
Ming-3.0-audio-flash è in testa alla classifica Artificial Analysis Speech Reasoning con il 99,8% — un punto di vantaggio, e ancora nessun prezzo
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 185 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 228 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 89 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 98 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
Artificial Analysis ora elenca Ming-3.0-audio-flash al primo posto nella sua classifica Speech Reasoning, la valutazione Big Bench Audio, con un'accuratezza del 99,8%, davanti a StepAudio 3 Realtime al 99,7%, Qwen Audio 3.0 Realtime Plus al 99,2%, Eleven Realtime v1 Max al 98,8%, Grok Voice 3.0 al 98,5%, Gemini 3.8 Live Extended Thinking (High) al 97,7% e GPT-Realtime-2.1 High al 95,8%. L'affermazione è stata diffusa da Ant Ling il 18 novembre 2026 alle 08:37 UTC, diciannove minuti dopo che il repository del modello stesso era stato modificato per aggiungere la stessa cifra e un'immagine della classifica. La tempistica è tutta la storia: un modello rilasciato a settembre senza alcun punteggio di terze parti ora ne ha uno, e il numero è molto vicino al tetto massimo.
Per essere precisi su ciò che è nuovo e ciò che non lo è — perché questo non è un lancio. inclusionAI ha caricato i pesi di Ming-3.0-audio-flash su Hugging Face il 3 settembre 2026 e non ha detto nulla al riguardo per sei settimane; la model card, i profili di serving e il codice di esempio sono arrivati solo tra il 15 e il 19 ottobre. Ciò che è cambiato oggi è la valutazione, non il checkpoint. Gli shard safetensors sono gli stessi byte di settembre. Quindi la formulazione onesta è che un modello audio a pesi aperti di sette settimane è appena stato misurato da qualcuno che non è il suo autore, ed è risultato il migliore.
Cosa chiede effettivamente a un modello di fare Big Bench Audio
Vale la pena essere concreti sul test, perché il "ragionamento vocale" suona come qualcosa che un agente vocale fa durante una conversazione e per lo più non è così. Big Bench Audio è un insieme di domande a scelta multipla somministrate come audio: il modello ascolta una registrazione, ascolta o legge una domanda al riguardo e sceglie una risposta. Premia la capacità di mantenere un passaggio parlato nel contesto e di applicarvi un ragionamento ordinario. Non premia l'alternanza dei turni, la gestione delle interruzioni, i backchannel o la capacità di sembrare una persona. Questi aspetti vivono su una classifica diversa di Artificial Analysis, Full Duplex Bench, dove Ming-3.0-audio-flash attualmente non ha alcun punteggio pubblicato.
Qui questa distinzione conta più del solito, perché al 99,8% la metrica è quasi al limite. In una classifica di 42 modelli, la differenza tra il primo e il quinto posto è di un punto percentuale. Tra il primo e il modello al tredicesimo posto — GPT-Realtime-2.1 High — è di quattro punti. Un test su cui quasi tutti i modelli moderni ottengono punteggi nella fascia dei novanta è un test che ha smesso di distinguere la parte alta del campo, e un vantaggio di un punto su StepAudio 3 Realtime equivale a una manciata di elementi su un benchmark il cui numero di elementi nessuno al di fuori di Artificial Analysis può verificare. Leggi la classifica come «questo modello appartiene al gruppo di testa», il che è davvero utile, piuttosto che come «questo modello è misurabilmente migliore nell'ascolto di tutto il resto», cosa che il numero non può suffragare.
Il tabellone in ordine, per chiunque voglia capire la forma del campo invece del titolo:
• 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 (Alto), 98,9%
• 5 — Eleven Realtime v1 Max, 98,8%
• 7 — Grok Voice 3.0, 98,5%
• 8 — Gemini 3.8 Live Extended Thinking (High), 97,7%
• 13 — GPT-Realtime-2.1 High, 95,8%

Un dettaglio nella documentazione del fornitore merita di essere segnalato, perché è il tipo di cosa che viene omessa silenziosamente. Le immagini di valutazione sulla model card di inclusionAI, caricate a ottobre, mostrano il modello flash a 99.40 su {{1}}"BigBenchAudio"{{/1}}. Artificial Analysis ora riporta 99.8. Si tratta di due esecuzioni diverse di un benchmark simile, e il divario non è un errore in nessuna delle due — è la normale variabilità che si ottiene quando {{2}}l'harness, il formato dei prompt e il sottoinsieme di elementi non sono identici{{/2}}. È anche un promemoria del fatto che la tabella di ottobre del fornitore e la classifica di terze parti di oggi non sono numeri intercambiabili, anche quando riportano quasi la stessa etichetta.
Quello che il consiglio non dice
Mancano tre elementi alla scheda di Artificial Analysis, e ognuno di essi è più importante per una decisione di deployment di quanto lo sia il dato di accuratezza.
Il primo è il prezzo. Ming-3.0-audio-flash non ha una tariffa per token o per minuto su Artificial Analysis perché non c'è nulla da acquistare: è un checkpoint mixture-of-experts da 126 miliardi di parametri sotto MIT, con 6,5 miliardi di parametri attivi per step. Il costo è quello che costa l'hardware. Le note di deployment di inclusionAI indicano il profilo di serving di riferimento a 128K con parallelismo tensoriale su quattro H800 da 80 GB, con un fallback a otto GPU per l'audio lungo, e un profilo SGLang validato su quattro GPU che restituisce solo testo. Ogni modello sopra di esso nella classifica, tranne se stesso, è un'API a consumo. Confrontarli solo sull'accuratezza significa confrontare un punteggio di benchmark con un punteggio di benchmark e ignorare che un lato della tabella è un acquisto e l'altro è un abbonamento.
Il secondo è la latenza. Artificial Analysis misura effettivamente il tempo al primo audio, e Ming-3.0-audio-flash si attesta a 1,12 secondi. Eleven Realtime v1 Max è a 0,57 secondi — circa la metà. Se la tua applicazione è un agente vocale che deve rispondere all'interno di una pausa conversazionale, una vittoria in un benchmark non compensa un secondo di silenzio, e l'ordinamento della classifica non dice nulla su con quale di quei due numeri tu possa convivere.
Il terzo è il comportamento conversazionale. Esistono punteggi Full Duplex Bench per Eleven Realtime v1 Max (0,941 complessivo, con gestione delle interruzioni a 0,99 e alternanza dei turni a 1,0) e per diversi modelli realtime Gemini e GPT. Ming-3.0-audio-flash non ha alcun punteggio FDB, nessuna suddivisione delle dinamiche conversazionali e nessuna misurazione pubblicata di come gestisce le interruzioni. Un modello può superare brillantemente domande a scelta multipla sull'audio e continuare comunque a parlarti sopra.
E i numeri di ottobre del fornitore sono la prova meno lusinghiera in tutto questo quadro. Sulla stessa scheda che pubblicizza la vittoria nel ragionamento vocale, inclusionAI ha pubblicato un punteggio di catena audio lungo di 12,31 contro 34,54 di Qwen3.8-Omni Flash e 49,63 di Gemini 3.8 Flash, un LongAudioSpan di 41,12 contro 66,40, e tassi di errore di diarizzazione del parlante su AMI del 25,29 contro 11,16 di MiMo-V2.6 Pro. Sono i dati del fornitore, sui compiti scelti dal fornitore, e descrivono un modello eccellente nell'audio breve a domanda e risposta e debole nel ragionamento su una registrazione lunga. Il 99,8 su Big Bench Audio non cambia nulla, perché Big Bench Audio non è un test audio lungo.
Il divario di diciassette minuti tra la carta e il tweet
Il commit del repository è datato 08:26:48 UTC del 18 novembre ed è intitolato, in parte, "Aggiorna il punteggio Flash BBA al 99,8% e aggiungi il res… della classifica generale n. 1". Il post di Ant Ling è arrivato alle 08:37:02. Lo stesso commit ha toccato la card del piccolo repository gemello quarantotto secondi dopo, aggiungendo la stessa frase — un paragrafo di benchmark condiviso, copiato in entrambi i repository, e un motivo in più per verificare a quale checkpoint appartenga davvero un numero prima di citarlo.

Quello che questa sequenza ti dice è che la model card ora sta a valle della classifica, e non il contrario. Per sei settimane l'unica prova delle prestazioni di Ming-3.0-audio-flash è stata una serie di immagini PNG in una assets/cartella, prodotte dal team che l'ha addestrato. Non è poco — le valutazioni dei fornitori di solito sono oneste, solo ottimistiche nella scelta dei task — ma è una categoria di prova diversa rispetto a una terza parte che esegue la propria harness e pubblica una posizione in classifica. La cosa interessante di oggi non è che il fornitore rivendichi il primo posto. È che un'organizzazione senza alcun interesse nel risultato ha messo il modello lì.

Dove un router è adatto, e dove no
OrcaRouter non eroga Ming-3.0-audio-flash. Non è nel nostro catalogo, non possiamo fornirti un endpoint per questo modello e nulla di quanto scritto qui va interpretato come un'offerta. Se vuoi eseguirlo, cloni il repository, installi il code path di Transformers 5 o uno dei profili di serving di SGLang-Omni e gli dedichi almeno quattro schede da 80 GB. Questa è infrastruttura, e un router non si occupa di infrastruttura.
Quello che un router fa è l'altra metà di qualsiasi pipeline vocale. Un'applicazione vocale basata su un modello audio self-hosted è comunque in gran parte lavoro testuale: il prompt che decide cosa chiedere alla registrazione, la post-elaborazione che trasforma un'etichetta di lingua delimitata da tabulazioni in output strutturato, il riepilogo scritto dalla trascrizione, il classificatore che instrada una chiamata rumorosa a una persona. Quelle sono normali chiamate chat, e un'unica API per oltre 200 modelli con 0% di ricarico — il prezzo di listino del fornitore passato così com'è, quindi un taglio di prezzo del fornitore è attivo dalla nostra parte lo stesso giorno — è una cosa più semplice da collegare rispetto a un secondo e terzo contratto con fornitori. Il failover automatico è ciò che ti consente di mettere un modello open-weights non collaudato dietro parte del tuo traffico senza puntare l'intero percorso su di esso.
Il confine è il punto. Un checkpoint da 259 GB che esegui sulle tue GPU è una decisione di capitale; un router instrada chiamate. Non trasforma un modello cluster in un modello hosted, e non rende un 99,8% su un benchmark a scelta multipla una prova sul tuo prodotto.
Cosa farebbe sì che questo significhi qualcosa
Tre misurazioni trasformerebbero il titolo di oggi in una decisione, e tutte e tre sono cose che Artificial Analysis o un'arena potrebbero pubblicare senza chiedere nulla a inclusionAI. Un punteggio Full Duplex Bench direbbe se il comportamento conversazionale corrisponde alla comprensione. Un risultato su audio lungo su un set pubblico metterebbe alla prova l'unico asse in cui la tabella del fornitore stesso è più debole. E una seconda esecuzione indipendente di Big Bench Audio — un harness diverso, un campione di elementi diverso — ti direbbe se 99.8 è un effetto tetto o un divario reale.
Fino a quel momento, la frase accurata è ristretta e vale la pena dirla chiaramente: un modello audio open-weights di Ant Group, rilasciato a settembre e documentato a ottobre, è ora classificato primo su un benchmark di ragionamento vocale di terze parti con un margine di un punto percentuale rispetto al modello successivo, senza alcun prezzo pubblicato, con il doppio del tempo al primo audio rispetto al concorrente più veloce in quella classifica e senza alcun punteggio conversazionale. Questo è un risultato reale. È anche un'affermazione molto più ridotta di "miglior modello vocale", e la differenza tra queste due frasi è il punto in cui deve ancora avvenire gran parte del ragionamento utile su questo modello.
Confrontati in questo articolo1
Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno
