Ming-3.0-audio-flash vs Qwen3.8-Omni-Flash: Tabel Milik Vendor Sendiri Sudah Memilih Pemenang

Ada tabel perbandingan yang menyelesaikan sebagian besar perdebatan ini, dan tabel itu diterbitkan oleh salah satu dari dua vendor. Pada gambar evaluasi milik inclusionAI sendiri untuk Ming-3.0-audio-flash, kolom referensinya adalah Qwen3.8-Omni-Flash — model omni tertutup milik A​libaba, terbuka bagi pelanggan API sejak 18 September 2026 — dan hasilnya bergerak ke dua arah. Ming unggul pada baris dialek dengan selisih lebar dan kalah pada baris penalaran audio panjang dengan faktor hampir tiga. Itu luar biasa berguna, karena berarti pertanyaannya bukan "model mana yang lebih baik" melainkan "mode kegagalan mana di antara keduanya yang dapat ditoleransi oleh beban kerja Anda." Ming-3.0-audio-flash adalah checkpoint audio-bahasa milik inclusionAI dengan total 126B dan aktif 6.5B, diunggah pada 3 September 2026 dan didokumentasikan pada 19 Oktober; Qwen3.8-Omni-Flash adalah model terkelola yang hanya menghasilkan teks dengan konteks satu juta token dan tanpa bobot. Satu Anda miliki, satu Anda sewa, dan kekuatan yang dipublikasikan keduanya tidak banyak tumpang tindih. Kegagalan AI yang didokumentasikan dan perselisihan benchmark vendor di balik perbandingan seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status diperdebatkan.

Dua cara untuk membaca audio selama satu jam

Kedua model menerima audio dan teks serta mengembalikan teks. Kalimat itu benar untuk keduanya sekaligus menyesatkan tentang keduanya, karena skala tempat mereka beroperasi benar-benar berbeda.

Qwen3.8-Omni-Flash menerima input teks, gambar, audio, dan video, menangani hingga satu jam audio-video berkelanjutan dalam satu panggilan, membawa konteks sejuta token (input maksimum sekitar 991K, output hingga 131K dengan anggaran penalaran 262K), dan hanya menjawab dalam bentuk teks. Kerangka peluncuran Alibaba lebih menyerupai tagihan daripada skor: 98% lebih murah per jam input audio dibandingkan Qwen3.5-Omni-Plus, 93% lebih murah per jam audio-video, dengan angka per jam yang diperoleh dari penetapan harga sampel dua menit lalu dikalikan tiga puluh, video di-sampling pada 720p dan satu frame per detik. Harga internasionalnya adalah $0.15 per juta token input, $0.016 untuk yang di-cache, $0.47 untuk output.

Ming-3.0-audio-flash menerima audio dan teks sebagai masukan, mengembalikan teks atau teks plus ucapan melalui Talker opsional, dan membawa konteks 128K — angka yang tidak diklaim oleh konfigurasinya hingga 13 Oktober, ketika sebuah commit satu berkas menaikkan max_position_embeddings dari 8,192 menjadi 131,072. Profil penyajian referensinya adalah paralelisme tensor di delapan H800 80 GB dan unduhannya sekitar 259 GB. Tidak ada harga per token karena tidak ada endpoint.

Jadi, unit Q​wen adalah panggilan; unit Ming adalah simpul. Itu adalah keputusan pertama dan biasanya menentukan sisanya.

Apa yang tertulis di tabel inclusionAI sendiri, baris demi baris

Setiap angka di bagian ini berasal dari tiga PNG di repositori Ming, folder assets/ — hasil run inclusionAI sendiri, pada harness miliknya sendiri, dengan tanda bintang menandai baris yang dievaluasi sendiri. Tidak ada satu pun yang direproduksi. Bacalah ini sebagai vendor yang mendeskripsikan dirinya di depan publik, yang lebih daripada yang dilakukan sebagian besar vendor.

• Rata-rata ASR bahasa Mandarin — Ming 3,45 tingkat kesalahan dibandingkan Qwen3.8-Omni-Flash 3,54 dan Gemini 3.8 Flash 9,83. Kemenangan tipis.

• Rata-rata ASR bahasa Inggris — 3,69 dibandingkan 4,02 dan 5,05. Juga sempit.

• Rata-rata dialek — 9,40 berbanding 11,58. Lebih lebar, dan inilah klaim utamanya: Kanton 4,09 berbanding 4,76, Shanghai 11,15 berbanding 21,10, Hunan 8,76 berbanding 17,11, Hokkien 12,84 berbanding 26,32.

• Hubei — 9,46 versus 7,75. Qwen memenangkan baris ini dan inclusionAI tetap mencetaknya, yang merupakan alasan utama untuk mempercayai bagian lain tabel.

• Diarisasi pembicara, AISHELL-4 — Ming 8,58 tingkat kesalahan diarisasi dibandingkan Qwen 2,80. Pada AMI, 25,29 untuk Ming dibandingkan 11,16 untuk MiMo-V2.6 Pro.

• Skor Chain audio panjang — Ming 12,31 dibandingkan Q​wen 34,54, mode berpikir Q​wen 48,70, dan Gemini 3.8 Flash 49,63. Ini adalah kesenjangan empat kali lipat, dan itu pada metrik yang dipilih vendor untuk dipublikasikan.

• LongAudioSpan — 41,12 dibandingkan dengan 66,40. MMAR — 74,40 dibandingkan dengan 77,70. MMSU — 78,82 dibandingkan dengan 82,10.

• Baris utama penalaran audio — Ming meraih 99,40 pada BigBenchAudio dan 82,00 pada MMAU; pemanggilan alat pada BFCL-v3 Audio sebesar 81,40 berbanding 86,68 untuk Gemini 3.8 Flash.

Polanya tidak acak. Ming paling kuat ketika tugasnya adalah "apa yang tepatnya dikatakan, termasuk aksennya," dan paling lemah ketika tugasnya adalah "menyimpan rekaman panjang dalam pikiran dan bernalar melintasinya." Q​wen sebaliknya: jendela sejuta token dan anggaran penalaran justru merupakan mesin untuk tugas kedua, dan tidak ada apa pun dalam materi peluncurannya yang menunjukkan penyetelan per dialek.

Klaim dialek itulah seluruh inti persoalannya, dan klaim itu lebih sempit daripada kedengarannya.

Jika Anda hanya mengambil satu hal dari tabel vendor, ambil ini: kesenjangan yang bertahan setelah pengujian ketat adalah pengenalan ucapan bahasa Tionghoa dialek dan beraksen, bukan kecerdasan audio umum. Bahasa Shanghai pada 11,15 versus 21,10 kira-kira setengah tingkat kesalahan. Hunan pada 8,76 versus 17,11 kira-kira setengahnya. Hokkien pada 12,84 versus 26,32 kira-kira setengahnya. Itu adalah selisih besar dan konsisten di lima baris dialek, dan itu adalah jenis hasil yang berasal dari keputusan pelatihan, bukan trik benchmark.

Kaveat-kaveat ini sama pentingnya dengan angka-angkanya. Himpunan uji merupakan pilihan vendor itu sendiri; harness-nya milik vendor; nilai referensi untuk Qwen3.8-Omni-Flash dihasilkan oleh inclusionAI yang menjalankan model Alibaba, bukan oleh Alibaba. Pesaing menilai model rival adalah praktik yang normal, dan itu juga merupakan susunan yang paling mungkin menghasilkan hasil yang menyanjung secara tidak sengaja. Satu baris yang berlawanan arah, Hubei, adalah bukti terkuat bahwa tabel itu tidak sekadar diedit.

Dan kesenjangan audio panjang empat kali lipat bukanlah kesalahan pembulatan yang dapat Anda akali lewat desain. Jika beban kerja Anda adalah panggilan pendapatan selama sembilan puluh menit dan Anda memerlukan ringkasan dengan referensi silang, angka Ming sendiri mengatakan bahwa mode berpikir Q​wen adalah alat yang lebih baik dengan faktor empat pada metrik yang mengukur hal itu secara persis.

Ketersediaan menentukan lebih banyak daripada benchmark

Qwen3.8-Omni-Flash hanya ada di satu tempat: platform Qianwen milik A​libaba dan A​libaba Cloud Model Studio, dengan endpoint internasional dan Tiongkok daratan yang terpisah, penagihan terpisah, dan mata uang terpisah. Model ini merespons permintaan berbentuk OpenAI, sehingga kode klien sebagian besar dapat di-porting, tetapi endpoint-nya tidak portabel dan tidak ada target failover. Belum ada bobot yang dirilis dan belum ada yang diumumkan. OrcaRouter tidak menyediakannya.

Ming-3.0-audio-flash tidak memiliki endpoint sama sekali. Ini adalah bobot berlisensi MIT dengan kartu model, repositori GitHub yang dibuat pada 15 Oktober, YAML deployment untuk tiga profil, dua klien contoh, dan panduan suara berukuran 150 KB. Proyek vLLM-Omni mendukung generasi Ming sebelumnya dan memiliki pull request terbuka untuk model Ming T​TS 7,9B, tetapi belum ada yang di-merge untuk checkpoint audio-language ini; jalur praktis saat ini adalah Transformers dengan trust_remote_code=True, yang memadai untuk evaluasi dan masih minim untuk sebuah layanan.

Letakkan kedua paragraf itu berdampingan dan trade-off-nya menjadi sangat jelas. Q​wen memberi Anda endpoint produksi tanpa fallback dan tanpa visibilitas. Ming memberi Anda checkpoint dengan visibilitas penuh dan tanpa endpoint. Tim yang memiliki node GPU dan persyaratan kepatuhan memilih Ming. Tim yang memiliki tenggat waktu memilih Q​wen dan menanggung risiko sumber tunggal.

Seperti apa jalan tengah itu

Ada opsi ketiga yang tidak didokumentasikan oleh vendor mana pun, dan perlu dijelaskan secara gamblang karena inilah yang sebenarnya dilakukan sebagian besar tim: gunakan model hosted untuk pekerjaan yang lebih cocok untuknya dan bobot terbuka untuk pekerjaan yang lebih cocok untuk bobot terbuka tersebut, dalam pipeline yang sama.

Secara konkret — organisasi dukungan yang menangani panggilan Mandarin dengan penutur dialek. Audio tiba, pengklasifikasi ringan memutuskan apakah ucapan penelepon standar atau sangat beraksen. Audio standar dikirim ke Qwen3.8-Omni-Flash untuk ringkasan konteks panjang dengan penalaran atas seluruh panggilan. Audio beraksen dikirim ke Ming-3.0-audio-flash untuk transkripsi, dan transkripnya kembali ke pipeline teks untuk peringkasan. Tidak ada model yang melihat seluruh beban kerja; keduanya melihat bagian yang mereka menangi.

Arsitektur itu lebih banyak pekerjaan daripada memilih satu vendor, dan hanya arsitektur itulah yang menggunakan tabel vendor secara jujur, karena tabel itu sendiri menyatakan bahwa kedua model gagal pada input yang berbeda.

Di mana OrcaRouter berada, tepatnya

Kami tidak menyediakan kedua model dalam artikel ini. Qwen3.8-Omni-Flash di-hosting oleh Alibaba dan tidak ada dalam katalog kami; Ming-3.0-audio-flash merupakan model berbobot terbuka dan tidak ada dalam katalog kami. Pembaca yang mendaftar dengan mengharapkan salah satunya akan kecewa, jadi lebih baik menyatakannya di sini daripada di akhir kotak pendaftaran.

Yang dibutuhkan pipeline pengklasifikasi-dan-peringkas di atas adalah persis yang disediakan router: satu kunci untuk sisi teks dalam rantai, aturan perutean yang mengirim audio standar ke satu jalur dan audio beraksen ke jalur lain, serta jalur failover saat penyedia menurun. Satu API untuk lebih dari 200 model dengan markup 0% — harga daftar penyedia diteruskan, sehingga pemotongan harga vendor langsung berlaku di sisi kami pada hari yang sama — adalah hal yang lebih ringan untuk dioperasikan daripada tiga kontrak dan dua sistem penagihan, dan failover otomatis adalah jawaban atas risiko sumber tunggal yang menyertai model omni terhosting mana pun. DSL perutean adalah tempat pipeline ucapan dua cabang benar-benar diekspresikan. Ini bukan, dan tidak dapat menjadi, pengganti checkpoint 259 GB.

Untuk dua jenis tim

Jika Anda sedang membangun produk dengan audio di dalamnya kuartal ini dan tanpa anggaran GPU, Qwen3.8-Omni-Flash adalah jawabannya, dengan catatan bahwa Anda menyewa dari satu pemasok dan sebaiknya menulis klien Anda sehingga endpoint menjadi nilai konfigurasi, bukan konstanta. Jendela konteks dan anggaran penalarannya benar-benar lebih besar daripada apa pun yang ditawarkan alternatif berbobot terbuka.

Jika Anda membangun infrastruktur — layanan transkripsi, pipeline kepatuhan on-premise, apa pun yang membuat endpoint vendor menjadi beban alih-alih kemudahan — Ming-3.0-audio-flash adalah opsi terbuka yang serius, dan angka dialeknya adalah alasannya. Sediakan anggaran untuk satu node, anggarkan satu bulan untuk integrasi, dan baca baris diarisasi sebelum menjanjikan label pembicara kepada siapa pun.

Kesimpulan yang kurang bergengsi adalah bahwa kedua model itu bukanlah rival, melainkan pembagian kerja yang tidak punya insentif untuk dijelaskan oleh kedua vendor. inclusionAI menerbitkan tabel yang menunjukkan hal itu. Itu lebih berharga daripada postingan peluncuran.