Ming-3.0-audio-flash vs Qwen3.8-Omni-Flash: la tabella del fornitore ha già decretato un vincitore

C'è una tabella di confronto che risolve gran parte di questa discussione, ed è stata pubblicata da uno dei due fornitori. Nelle immagini di valutazione di inclusionAI stesso per Ming-3.0-audio-flash, la colonna di riferimento è Qwen3.8-Omni-Flash — il modello omni chiuso di Alibaba, aperto ai clienti API dal 18 settembre 2026 — e i risultati vanno in entrambe le direzioni. Ming vince le righe dei dialetti con un ampio margine e perde quelle del ragionamento su audio lungo di quasi tre volte. È insolitamente utile, perché significa che la domanda non è «quale modello sia migliore» ma «quale di queste due modalità di errore il tuo carico di lavoro può tollerare». Ming-3.0-audio-flash è il checkpoint audio-linguaggio di inclusionAI da 126B totali e 6,5B attivi, caricato il 3 settembre 2026 e documentato il 19 ottobre; Qwen3.8-Omni-Flash è un modello ospitato, con solo output testuale, una finestra di contesto di un milione di token e nessun peso. Uno lo possiedi, l'altro lo affitti, e i loro punti di forza pubblicati non si sovrappongono molto. I fallimenti documentati dell'IA e le controversie sui benchmark dei fornitori alla base di confronti come questo sono raccolti nel OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.

Due modi per leggere un'ora di audio

Entrambi i modelli accettano audio e testo e restituiscono testo. Questa frase è vera per entrambi e fuorviante per entrambi, perché la scala alla quale operano è completamente diversa.

Qwen3.8-Omni-Flash accetta in input testo, immagini, audio e video, gestisce fino a un'ora di audio-video continuo all'interno di una singola chiamata, dispone di un contesto di un milione di token (input massimo di circa 991K, output fino a 131K con un budget di ragionamento di 262K) e risponde solo in testo. La presentazione del lancio da parte di Alibaba era una bolletta più che un punteggio: costo inferiore del 98% per ora di input audio rispetto a Qwen3.5-Omni-Plus, inferiore del 93% per ora di audio-video, con cifre orarie ricavate prezzando un campione di due minuti e moltiplicando per trenta, video campionato a 720p e un frame al secondo. Il prezzo internazionale è $0,15 per milione di token di input, $0,016 in cache, $0,47 di output.

Ming-3.0-audio-flash riceve in ingresso audio e testo, restituisce testo oppure testo più parlato tramite un Talker opzionale e supporta un contesto di 128K — un valore che la sua configurazione non dichiarava fino al 13 ottobre, quando un commit di un solo file ha portato max_position_embeddings da 8.192 a 131.072. Il suo profilo di serving di riferimento è il parallelismo tensoriale su otto H800 da 80 GB e il download è di circa 259 GB. Non esiste un prezzo per token perché non esiste un endpoint.

Quindi l'unità di Qwen è la chiamata; l'unità di Ming è il nodo. Questa è la prima decisione e di solito determina il resto.

Che cosa dice la tabella di inclusionAI stessa, riga per riga

Ogni numero in questa sezione proviene dai tre PNG nella cartella assets/ del repository Ming — esecuzione di inclusionAI stessa, sul proprio harness, con asterischi che contrassegnano le righe che ha auto-valutato. Nessuno di questi dati è stato riprodotto. Leggilo come un fornitore che descrive se stesso in pubblico, cosa che la maggior parte dei fornitori non fa.

• Media ASR cinese — Ming 3,45 tasso di errore contro Qwen3.8-Omni-Flash 3,54 e Gemini 3.8 Flash 9,83. Una vittoria di misura.

• Media ASR inglese — 3,69 contro 4,02 e 5,05. Anche ristretto.

• Media dialettale — 9,40 contro 11,58. Divario più ampio, ed è l'affermazione principale: cantonese 4,09 contro 4,76, shanghainese 11,15 contro 21,10, hunanese 8,76 contro 17,11, hokkien 12,84 contro 26,32.

• Hubei — 9,46 contro 7,75. Q​wen vince questa riga e inclusionAI l'ha comunque stampata, ed è questo il motivo principale per fidarsi del resto della tabella.

• Diarizzazione del parlante, AISHELL-4 — Ming 8,58 tasso di errore di diarizzazione contro Qwen 2,80. Su AMI, 25,29 per Ming contro 11,16 per MiMo-V2.6 Pro.

• Punteggio Long-audio Chain — Ming 12,31 contro Q​wen 34,54, Q​wen in modalità thinking 48,70 e Gemini 3.8 Flash 49,63. Questo è il divario di quattro volte, ed è su una metrica che il fornitore ha scelto di pubblicare.

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

• Righe principali del ragionamento audio — Ming ottiene 99,40 su BigBenchAudio e 82,00 su MMAU; il tool calling su BFCL-v3 Audio è 81,40 contro 86,68 di Gemini 3.8 Flash.

Lo schema non è casuale. Ming è più efficace quando il compito è «che cosa è stato detto esattamente, accento incluso», e meno efficace quando il compito è «tenere a mente una lunga registrazione e ragionare su di essa». Q​wen è il contrario: una finestra da un milione di token e un budget di ragionamento sono esattamente i meccanismi per il secondo compito, e nulla nei suoi materiali di lancio suggerisce un'ottimizzazione dialetto per dialetto.

La tesi sul dialetto è l'intero caso, ed è più ristretta di quanto sembri.

Se dovete portare via una sola cosa dalla tabella dei fornitori, portate questa: il divario che resiste all’esame è il riconoscimento vocale del cinese dialettale e con accento, non l’intelligenza audio generale. Lo shanghainese, 11,15 contro 21,10, è circa la metà del tasso di errore. L’hunanese, 8,76 contro 17,11, è circa la metà. L’hokkien, 12,84 contro 26,32, è circa la metà. Sono differenze ampie e costanti su cinque righe di dialetti, e sono il tipo di risultato che deriva da una decisione di addestramento, non da un trucco di benchmark.

Le avvertenze contano quanto i numeri. I set di test sono una selezione del fornitore; l'harness è quello del fornitore; i valori di riferimento per Qwen3.8-Omni-Flash sono stati prodotti da inclusionAI eseguendo il modello di Alibaba, non da Alibaba. Che un concorrente valuti il modello di un rivale è prassi normale ed è anche la configurazione più incline a produrre per caso un risultato lusinghiero. L'unica riga che va nella direzione opposta, Hubei, è la prova più forte che la tabella non sia stata semplicemente modificata.

E il divario quadruplo sull'audio lungo non è un errore di arrotondamento che puoi aggirare in fase di progettazione. Se il tuo carico di lavoro è una conference call di novanta minuti sui risultati finanziari e ti serve un riassunto con riferimenti incrociati, i numeri stessi di Ming dicono che la modalità di pensiero di Q​wen è lo strumento migliore di un fattore quattro sulla metrica che misura esattamente questo.

La disponibilità conta più dei benchmark

Qwen3.8-Omni-Flash ha un'unica sede: la piattaforma Qianwen di A​libaba e A​libaba Cloud Model Studio, con endpoint separati per internazionale e Cina continentale, fatturazione separata e valuta separata. Risponde a una richiesta modellata su OpenAI, quindi il codice client per lo più può essere portato, ma l'endpoint non è portabile e non esiste una destinazione di failover. Non è stato rilasciato alcun peso e non ne è stato annunciato alcuno. OrcaRouter non lo fornisce.

Ming-3.0-audio-flash non ha alcun endpoint. Sono pesi con licenza MIT corredati di una model card, un repository GitHub creato il 15 ottobre, file YAML di deployment per tre profili, due client di esempio e una guida vocale da 150 KB. Il progetto vLLM-Omni supporta la generazione Ming precedente e ha una pull request aperta per il modello Ming TTS da 7,9B, ma nulla è stato unito per questo checkpoint audio-linguistico; la via pratica oggi è Transformers con trust_remote_code=True, che va bene per la valutazione ma è esile per un servizio.

Metti quei due paragrafi uno accanto all'altro e il compromesso è netto. Q​wen ti offre un endpoint di produzione senza fallback e senza visibilità. Ming ti offre un checkpoint con piena visibilità e senza endpoint. Un team con un nodo GPU e un requisito di conformità sceglie Ming. Un team con una scadenza sceglie Q​wen e si assume il rischio della fonte unica.

Che aspetto ha un percorso intermedio

Esiste una terza opzione che nessuno dei due fornitori documenta, e vale la pena spiegarla perché è ciò che in realtà fa la maggior parte dei team: usare il modello ospitato per il lavoro in cui è migliore e i pesi aperti per il lavoro in cui sono migliori, nella stessa pipeline.

Concretamente — un'organizzazione di supporto che gestisce chiamate in mandarino con parlanti dialettali. L'audio arriva, un classificatore leggero decide se il parlato del chiamante è standard o fortemente accentato. L'audio standard va a Qwen3.8-Omni-Flash per un riepilogo a contesto lungo con ragionamento sull'intera chiamata. L'audio accentato va a Ming-3.0-audio-flash per la trascrizione, e la trascrizione rientra nella pipeline testuale per la sintesi. Nessuno dei due modelli vede l'intero carico di lavoro; entrambi vedono la parte che vincono.

Quell'architettura richiede più lavoro che scegliere un unico fornitore, ed è l'unica che usa la tabella dei fornitori in modo onesto, perché la tabella stessa dice che i due modelli falliscono su input diversi.

Dove si colloca OrcaRouter, esattamente

In questo articolo non rendiamo disponibile nessuno dei due modelli. Qwen3.8-Omni-Flash è ospitato su A​libaba e non è nel nostro catalogo; Ming-3.0-audio-flash è a pesi aperti e non è nel nostro catalogo. Un lettore che si iscrive aspettandosi l'uno o l'altro rimarrà deluso, quindi è meglio dirlo qui che alla fine di un modulo di registrazione.

Ciò di cui ha bisogno la pipeline di classificazione e riepilogo descritta sopra è esattamente ciò che offre un router: un'unica chiave per il lato testuale della catena, una regola di instradamento che invia l'audio standard in un modo e l'audio con accento nell'altro, e un percorso di failover quando un provider si degrada. Un'unica API per oltre 200 modelli con markup 0% — prezzo di listino del provider trasferito invariato, quindi un taglio di prezzo del fornitore è attivo dalla nostra parte lo stesso giorno — è una cosa più piccola da gestire rispetto a tre contratti e due sistemi di fatturazione, e failover automatico è la risposta al rischio di singola fonte che accompagna qualsiasi modello omni ospitato. Il DSL di routing è il punto in cui una pipeline vocale a due rami trova effettivamente espressione. Non è, e non può essere, un sostituto di un checkpoint da 259 GB.

Per due tipi di team

Se stai sviluppando un prodotto questo trimestre che includa l'audio e non hai budget per le GPU, Qwen3.8-Omni-Flash è la risposta, con l'avvertenza che stai affittando da un unico fornitore e dovresti scrivere il tuo client in modo che l'endpoint sia un valore di configurazione anziché una costante. La sua finestra di contesto e il suo budget di ragionamento sono davvero più ampi di qualsiasi cosa offra l'alternativa open-weight.

Se stai costruendo infrastrutture — un servizio di trascrizione, una pipeline di conformità on-premise, qualsiasi cosa in cui un endpoint di fornitore sia un rischio anziché una comodità — Ming-3.0-audio-flash è l'opzione open seria, e i numeri sui dialetti ne sono la ragione. Metti in budget un nodo, metti in budget un mese di integrazione, e leggi le righe di diarizzazione prima di promettere etichette di parlante a chiunque.

La conclusione poco glamour è che i due modelli sono meno rivali che una divisione del lavoro che nessuno dei due fornitori ha interesse a descrivere. inclusionAI ha pubblicato la tabella che lo dimostra. Questo vale più di un post di lancio.