LFM3-Audio-2B vs Ming-3.0-audio-flash: un checkpoint per laptop contro un orecchio su otto GPU

Il primo numero che separa LFM3-Audio-2B da Ming-3.0-audio-flash non è un benchmark. È otto. Ming-3.0-audio-flash, il mixture-of-experts audio-linguistico da 126 miliardi di parametri di InclusionAI con 6,5 miliardi attivi, richiede tensor parallelism su otto H800 da 80 GB per servire il suo profilo completo con contesto da 128K e output vocale — con quattro GPU si ottiene un percorso SGLang validato che è solo testo, perché il modulo Talker non entra. LFM3-Audio-2B, che Liquid AI ha rilasciato il 27 ottobre 2026 all'interno della famiglia LFM3 composta da sei modelli, è un checkpoint da 2B che arriva come download Ollama da 2,1 GB. Entrambi sono open weights. Solo uno dei due è una decisione che un singolo sviluppatore può prendere questo pomeriggio.

Quel divario è l'intera sfida, e vale la pena resistere all'errore ovvio di trattarlo come una classifica di qualità. Ming-3.0-audio-flash sente molto più di LFM3-Audio-2B: registrazioni lunghe, più parlanti, musica, scene acustiche, suoni non vocali. LFM3-Audio-2B è costruito per un ciclo vocale su un laptop — riconoscimento, sintesi, traduzione e chiamate vocali a strumenti in 18 lingue. Ming è un orecchio con una bocca attaccata; il modello di Liquid è una bocca con un orecchio attaccato. La domanda è quale lavoro hai davvero.

Due navi silenziose, due diversi tipi di silenzio

Nessuno dei due modelli ha avuto un lancio convenzionale, e la differenza nel modo in cui sono comparsi ti dice cosa aspettarti da ciascun repository.

Ming-3.0-audio-flash è stato caricato su Hugging Face il 3 settembre 2026 senza alcun annuncio, poi è rimasto inutilizzabile per sei settimane finché il codice di serving, gli esempi e la scheda riscritta non sono stati pubblicati tra il 15 e il 19 ottobre. Il repository GitHub è stato creato il 15; la scheda era ancora in fase di modifica il 19. La pagina HF mostra 22 download lo scorso mese. È rilasciato con licenza MIT e i file YAML di deployment di riferimento sono nel repository.

LFM3-Audio-2B è apparso il 27 ottobre come uno dei sei modelli del rilascio della famiglia di Liquid, condividendo la backbone LFM3-1.7B-Base. Alla branch audio sono stati dedicati un paragrafo del post sulla famiglia più una model card; non esiste un annuncio autonomo per l'audio né una voce di prezzo per esso sul sito di Liquid. Nel giro di un giorno aveva già una pull request unita su llama.cpp (#31257) e una build Ollama. La differenza sta nella rapidità del tooling, non nella profondità della documentazione: Ming ha pannelli di benchmark come immagini, Liquid ha una tabella a sei righe senza harness nominato.

Cosa ciascuno può sentire

• Ingresso — LFM3-Audio-2B: testo o audio a 16 kHz. Ming-3.0-audio-flash: audio più un'istruzione testuale.

• Output — LFM3-Audio-2B: testo, parlato a 24 kHz oppure testo e parlato intercalati. Ming-3.0-audio-flash: testo oppure testo con parlato sintetizzato tramite il Talker opzionale.

• Contesto — LFM3-Audio-2B: 32K token, input più output. Ming-3.0-audio-flash: 128K token, aumentato da 8.192 in un commit di ottobre.

• Lingue — LFM3-Audio-2B: 18 lingue elencate come 19 varianti locali perché l'inglese compare nelle varianti US e UK; l'ASR in tempo reale è disponibile solo in inglese. Ming-3.0-audio-flash: cinese e inglese, compresi accenti e dialetti — cantonese, shanghainese, hunan e hokkien sono citati nella copertura della famiglia.

• Licenza — LFM3-Audio-2B: LFM Open License v1.0, gratuita per uso commerciale al di sotto di 10 milioni di dollari di fatturato annuo. Ming-3.0-audio-flash: MIT.

• Requisiti hardware minimi — LFM3-Audio-2B: utilizzabile su CPU tramite GGUF, 2,1 GB. Ming-3.0-audio-flash: otto H800 da 80 GB per il profilo audio completo, quattro per il solo testo.

La riga delle lingue è il punto in cui i due vengono più spesso fraintesi. Diciotto lingue suona più ampio di due, e per la sintesi lo è. Ma le 18 sono per lo più europee, oltre a giapponese, coreano e cinese, e Liquid limita esplicitamente l'ASR in tempo reale all'inglese. Le due lingue di Ming sono accompagnate da una copertura dialettale che in un centro di contatti cinese conta più di un lungo elenco di localizzazioni. Se il tuo audio è in mandarino con commutazione di codice, l'affermazione linguistica di Ming, che sembra restrittiva, è quella più solida; se ti serve una voce olandese o svedese su un laptop, LFM3-Audio-2B è l'unico dei due a dichiararlo.

L'unico numero che torna, e perché non è ancora un verdetto

Entrambi i fornitori pubblicano un valore VoiceBench, il che lo rende quanto di più vicino a un asse condiviso in questo contesto. Ming-3.0-audio-flash riporta 86,74. LFM3-Audio-2B riporta 73,13. A prima vista, si tratta di un divario di 13,6 punti a favore di Ming.

Trattalo come un'ipotesi, non come un risultato. I due numeri provengono da versioni diverse dell'harness, prompt diversi e impostazioni di decodifica diverse, e nessuno dei due repository nomina la configurazione esatta. I materiali di Ming avvertono che i modelli di confronto sono stati riprodotti nell'ambiente di valutazione di inclusionAI e potrebbero differire dai report ufficiali a causa di prompt, decodifica, versioni e pipeline. La tabella di Liquid non nomina affatto il proprio set di test. Un numero di un fornitore confrontato con il numero di un altro fornitore è un ordinamento di due affermazioni, non una misurazione di due modelli.

La stessa cautela vale per il resto del pannello di Ming: CER medio dell'ASR cinese 3,45, WER inglese 3,69, CER sui dialetti 9,40, BigBenchAudio 99,40, MMAU 82,00 — tutti dichiarati dal fornitore, tutti solo visualizzati. Rispetto al WER inglese 6,23 e al MMAR 50,60 di LFM3-Audio-2B, la direzione è coerente: Ming è l'ascoltatore più forte. La grandezza non è stabilita da nulla che nessuno dei due laboratori abbia pubblicato.

Che cosa si ottiene con la licenza e quanto costa

MIT è la licenza più pulita e non c'è paragone. LFM Open License v1.0 è gratuita sotto una soglia di ricavi e richiede una licenza commerciale a pagamento al di sopra; MIT non ha soglie. Per un'azienda che prevede di superare i 10 milioni di dollari, quella differenza è una voce di procurement, non una nota a piè di pagina.

La licenza è anche la metà minore del costo. La soglia di otto GPU di Ming è una decisione di capitale con un piano di ammortamento, un rack e un cercapersone. Il download da 2,1 GB di Liquid gira su una CPU da laptop tramite GGUF, con MLX a 4 bit per Apple silicon e ONNX Runtime per la portabilità. Il costo marginale della millesima ora di audio è quasi zero in entrambi i casi; il costo fisso differisce di tre ordini di grandezza.

Questo non rende Ming costoso. Rende Ming un acquisto diverso. Se il tuo carico di lavoro è stabile e il tuo audio non può uscire dall'edificio, possedere un orecchio da 126B può essere più economico che pagare al minuto per anni — il punto di svolta è un calcolo di utilizzo, non un benchmark. Se il tuo carico di lavoro è un prototipo, una demo o un prodotto il cui volume audio è ancora sconosciuto, il profilo a otto GPU è una scommessa fatta prima che arrivino le prove.

Provare prima di acquistare

Il problema pratico con entrambi i modelli è lo stesso: non puoi capire da una scheda del modello se uno dei due funziona sulle tue registrazioni. Il percorso di serving di Ming presuppone hardware che la maggior parte dei team non ha; quello di Liquid gira ovunque ma non ha una valutazione indipendente. La mossa a basso costo in entrambi i casi è misurare su un piccolo campione prima di impegnarsi.

OrcaRouter non ospita nessuno di questi checkpoint, quindi la proposta di routing non si applica al livello audio stesso. Si applica un livello più in alto. Una pipeline vocale è un modello audio più un modello testuale che classifica, riassume o instrada ciò che è stato ascoltato, ed è nella seconda chiamata che un router si dimostra utile: più di 200 modelli dietro un'unica chiave al prezzo di listino del provider, senza ricarichi, failover automatico tra provider e una DSL di routing se vuoi comporne diversi in un'unica chiamata. Fai passare le tue venti registrazioni peggiori attraverso il modello audio, poi fai passare le trascrizioni attraverso lo stesso modello a valle sullo stesso endpoint: così il confronto resta pulito e non costa quasi nulla.

Quale scegliere?

Scegli LFM3-Audio-2B se il modello deve risiedere su una macchina che possiedi già, se ti serve output vocale in una lingua che Ming non copre, oppure se stai prototipando un loop vocale di tool-calling e vuoi il modello sulla stessa macchina degli strumenti. Metti in conto che la parte di riconoscimento è nella media e che l'ASR in tempo reale è solo in inglese ed è ancora una pull request successiva in llama.cpp.

Scegli Ming-3.0-audio-flash se il compito è la comprensione anziché la conversazione: riunioni lunghe, registrazioni rumorose con più parlanti, ragionamento audio o un carico di lavoro in lingua cinese in cui conta la copertura dei dialetti. Metti in budget le otto GPU, oppure accetta il profilo solo testo a quattro GPU e rinuncia al Talker. Poi esegui una tua valutazione prima di credere al panel di uno dei due fornitori.

Non scegliere nessuno dei due, però, se non sai dire quale di quei due compiti hai. I modelli hanno rispettivamente quattro giorni e sei settimane, la documentazione su entrambi è più scarna delle loro dichiarazioni di capacità, e il primo confronto testa a testa indipendente su un corpus condiviso varrà più di ogni numero in questo articolo. Finché non esisterà, il limite hardware minimo è il criterio di spareggio più onesto disponibile: uno di questi sta sul tuo laptop, e l'altro sta su un rack.