LFM3-Omni-2B 対 Ming-3.0-audio-flash：スマートフォン対ラック

この比較は、ベンチマークが口を挟む前に、部品表によって決まってしまう。Ming-3.0-audio-flash1260億パラメータ、約259GBのbfloat16重みを持ち、80GBのH800をテンソル並列で構成したリファレンスサービングプロファイルを備える。128K構成では4台、長い音声でメモリが不足する場合は8台となる。LFM3-Omni-2B21.7億パラメータで、通常のBF16重みとして提供され、スマートフォンで動作するように設計されている。どちらも音声を入力でき、どちらも音声で答えられる。一方はデータセンターの資産であり、もう一方はアプリに組み込める機能であり、その他のほぼすべてはこの単一の事実から導かれる。

これらもまた、ほとんど大げさな発表もなく登場した。Liquid AIは2026年10月27日にLFM3ファミリーを発表し、LFM3-Omni-2Bは1本の投稿の中で6つの2Bクラスモデルの1つとして紹介された。そのリポジトリは10月21日から公開されていた。inclusionAIは2026年9月3日にMing-3.0-audio-flashをアップロードしたが、ドキュメントはほとんどなく、6週間後の10月19日まで正式なモデルカードを公開しなかった。どちらのベンダーにも独立したベンチマークはなく、どちらのモデルにもトークン単位で利用できるホスト型エンドポイントはない。

モデルに口を付ける2つの方法

アーキテクチャ上の違いは、サイズの問題ではありません。音声がどこに存在するかという点にあります。

Ming-3.0-audio-flashは、できるだけ長く音声を音声のまま保持する。Whisper方式のエンコーダー——32層、幅1,280、128個のメルビン——が音を表現に変換し、その表現が、512個のエキスパートを持ちトークンごとに8個が選択される42層のMixture-of-Expertsバックボーンに供給される。音声は、中国語音声を内蔵し参照クリップによる音声プロンプティングに対応するオプションのTalkerモジュールを通して戻ってくる。公称コンテキストは128Kで、これは10月13日のコミットによって位置埋め込みが8,192から131,072に引き上げられるまで、設定が主張していなかった数値である。

LFM3-Omni-2Bは、すべてを単一のストリームにトークン化します。動画は毎秒2フレームでサンプリングされ、各2×2画像パッチが1つの言語トークンになり、音声はLFM3因果オーディオエンコーダーを通って、テキストと同じ128,000トークンの語彙に入ります。音声出力は24 kHzのLiquidCodec、音声入力は16 kHzモノラルです。モデル全体は32Kウィンドウに収まります。

それは圧縮に関する議論であり、諸刃の剣でもある。LFM3-Omni-2Bのアプローチは、2.17Bモデルを携帯端末上で実用可能にするものだ。すべてが同じ種類のトークンなので、すべてが同じ種類の低コストで済む。Mingのアプローチは、126Bモデルが韻律を捨てずに1時間の録音を記憶に保持できるようにするものだ。どちらもただで得られるものではない。

並べて見る価値のある数字

• 総パラメータ数 — LFM3-Omni-2B は2.17Bの密型、Ming-3.0-audio-flash は512エキスパートのMixtureで126B。

• アクティブパラメータ — 推論ステップあたり6.5Bに対して約2.17B。

• ディスク上の重み — 数ギガバイトに対し、約259 GBのbfloat16シャードとTalker。

リファレンスハードウェア — スマートフォン、ラップトップ、またはエッジボードを、128Kプロファイルでは4台の80GB H800によるテンソル並列構成と、長い音声がメモリ不足になる場合は8台の構成と比較。

• コンテキスト — 入力と出力を合わせて32Kトークン（公称128Kに対して）

• 音声出力 — {{1}}19音声ロケール対応の24 kHz LiquidCodec{{/1}}。Ming は Talker を介してテキスト、またはテキストと音声を返し、内蔵ボイスと参照クリップのクローニングを備えています。

• ライセンス — LFM Open License v1.0（収益閾値型ライセンス）対 MIT。

• 価格 — どちら側にもトークン単位の価格はありません。どちらのベンダーもこれらのチェックポイント向けの推論を販売していないためです。

アクティブパラメータはスピードメーターではありません

「6.5B active」を「2.17B dense」と並べて見て、Mingはトークンあたりわずか3倍高いだけだと結論づけたくなる。その読み方はどちらの方向にも間違っている。

Mixture of experts は演算だけでなくメモリ帯域を消費する。126B のうち 6.5B のアクティブパラメータを提供するということは、各レイヤーでエキスパートの重みをキャッシュに移動させることを意味し、バッチサイズ1——音声アシスタントが置かれる状況——では、トークンごとに259 GBの大部分を読み出すことに近い。8台のH800という構成はピークスループットのための推奨ではなく、重みを保持するために必要なものである。2.17BのLFM3-Omni-2Bは逆の問題を抱える。スパース性による利得はないが、スワップするものもない。まさにそれが、スマートフォンでの実現を現実的にする構成だ。

実用上の帰結として、2つのモデルはスケーリング曲線が異なります。Mingはバッチ処理するほどトークンあたりのコストが下がるため、録音済み通話のキューを大量に処理する文字起こしパイプラインに適しています。LFM3-Omni-2Bは発話あたりほぼ一定のままなので、バッチサイズが1でレイテンシ予算が数百ミリ秒のライブ会話に適しています。

1260億で何が買えるのか

inclusionAIは評価結果を表ではなく画像で公開している。それ自体が一つの主張ではあるが、数値は判読できる。自社ハーネス上で、Ming-3.0-audio-flashは中国語ASRの平均誤り率3.45、英語3.69、広東語・上海語・湖南語・福建語にわたる方言平均9.40、AISHELL-4での話者ダイアライゼーション誤り率8.58を報告している。音声推論の行にはBigBenchAudio 99.40、MMAU 82.00が含まれる。これらは自社評価の行にアスタリスクが付された、ベンダーのハーネスによるベンダー数値である。誰も再現していない。

ベンダーがそれでも公表した弱点は、長尺音声の推論だ。Long-audio Chain スコアは12.31、LongAudioSpan は41.12で、どちらも自社の比較にあるホステッドモデルに大きく劣っている。つまり126Bは「音声を理解する」うえで一律に優れているわけではない。何が、どの訛りで、誰によって話されたかを正確に聞き取るのは得意だが、長い録音を頭に保持して横断的に推論するのはかなり苦手だ。

21.7億ドルで何が買えるのか

LFM3-Omni-2Bは、英語ASRの単語誤り率6.36、多言語では6.72、TTSのUTMOSv2が3.80、VoiceBenchが64.73、MMARが51.40、ツール呼び出しスコアが52.20であると報告しています。音声入力は16 kHzモノラルまでに制限されており、音声には適していますが音楽には役に立ちません。

6.36 を Ming の 3.69 と比較したくなる衝動は抑えてください。これらは同じテストではありません。Ming の英語平均は、Ming 自身の英語ベンチマーク群で計算されたものです。一方、Liquid の 6.36 は 1 回の評価から得られた 1 つの数値で、独自のプロンプトと貪欲デコーディングで実行されたものです。擁護できるのは方向性についてだけです。Ming の ASR はおそらく優れているでしょう。なぜなら、Whisper 方式のタワーを備えた 126B の音声ネイティブモデルには、より良くなる余地がより多くあり、また、方言処理こそが inclusionAI が前面に押し出そうと選んだものだからです。それが 2 ポイント優れているのか 0.5 ポイント優れているのかは、この 2 つのカードからは知りようがありません。

LFM3-Omni-2B がもたらすのは精度ではない。モデルがマイクのある場所で動くということだ。通話録音のパイプラインではそれは関係がない。リアルタイムのユーザーが関わるものなら何であれ、アーキテクチャを変える。アップロードなし、往復通信なし、分単位の課金なし、そして音声がデバイスの外に出ることもない。

ライセンスこそが、静かな違いです。

Ming-3.0-audio-flashはMITライセンスです。これはほぼ最も寛容な部類で、商用利用、改変、再配布が可能で、収益条件も用途分野の制限もありません。LFM3-Omni-2BはLFM Open License v1.0の下で提供されており、これはLiquidがLFM3全体に適用しているファミリーライセンスで、OSI承認のオープンソースライセンスではなく収益しきい値型のライセンスです。製品を構築する前に読んでください。しきい値未満のスタートアップにとって違いは理論上のものですが、しきい値を超える企業にとってMITは実際の金額価値があります。

統合とは、書類仕事が表に出る場面だ

Ming の提供をめぐる状況はまだ流動的だ。inclusionAI の発表時の打ち出しでは、今日 vLLM-Omni でこのファミリーを提供できるかのように示唆されていたが、リポジトリで実際に確認できるのはオープンなプルリクエストだ。一方は tts-tiny チェックポイントを対象とし、もう一方は audio-flash サポートを追加するものだ。それらがマージされるまでは、Ming-3.0-audio-flash を動かすには、十分なメモリを備えたマシン上で Transformers を使うか、ベンダーが文書化している SGLang-Omni の経路を使うことになる。実行は可能だが、`pip install` で済む話ではない。

{{1}}LFM3-Omni-2B{{/1}}の話は真逆だ。ファインチューニングのレシピを記録したHugging Faceのカードと、すでに出回っているOllamaビルド。そのビルドはカードの32Kに対して125Kのコンテキストを謳っており、これはパッケージングがドキュメントより速く進んだことを物語っている——長い音声を入力するつもりなら気になる、ちょっとした点だ。

どちらもあなたにとって適切な形でないなら、代替策は能力を所有するのではなくレンタルすることであり、それは別の予算項目になります。OrcaRouterはその選択肢のホスト型の側面です。200以上のモデルにまたがる単一のAPIを、プロバイダーの定価に対して0%のマークアップで提供し、プロバイダーが落ちたときには自動フェイルオーバーを行います。そして、LFM3-Omni-2BもMing-3.0-audio-flashも、現在そのカタログには含まれていません。これが正直な整理です。この記事は、あなたが呼び出せる2つのモデルではなく、ダウンロードする2つのモデルについてのものです。

誰がどれを選ぶべきか

他に使っていないGPUがあり、音声がアクセントのある中国語または英語で複数話者によるもので、長い録音について正確な文字起こしや根拠のある回答を作ることが目的なら、Ming-3.0-audio-flashを選んでください。MITライセンスなので商用製品を構築する際に2つのうちより安全であり、128Kコンテキストなので会議を1回の処理で扱える2つのうち唯一のものです。

エッジで音声が生成され、ユーザーが待っていて、回答も間を置かずに音声で返す必要があるなら、{{1}}LFM3-Omni-2B{{/1}}を選んでください。アプリに収まるデプロイと引き換えに、より小型モデルの精度、より狭い言語リスト、収益条項付きのライセンスを受け入れることになります。

どちらを選ぶ前にも問うべきは、音声がどこへ行くのか？ 答えが「どこにも行かない」なら、比較は終わりだ。