
Ming-3.0-audio-flash Memuncaki Penalaran Bicara Artificial Analysis dengan 99,8% — Unggul Satu Poin, dan Masih Tanpa Harga
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 185 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 228 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 89 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 98 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Artificial Analysis kini mencantumkan Ming-3.0-audio-flash di posisi pertama pada papan Speech Reasoning miliknya, evaluasi Big Bench Audio, dengan akurasi 99.8%, lebih unggul dari StepAudio 3 Realtime pada 99.7%, Qwen Audio 3.0 Realtime Plus pada 99.2%, Eleven Realtime v1 Max pada 98.8%, Grok Voice 3.0 pada 98.5%, Gemini 3.8 Live Extended Thinking (High) pada 97.7% dan GPT-Realtime-2.1 High pada 95.8%. Klaim itu disampaikan oleh Ant Ling pada 18 November 2026 pukul 08:37 UTC, sembilan belas menit setelah repositori model itu sendiri diedit untuk menambahkan angka yang sama dan gambar papan peringkat. Waktu itu adalah inti ceritanya: model yang dirilis pada September tanpa skor pihak ketiga kini memilikinya, dan angka itu sangat dekat dengan batas atas.
Untuk tepat mengenai apa yang baru dan apa yang tidak — karena ini bukan peluncuran. inclusionAI mengunggah bobot Ming-3.0-audio-flash ke Hugging Face pada 3 September 2026 dan tidak mengatakan apa pun tentangnya selama enam minggu; kartu model, profil penyajian, dan kode contoh baru hadir antara 15 dan 19 Oktober. Yang berubah hari ini adalah evaluasinya, bukan checkpoint-nya. Pecahan safetensors adalah byte yang sama seperti pada September. Jadi kerangka yang jujur adalah bahwa model audio berbobot terbuka berusia tujuh minggu baru saja diukur oleh pihak selain pembuatnya, dan hasilnya berada di puncak.
Apa yang sebenarnya diminta Big Bench Audio kepada sebuah model untuk dilakukan
Ada baiknya bersikap konkret tentang tes ini, karena "speech reasoning" terdengar seperti sesuatu yang dilakukan agen suara dalam percakapan, padahal sebagian besar bukan demikian. Big Bench Audio adalah kumpulan pertanyaan pilihan ganda yang disampaikan sebagai audio: model mendengar rekaman, mendengar atau membaca pertanyaan tentangnya, lalu memilih jawaban. Tes ini memberi nilai pada kemampuan menyimpan bagian lisan dalam konteks dan menerapkan penalaran biasa padanya. Tes ini tidak memberi nilai pada pengambilan giliran, penanganan interupsi, backchannel, atau kemampuan terdengar seperti manusia. Hal-hal itu berada di papan Artificial Analysis yang berbeda, Full Duplex Bench, tempat Ming-3.0-audio-flash saat ini sama sekali tidak memiliki skor yang dipublikasikan.
Perbedaan itu lebih penting daripada biasanya di sini, karena pada 99,8% metrik ini hampir tidak menyisakan ruang. Pada papan berisi 42 model, selisih antara peringkat pertama dan kelima adalah satu poin persentase. Antara peringkat pertama dan model di peringkat ketiga belas — GPT-Realtime-2.1 High — selisihnya empat poin. Uji yang hampir semua model modern mendapat skor di kisaran sembilan puluhan adalah uji yang telah berhenti memisahkan puncak bidang ini, dan keunggulan satu poin atas StepAudio 3 Realtime hanyalah beberapa butir pada tolok ukur yang jumlah butirnya tidak dapat diperiksa oleh siapa pun di luar Artificial Analysis. Bacalah peringkat itu sebagai "model ini termasuk dalam kelompok teratas", yang benar-benar berguna, alih-alih "model ini secara terukur lebih baik dalam pendengaran daripada yang lain", yang tidak dapat didukung oleh angka tersebut.
Papan klasemen secara berurutan, untuk siapa pun yang ingin melihat bentuk persaingannya ketimbang hanya judul beritanya:
• 1 — Ming-3.0-audio-flash, 99,8%
• 2 — StepAudio 3 Realtime, 99,7%
3 — Qwen Audio 3.0 Realtime Plus, 99,2%
• 4 — Phonic 1 (Tinggi), 98,9%
• 5 — Eleven Realtime v1 Max, 98,8%
• 7 — Grok Voice 3.0, 98.5%
• 8 — Gemini 3.8 Live Extended Thinking (Tinggi), 97,7%
• 13 — GPT-Realtime-2.1 High, 95,8%

Satu detail dalam dokumen milik vendor sendiri patut dicatat, karena hal semacam ini sering kali dihilangkan secara diam-diam. Gambar evaluasi pada kartu model inclusionAI, yang diunggah pada Oktober, menunjukkan model flash pada 99,40 di "BigBenchAudio". Artificial Analysis kini melaporkan 99,8. Itu adalah dua eksekusi berbeda dari benchmark yang serupa, dan selisihnya bukan kesalahan pada salah satunya — itu adalah rentang normal yang muncul ketika harness, format prompt, dan subset item tidak identik. Ini juga menjadi pengingat bahwa tabel Oktober dari vendor dan papan pihak ketiga hari ini bukanlah angka yang dapat dipertukarkan, meskipun labelnya hampir sama.
Apa yang tidak disampaikan oleh dewan
Ada tiga hal yang hilang dari entri Artificial Analysis, dan masing-masing lebih penting bagi keputusan penerapan daripada angka akurasi.
Yang pertama adalah harga. Ming-3.0-audio-flash tidak memiliki tarif per token atau per menit di Artificial Analysis karena tidak ada yang bisa dibeli: ini adalah checkpoint mixture-of-experts 126 miliar parameter berlisensi MIT, dengan 6,5 miliar parameter aktif per langkah. Biayanya adalah sebesar biaya perangkat kerasnya. Catatan deployment inclusionAI sendiri menempatkan profil penyajian 128K referensi pada paralelisme tensor di empat H800 80 GB, dengan fallback delapan GPU untuk audio panjang, dan profil SGLang tervalidasi pada empat GPU yang hanya mengembalikan teks. Setiap model di atasnya di papan peringkat kecuali dirinya sendiri adalah API berbayar per penggunaan. Membandingkan mereka hanya berdasarkan akurasi berarti membandingkan skor benchmark dengan skor benchmark dan mengabaikan bahwa satu sisi tabel adalah pembelian dan sisi lainnya adalah langganan.
Yang kedua adalah latensi. Artificial Analysis memang mengukur waktu hingga audio pertama, dan Ming-3.0-audio-flash berada di 1,12 detik. Eleven Realtime v1 Max berada di 0,57 detik — kira-kira setengahnya. Jika aplikasi Anda adalah agen suara yang harus menjawab di dalam jeda percakapan, kemenangan benchmark tidak mengompensasi sedetik keheningan, dan urutan papan peringkat tidak mengatakan apa pun tentang angka mana dari kedua itu yang bisa Anda toleransi.
Yang ketiga adalah perilaku percakapan. Skor Full Duplex Bench tersedia untuk Eleven Realtime v1 Max (0,941 secara keseluruhan, dengan penanganan interupsi 0,99 dan giliran bicara 1,0) dan untuk beberapa model realtime Gemini dan GPT. Ming-3.0-audio-flash tidak memiliki skor FDB, tidak ada rincian dinamika percakapan, dan tidak ada pengukuran yang dipublikasikan tentang bagaimana model ini menangani saat diinterupsi. Sebuah model bisa saja unggul dalam pertanyaan pilihan ganda tentang audio dan tetap saja berbicara saat Anda sedang berbicara.
Dan angka Oktober milik vendor sendiri adalah bukti yang paling tidak mengenakkan dalam keseluruhan gambaran ini. Pada kartu yang sama yang mengiklankan kemenangan penalaran ucapan, inclusionAI menerbitkan skor rantai audio panjang sebesar 12,31 berbanding 34,54 untuk Qwen3.8-Omni Flash dan 49,63 untuk Gemini 3.8 Flash, LongAudioSpan sebesar 41,12 berbanding 66,40, serta tingkat kesalahan diarisasi pembicara pada AMI sebesar 25,29 berbanding 11,16 untuk MiMo-V2.6 Pro. Itu adalah angka vendor, pada tugas-tugas yang dipilih vendor, dan angka-angka itu menggambarkan model yang sangat baik pada audio pendek tanya-jawab dan lemah dalam penalaran atas rekaman panjang. Tidak ada soal skor 99,8 pada Big Bench Audio yang mengubah itu, karena Big Bench Audio bukanlah uji audio panjang.
Jeda tujuh belas menit antara kartu dan tweet
Commit repositori tersebut bertanda waktu 08:26:48 UTC pada 18 November dan berjudul, sebagian, "Update Flash BBA score to 99.8% and add the overall #1 leaderboard res…". Postingan dari Ant Ling menyusul pada 08:37:02. Commit yang sama menyentuh kartu milik saudara kecilnya empat puluh delapan detik kemudian, menambahkan kalimat yang sama — paragraf tolok ukur bersama, disalin ke kedua repositori, dan satu alasan lagi untuk memeriksa checkpoint mana yang sebenarnya menjadi milik suatu angka sebelum mengutipnya.

Apa yang diberitahukan urutan itu kepada Anda adalah bahwa kartu model kini berada di hilir papan peringkat, bukan sebaliknya. Selama enam minggu, satu-satunya bukti kinerja untuk Ming-3.0-audio-flash adalah sekumpulan gambar PNG di folder assets/ yang dihasilkan oleh tim yang melatihnya. Itu bukan tanpa arti — evaluasi vendor biasanya jujur, hanya optimistis soal pemilihan tugas — tetapi itu kategori bukti yang berbeda dari pihak ketiga yang menjalankan harness-nya sendiri dan menerbitkan peringkat. Hal yang menarik tentang hari ini bukanlah bahwa vendor mengklaim tempat pertama. Yang menarik adalah bahwa organisasi yang tidak memiliki kepentingan dalam hasil tersebut menempatkan model itu di sana.

Di mana router cocok, dan di mana tidak
OrcaRouter tidak menyediakan Ming-3.0-audio-flash. Itu tidak ada dalam katalog kami, kami tidak dapat memberikan endpoint untuknya, dan tidak ada apa pun di sini yang boleh ditafsirkan sebagai penawaran. Jika Anda ingin menjalankannya, Anda mengkloning repositori, memasang jalur kode Transformers 5 atau salah satu profil serving SGLang-Omni, dan mengarahkan setidaknya empat kartu 80 GB ke sana. Itu infrastruktur, dan router tidak menangani infrastruktur.
Yang dilakukan router adalah separuh lainnya dari pipeline ucapan mana pun. Aplikasi suara yang dibangun di atas model audio yang di-host sendiri tetap sebagian besar berupa pekerjaan teks: prompt yang menentukan pertanyaan apa yang diajukan ke rekaman, pascapemrosesan yang mengubah label bahasa yang dipisahkan tab menjadi keluaran terstruktur, ringkasan yang ditulis dari transkrip, pengklasifikasi yang mengarahkan panggilan bising ke manusia. Itu semua adalah panggilan chat biasa, dan satu API untuk lebih dari 200 model dengan markup 0% — harga daftar penyedia diteruskan apa adanya, sehingga pemotongan harga vendor langsung aktif di sisi kami pada hari yang sama — adalah hal yang lebih sederhana untuk disambungkan daripada kontrak vendor kedua dan ketiga. Failover otomatis memungkinkan Anda menempatkan model open-weights yang belum terbukti di balik sebagian trafik Anda tanpa mempertaruhkan seluruh jalur padanya.
Batas adalah intinya. Checkpoint 259 GB yang Anda jalankan di GPU sendiri adalah keputusan modal; router mengarahkan panggilan. Router tidak mengubah model klaster menjadi model yang dihosting, dan tidak menjadikan 99,8% pada tolok ukur pilihan ganda sebagai bukti tentang produk Anda.
Apa yang akan membuat ini berarti sesuatu
Tiga pengukuran akan mengubah berita utama hari ini menjadi keputusan, dan ketiganya adalah hal yang dapat diterbitkan oleh Artificial Analysis atau sebuah arena tanpa meminta apa pun kepada inclusionAI. Skor Full Duplex Bench akan menunjukkan apakah perilaku percakapan sesuai dengan pemahamannya. Hasil audio panjang pada kumpulan data publik akan menguji satu sumbu tempat tabel milik vendor sendiri paling lemah. Dan eksekusi independen kedua dari Big Bench Audio — harness berbeda, sampel item berbeda — akan memberi tahu Anda apakah 99,8 merupakan efek plafon atau celah yang nyata.
Sampai saat itu, kalimat yang akurat itu sempit dan layak dikatakan secara gamblang: sebuah model audio berbobot terbuka dari Ant Group, dirilis pada September dan didokumentasikan pada Oktober, kini menempati peringkat pertama pada tolok ukur penalaran ucapan pihak ketiga dengan selisih satu poin persentase atas model berikutnya, tanpa harga yang dipublikasikan, dengan waktu ke audio pertama dua kali lipat dibandingkan pesaing tercepat di papan itu, dan sama sekali tidak memiliki skor percakapan. Itu adalah hasil yang nyata. Itu juga klaim yang jauh lebih kecil daripada "model suara terbaik", dan perbedaan antara kedua kalimat itulah tempat sebagian besar pemikiran berguna tentang model ini masih harus terjadi.
Dibandingkan dalam artikel ini1
Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari
