empat H800 80 GB dalam paralel tensor untuk profil 128K, delapan bila audio panjang kehabisan memori.

• Konteks — 32K token mencakup input dan output, dibandingkan dengan 128K yang dideklarasikan.

• Output ucapan — LiquidCodec 24 kHz dengan 19 lokal ucapan; Ming mengembalikan teks atau teks plus ucapan melalui Talker, dengan suara bawaan dan kloning klip referensi.

• Lisensi — LFM Open License v1.0, lisensi dengan ambang pendapatan, versus MIT.

• Harga — tidak ada harga per token di kedua sisi, karena tidak ada vendor yang menjual inferensi untuk checkpoint ini.

Parameter aktif bukanlah speedometer

Sangat menggoda untuk membaca “6.5B active” di samping “2.17B dense” dan menyimpulkan bahwa Ming hanya tiga kali lebih mahal per token. Pembacaan itu salah di kedua arah.

Sebuah mixture of experts menghabiskan bandwidth memori, bukan hanya aritmetika. Melayani 6,5B parameter aktif dari 126B berarti memindahkan bobot pakar ke cache pada setiap lapisan, dan pada ukuran batch satu — rezim tempat asisten suara beroperasi — itu hampir setara dengan membaca sebagian besar dari 259 GB untuk setiap token. Profil delapan-H800 bukan rekomendasi untuk throughput puncak; itulah yang diperlukan untuk menampung bobot. LFM3-Omni-2B pada 2,17B memiliki masalah sebaliknya: tidak ada dividen sparsitas, tetapi juga tidak ada yang perlu ditukar, yang persis merupakan profil yang membuat ponsel masuk akal.

Konsekuensi praktisnya adalah kedua model memiliki kurva penskalaan yang berbeda. Ming menjadi lebih murah per token saat Anda memproses dalam batch, yang cocok untuk pipeline transkripsi yang memproses antrean panggilan rekaman. LFM3-Omni-2B tetap kurang lebih konstan per ucapan, yang cocok untuk percakapan langsung ketika ukuran batch adalah satu dan anggaran latensinya hanya beberapa ratus milidetik.

Apa yang dibeli dengan 126 miliar

inclusionAI mempublikasikan evaluasinya sebagai gambar alih-alih tabel, yang merupakan pernyataan tersendiri, tetapi angkanya tetap terbaca. Pada harness miliknya sendiri, Ming-3.0-audio-flash melaporkan rata-rata tingkat kesalahan ASR bahasa Mandarin sebesar 3.45, bahasa Inggris 3.69, rata-rata dialek sebesar 9.40 untuk Kanton, Shanghai, Hunan, dan Hokkien, serta tingkat kesalahan diarisasi sebesar 8.58 pada AISHELL-4. Baris penalaran audio mencakup BigBenchAudio pada 99.40 dan MMAU pada 82.00. Ini adalah angka vendor pada harness vendor dengan tanda bintang yang menandai baris hasil evaluasi mandiri. Belum ada yang mereproduksinya.

Kelemahan yang tetap dicetak vendor adalah penalaran audio panjang: skor Long-audio Chain 12,31 dan LongAudioSpan 41,12, keduanya jauh di belakang model yang di-hosting dalam perbandingannya sendiri. Jadi 126B tidak secara merata lebih baik dalam "memahami audio". Ia lebih baik dalam mendengar secara tepat apa yang dikatakan, dengan aksen apa, oleh pembicara mana — dan jauh lebih kurang baik dalam mengingat rekaman panjang dan menalar melintasinya.

Apa yang dibeli dengan 2,17 miliar

LFM3-Omni-2B melaporkan tingkat kesalahan kata ASR bahasa Inggris sebesar 6,36 dan tingkat multibahasa 6,72, UTMOSv2 TTS 3,80, VoiceBench 64,73, MMAR 51,40, dan skor tool-calling 52,20. Input audionya dibatasi pada mono 16 kHz, yang memadai untuk ucapan dan tidak berguna untuk musik.

Tahan dorongan untuk membandingkan 6.36 dengan 3.69 milik Ming. Keduanya bukan tes yang sama. Rata-rata bahasa Inggris Ming dihitung atas kumpulan benchmark bahasa Inggris miliknya sendiri; 6.36 milik Liquid adalah satu angka dari satu evaluasi, dijalankan dengan prompt dan greedy decoding miliknya sendiri. Satu-satunya pernyataan yang bisa dipertahankan bersifat arah: ASR Ming kemungkinan lebih baik, karena model native audio 126B dengan tower bergaya Whisper memiliki lebih banyak ruang untuk menjadi lebih baik, dan karena penanganan dialek adalah hal yang dipilih inclusionAI untuk dijadikan unggulan. Apakah lebih baik dua poin atau setengah poin tidak dapat diketahui dari dua kartu ini.

Yang didapat dari LFM3-Omni-2B bukanlah akurasi. Melainkan bahwa model berjalan di tempat mikrofon berada. Untuk pipeline perekaman panggilan, itu tidak relevan. Untuk apa pun yang melibatkan pengguna secara langsung, itu mengubah arsitektur: tanpa unggah, tanpa perjalanan pulang-pergi, tanpa tagihan per menit, dan tidak ada audio yang meninggalkan perangkat.

Lisensi adalah pembeda yang tak mencolok

Ming-3.0-audio-flash berlisensi MIT. Itu kurang lebih sepermisif mungkin: penggunaan komersial, modifikasi, redistribusi, tanpa uji pendapatan, tanpa pembatasan bidang penggunaan. LFM3-Omni-2B dirilis di bawah LFM Open License v1.0, lisensi keluarga yang diterapkan Liquid pada seluruh LFM3, yang merupakan lisensi berbasis ambang pendapatan, bukan lisensi open-source yang disetujui OSI. Bacalah sebelum Anda membangun produk di atasnya. Bagi startup di bawah ambang tersebut, perbedaannya bersifat akademis; bagi perusahaan di atasnya, MIT bernilai uang nyata.

Integrasi adalah tempat dokumennya terlihat.

Kisah serving Ming masih berlangsung. Framing peluncuran inclusionAI menyiratkan bahwa Anda dapat menyajikan keluarga model ini dengan vLLM-Omni hari ini; yang sebenarnya ditunjukkan repositori adalah pull request terbuka — satu mencakup checkpoint tts-tiny, yang lain menambahkan dukungan audio-flash. Sampai pull request itu di-merge, menjalankan Ming-3.0-audio-flash berarti menggunakan Transformers pada mesin dengan memori yang cukup, atau jalur SGLang-Omni yang didokumentasikan vendor. Itu bisa dilakukan dan bukan sekadar `pip install`.

Kisah LFM3-Omni-2B adalah kebalikannya: kartu Hugging Face yang mendokumentasikan resep fine-tuning, dan build Ollama yang sudah beredar. Build itu menyebut konteks 125K sedangkan kartu menyebut 32K, yang menunjukkan bahwa pengemasan bergerak lebih cepat daripada dokumentasi — hal kecil yang penting jika Anda berencana memberinya audio panjang.

Jika tidak satu pun dari ini merupakan bentuk yang tepat bagi Anda, alternatifnya adalah menyewa kapabilitas tersebut alih-alih memilikinya, dan itu merupakan pos anggaran yang berbeda. OrcaRouter adalah sisi terkelola dari pilihan itu — satu API untuk 200+ model dengan markup 0% atas harga daftar penyedia, dengan failover otomatis saat penyedia mengalami gangguan — dan baik LFM3-Omni-2B maupun Ming-3.0-audio-flash tidak ada dalam katalog tersebut saat ini. Itulah kerangka yang jujur: artikel ini membahas dua model yang Anda unduh, bukan dua model yang dapat Anda panggil.

Siapa yang harus memilih yang mana

Pilih Ming-3.0-audio-flash jika Anda memiliki GPU yang tidak sedang digunakan untuk hal lain, audio Anda berupa bahasa Mandarin atau Inggris dengan aksen dan banyak pembicara, dan tugas Anda adalah menghasilkan transkrip yang akurat atau jawaban yang beralasan tentang rekaman panjang. Lisensi MIT membuatnya menjadi pilihan yang lebih aman di antara keduanya untuk membangun produk komersial, dan konteks 128K menjadikannya satu-satunya dari pasangan tersebut yang dapat menangani rapat dalam satu kali proses.

Pilih LFM3-Omni-2B jika audio dihasilkan di edge, pengguna sedang menunggu, dan jawaban perlu diucapkan kembali dalam satu tarikan napas. Terimalah bahwa Anda mendapatkan akurasi model yang lebih kecil, daftar bahasa yang lebih sempit, dan lisensi dengan klausul pendapatan, sebagai imbalan atas deployment yang muat di dalam aplikasi.

Pertanyaan yang perlu diajukan sebelum salah satu pun: ke mana audio itu pergi? Jika jawabannya "tidak ke mana-mana", perbandingannya sudah berakhir.