LFM3-Omni-2B vs Ming-3.0-audio-tiny: una sostituzione dell'intero stack contro uno specialista

Due modelli, entrambi commercializzati come piccoli, entrambi capaci di rispondere a voce, e quasi nient'altro in comune. LFM3-Omni-2B è un checkpoint denso da 2,17 miliardi di parametri di Liquid AI che accetta testo, immagini, video e audio e restituisce testo o parlato a 24 kHz. Ming-3.0-audio-tiny è un modello mixture-of-experts da 9,3 miliardi di parametri di inclusionAI, con 2,7 miliardi di parametri attivi per ogni passaggio, e accetta audio e testo e restituisce testo o parlato a 44,1 kHz. Uno cerca di sostituire un'intera pila di assistente. L'altro cerca di essere il miglior orecchio possibile. Uno specialista e un generalista possono stare dietro un'unica chiave. un unico endpoint Le richieste vengono instradate tramite regole, con failover automatico se un percorso fallisce.

La denominazione rende tutto più difficile del necessario. "Tiny" nella famiglia Ming si riferisce alla sua posizione relativa a Ming-3.0-audio-flash, non alle sue dimensioni assolute: con 9,3B totali ha più di quattro volte il numero di parametri del modello Liquid. E LFM3-Omni-2B non è un modello audio con la visione aggiunta a posteriori — è un modello multimodale generale che ha un percorso audio. Confrontarli riga per riga sarebbe ingiusto per entrambi. Confrontarli per il lavoro che svolgono è l'unico confronto che conta.

Che cosa ciascuno è in realtà

Ming-3.0-audio-tiny è un modello audio-linguistico nativo: un encoder audio e un proiettore che alimentano un backbone linguistico MoE sparso, con uno stadio Talker separato che genera parlato quando richiesto. Gestisce cinese e inglese, inclusi accenti e dialetti, e supporta la clonazione vocale da una clip di riferimento più trascrizione. I pesi sono distribuiti con licenza MIT e disponibili su Hugging Face e ModelScope; esistono quantizzazioni della community per MLX e GGUF, e c'è una dimostrazione funzionante su ROCm di un assistente vocale a bassa latenza basato su di esso. Il repository è stato caricato all'inizio di settembre 2026 e la model card e la configurazione sono state aggiornate a metà ottobre, momento in cui è diventato effettivamente utilizzabile.

LFM3-Omni-2B è la costruzione opposta. Un unico tronco denso con un encoder visivo, un encoder audio causale e LiquidCodec per l'output vocale, addestrato in modo che un unico insieme di pesi gestisca quattro modalità di input e due modalità di output. È stato pubblicato il 27 ottobre 2026 come un ramo della famiglia LFM3 a sei modelli di Liquid, senza un annuncio separato e senza una valutazione indipendente. La scheda riporta 2,17 miliardi di parametri, una finestra di contesto di 32.768 token e la LFM Open License v1.0.

• Architettura — 2,17B denso any-to-any vs 9,3B totali con 2,7B attivi per token, MoE sparso più un Talker vocale separato.

• Input — testo, immagine, video con colonna sonora, audio a 16 kHz rispetto a solo audio e testo.

• Uscita vocale — 24 kHz tramite LiquidCodec, in streaming più veloce del tempo reale rispetto a 44,1 kHz mono tramite il Talker, con voci preimpostate denominate e clonazione.

• Lingue — 16 lingue per il testo e 19 varianti linguistiche vocali rispetto a cinese e inglese, inclusi i dialetti.

• Contesto — 32.768 token, indicati sulla scheda, mentre sulla scheda non è indicata alcuna finestra di contesto; la configurazione pubblicata descrive un budget di posizione di 131.072 token.

• Licenza — LFM Open License v1.0 con una soglia di fatturato rispetto a MIT.

• Ingombro — circa 4,3 GB in BF16 rispetto a circa 21 GB in BF16, con la quantizzazione degli esperti in int8 che lo porta a circa 12,5 GB.

Le due righe che si sovrappongono davvero

Le tabelle di benchmark inter-laboratorio sono per lo più teatro, perché ogni laboratorio sceglie il proprio harness. Qui la sovrapposizione è abbastanza piccola da poterla indicare esattamente: due dataset compaiono in entrambi i rapporti dei fornitori, ed entrambi sono attività audio in cui la metodologia è ragionevolmente standard.

• Tasso di errore delle parole ASR in inglese — 6,36 per LFM3-Omni-2B contro 4,36 per Ming-3.0-audio-tiny. Più basso è meglio, e Ming è avanti di due punti assoluti, circa un terzo di errore in meno.

• VoiceBench — 64,73 vs 74,29. Ming è in vantaggio di 9,6 punti nell'esecuzione di istruzioni vocali e nel comportamento da assistente vocale.

Sui compiti misurati da entrambi i modelli, lo specialista vince, ed è il risultato atteso. Ming utilizza 2,7 miliardi di parametri attivi per udire e parlare. LFM3-Omni-2B utilizza 2,17 miliardi per udire, parlare, vedere e leggere contemporaneamente. Un modello che non divide la propria capacità in quattro modi dovrebbe essere migliore nell'unico modo in cui funziona, e lo è.

Quello che Ming riporta, e che LFM3-Omni-2B non riporta, è un elenco più lungo: tasso di errore sui caratteri per ASR cinese 3.79, tasso di errore sui caratteri per i dialetti 10.29, BigBenchAudio 99.20, MMAU 75.90, MMAU-Pro 56.42, accuratezza su audio lunghi 56.39 e BFCL-v3 Audio 79.80. Sono numeri solidi per un modello di queste dimensioni, e descrivono un sistema valutato specificamente sul ragionamento audio anziché come una singola colonna di una tabella multimodale. Gli equivalenti più vicini nella scheda Liquid sono MMAR di comprensione audio 51.40 e un punteggio di tool calling di 52.20 — ma il benchmark di tool calling non è lo stesso test di BFCL-v3 Audio, e mettere quei due numeri uno accanto all'altro sarebbe il tipo di confronto che questo blog esiste per evitare.

Il benchmark che questo confronto non può risolvere

La domanda interessante non è quale modello senta meglio. È se un singolo modello omni possa svolgere ragionamenti audio-visivi che una pipeline non può. Ming-3.0-audio-tiny non ha alcun percorso visivo: non può guardare un fotogramma e descrivere ciò che sta succedendo, e non può rispondere a una domanda sulla colonna sonora di un video mentre guarda il video. LFM3-Omni-2B può fare entrambe le cose, e Liquid riporta Daily-Omni 70.09 e WorldSense 47.10 proprio per quella capacità.

Quei numeri non hanno corrispondente nella scheda di Ming perché Ming non tenta il compito. Così il confronto si risolve in una questione di ambito anziché di qualità: se la tua applicazione è un'interfaccia vocale per un flusso audio, Ming è l'orecchio più capace e il minor calcolo attivo. Se la tua applicazione è una fotocamera più un microfono più un altoparlante, LFM3-Omni-2B fa qualcosa che Ming non può fare a nessuna dimensione, e il divario audio è il prezzo che paghi per la fotocamera.

Il costo non è banale. Due punti di word error rate inglese su un’interfaccia vocale sono la differenza tra una trascrizione che puoi scorrere e una che devi correggere. Se il percorso audio è il prodotto principale e la visione è un extra, la raccomandazione onesta è usare Ming per l’audio e un modello di visione separato per i fotogrammi, anche se questo significa due checkpoint.

Il costo della memoria decide più deployment di quanto faccia il benchmark.

Ming-3.0-audio-tiny richiede circa 21 GB di pesi in BF16, oppure circa 12,5 GB con quantizzazione degli esperti in int8, e un deployment completo con uscita audio può suddividere il Thinker e il Talker su due GPU. LFM3-Omni-2B richiede circa 4,3 GB. Non è una differenza da poco: è la differenza tra una singola GPU di fascia media e una macchina che richiede pianificazione, ed è la differenza tra un telefono e un server.

Il confronto si inverte a seconda di ciò che si misura. I 2.7B parametri attivi di Ming lo rendono economico per token nonostante la dimensione totale, che è esattamente il punto di un MoE sparso. LFM3-Omni-2B è denso, quindi ogni token costa l'intero 2.17B — ma l'intero modello occupa una frazione della memoria e gira su hardware che Ming non può toccare.

È qui che l'economia del routing diventa concreta. OrcaRouter applica i prezzi di listino dei provider senza alcun ricarico, così uno specialista più economico e un generalista più costoso possono stare dietro un'unica chiave senza un secondo contratto, e una variazione di prezzo del fornitore arriva sulla tua fattura lo stesso giorno anziché al rinnovo successivo. Né LFM3-Omni-2B né Ming-3.0-audio-tiny sono oggi nel nostro catalogo, quindi questa è un'affermazione su come la piattaforma applica i prezzi, non l'asserzione che puoi chiamare l'uno o l'altro modello tramite noi in questo momento. Ma lo schema che questi due modelli creano — uno specialista economico per il caso comune, un generalista per quello difficile — è esattamente lo schema per cui esiste un router.

La questione della licenza, che è il vero bivio

Ming-3.0-audio-tiny è MIT. LFM3-Omni-2B è soggetto alla LFM Open License v1.0, un accordo personalizzato con una soglia di ricavi che determina se l'uso commerciale richiede un accordo separato. Per un prototipo di ricerca la differenza è accademica. Per un prodotto, è la prima cosa che l'ufficio legale chiederà, e può prevalere su un divario nei benchmark di qualsiasi dimensione.

La licenza MIT spiega anche perché Ming abbia già port della community: build MLX, quantizzazioni GGUF, una demo di assistente vocale ROCm. Esistono perché la licenza le ha rese facili, e sono il motivo per cui Ming è oggi distribuibile su hardware che Liquid non ha mai testato. LFM3-Omni-2B è stato pubblicato il 27 ottobre con 83 download, e ha un solo percorso di serving documentato, solo per l'output testuale. Il suo ecosistema non esiste ancora.

L'asimmetria pratica è netta. Sull'accuratezza audio, sull'efficienza di memoria per parametro attivo, sulla copertura linguistica per cinese e dialetti, sul voice cloning e sulla libertà di licenza, Ming-3.0-audio-tiny è oggi la scelta più sicura. Sulla copertura delle modalità e sul footprint grezzo, LFM3-Omni-2B è l'unico dei due che può guardare una stanza e parlarne.

Chi dovrebbe prendere quale

Scegli Ming-3.0-audio-tiny se stai sviluppando un prodotto vocale — trascrizione, dialogo parlato, clonazione vocale, analisi delle chiamate — e non hai bisogno della visione oppure sei disposto ad abbinarlo a un modello visivo separato. La licenza MIT, le quantizzazioni esistenti e il vantaggio di due punti nell'ASR rendono il deployment a minor rischio, e la sua architettura sparsa mantiene basso il costo per token nonostante i 9,3B totali.

Scegli LFM3-Omni-2B se il dispositivo ha una fotocamera e un microfono e il vincolo è la memoria. Un checkpoint da 4,3 GB che vede, sente e parla appartiene a una categoria diversa di oggetto rispetto a uno specialista audio da 21 GB, e nessuna accuratezza ASR, per quanto elevata, può compensare un modello che non entra. Accetta che stai comprando ampiezza, non profondità, e che ogni numero audio a esso associato è dichiarato dal fornitore e non riprodotto.

Quello che la scheda di nessuno dei due modelli ti dice è come si comportano nella stessa applicazione. Quel test — stesso audio, stesso dispositivo, stesso budget di latenza — non è stato eseguito da nessuno al di fuori delle due aziende. Finché non lo sarà, la decisione si basa su ambito e licenze, che sono conoscibili oggi, anziché sull'accuratezza, che non lo è.