LFM3-Omni-2B vs Ming-3.0-audio-tiny: 특화 모델에 맞서는 스택 교체

두 모델 모두 작은 모델로 마케팅되며, 둘 다 소리 내어 답할 수 있고, 그 외에는 거의 공통점이 없습니다. LFM3-Omni-2B는 Liquid AI의 21억 7,000만 파라미터 덴스 체크포인트로, 텍스트, 이미지, 비디오, 오디오를 입력받아 텍스트 또는 24kHz 음성을 반환합니다. Ming-3.0-audio-tiny는 inclusionAI의 93억 파라미터 전문가 혼합(MoE) 모델로, 단계당 27억 파라미터가 활성화되며 오디오와 텍스트를 입력받아 텍스트 또는 44.1kHz 음성을 반환합니다. 하나는 전체 어시스턴트 스택을 대체하려 하고, 다른 하나는 가능한 최고의 귀가 되려 합니다. 특화 모델과 범용 모델이 하나의 키 뒤에 있을 수 있습니다. 단일 엔드포인트 요청은 규칙에 따라 라우팅되며, 경로에 장애가 발생하면 자동으로 페일오버됩니다.

이름 때문에 이 일이 필요 이상으로 어려워진다. Ming의 제품군에서 "Tiny"는 Ming-3.0-audio-flash 대비 위치를 가리키는 것이지 절대적인 크기를 가리키는 것이 아니다. 총 9.3B로, 파라미터 수가 Liquid 모델의 네 배가 넘는다. 그리고 LFM3-Omni-2B는 비전을 덧붙인 오디오 모델이 아니라, 오디오 경로를 갖춘 일반 멀티모달 모델이다. 이들을 항목별로 비교하는 것은 양쪽 모두에 불공평할 것이다. 이들이 하는 작업으로 비교하는 것만이 중요한 비교다.

각각이 실제로 무엇인지

Ming-3.0-audio-tiny는 네이티브 오디오-언어 모델입니다. 오디오 인코더와 프로젝터가 희소 MoE 언어 백본에 입력을 공급하며, 요청 시 음성을 생성하는 별도의 Talker 단계를 갖추고 있습니다. 중국어와 영어를 처리하고 악센트와 방언도 지원하며, 참조 클립과 전사문을 이용한 음성 복제를 지원합니다. 가중치는 MIT 라이선스로 Hugging Face와 ModelScope에서 제공되며, MLX 및 GGUF용 커뮤니티 양자화가 존재하고, 이를 기반으로 구축된 저지연 음성 비서의 작동하는 ROCm 데모도 있습니다. 저장소는 2026년 9월 초에 업로드되었고 카드와 구성은 10월 중순에 갱신되었으며, 그때 실질적으로 사용 가능해졌습니다.

LFM3-Omni-2B는 반대 구성이다. 비전 인코더, 인과적 오디오 인코더, 음성 출력용 LiquidCodec을 갖춘 단일 덴스 트렁크로, 하나의 가중치 세트가 4개 입력 모달리티와 2개 출력 모달리티를 처리하도록 훈련되었다. 2026년 10월 27일 Liquid의 6개 모델 LFM3 패밀리 중 한 갈래로 공개되었으며, 별도 발표도 독립 평가도 없었다. 모델 카드는 2.17B 파라미터, 32,768토큰 컨텍스트, LFM Open License v1.0을 보고한다.

• 아키텍처 — 2.17B 덴스 애니투애니 vs 총 9.3B에 토큰당 2.7B 활성, 희소 MoE에 별도의 음성 Talker 추가.

• 입력 — 텍스트, 이미지, 사운드트랙이 포함된 동영상, 16 kHz 오디오 대 오디오와 텍스트만.

• 음성 출력 — LiquidCodec을 통한 24kHz, Talker를 통한 44.1kHz 모노보다 실시간보다 빠르게 스트리밍되며, 이름이 지정된 프리셋 음성과 클로닝을 제공합니다.

• 언어 — 중국어 및 영어 대비 텍스트 언어 16개와 음성 로캘 19개, 방언 포함.

• 컨텍스트 — 카드에 32,768 토큰으로 명시되어 있는 반면, 카드에는 컨텍스트 창이 명시되어 있지 않습니다; 공개된 구성은 131,072토큰의 위치 예산을 기술합니다.

• 라이선스 — MIT와 달리 매출 임계값이 있는 LFM Open License v1.0.

• 메모리 사용량 — BF16에서 약 4.3GB인 반면 BF16에서는 대략 21GB이며, int8 expert 양자화를 적용하면 약 12.5GB로 줄어듭니다.

실제로 겹치는 두 행

교차 실험실 벤치마크 표는 대부분 겉치레다. 각 실험실이 자체 하네스를 고르기 때문이다. 여기서 겹치는 부분은 정확히 말할 수 있을 만큼 작다. 두 데이터셋이 두 공급업체 보고서 모두에 등장하며, 둘 다 방법론이 상당히 표준적인 오디오 작업이다.

• 영어 ASR 단어 오류율 — LFM3-Omni-2B는 6.36, Ming-3.0-audio-tiny는 4.36입니다. 낮을수록 좋으며, Ming이 절대 2포인트 차이로 앞서 있어 오류가 대략 3분의 1 적습니다.

• VoiceBench — 64.73 대 74.29. Ming이 음성 지시 따르기와 음성 어시스턴트 동작에서 9.6점 앞서 있습니다.

두 모델 모두 측정하는 작업에서는 전문 모델이 이기며, 그것은 예상된 결과입니다. Ming은 듣기와 말하기에 27억 개의 활성 매개변수를 사용합니다. LFM3-Omni-2B는 듣기, 말하기, 보기, 읽기에 동시에 21억 7천만 개를 사용합니다. 역량을 네 갈래로 나누지 않는 모델은 자신이 작동하는 한 가지 방식에서 더 나아야 하며, 실제로 그렇습니다.

Ming이 보고하지만 LFM3-Omni-2B는 보고하지 않는 항목은 더 긴 목록이다: 중국어 ASR 문자 오류율 3.79, 방언 문자 오류율 10.29, BigBenchAudio 99.20, MMAU 75.90, MMAU-Pro 56.42, 장시간 오디오 정확도 56.39, BFCL-v3 Audio 79.80. 이는 이 규모의 모델로서는 강력한 수치이며, 멀티모달 표의 한 열로서가 아니라 오디오 추론에 특화해 평가된 시스템을 보여준다. Liquid 카드에서 가장 가까운 대응 항목은 오디오 이해 MMAR 51.40과 도구 호출 점수 52.20이지만, 도구 호출 벤치마크는 BFCL-v3 Audio와 같은 테스트가 아니며, 이 두 수치를 나란히 놓는 것은 이 블로그가 피하고자 하는 바로 그런 비교일 것이다.

이 맞대결로는 결판낼 수 없는 벤치마크

흥미로운 질문은 어느 모델이 더 잘 듣는지가 아니다. 파이프라인이 할 수 없는 오디오-시각 추론을 단일 옴니 모델이 할 수 있는지다. Ming-3.0-audio-tiny에는 비전 경로가 전혀 없다. 프레임을 보고 무슨 일이 일어나는지 설명할 수 없고, 비디오를 보면서 그 비디오의 사운드트랙에 관한 질문에 답할 수도 없다. LFM3-Omni-2B는 둘 다 할 수 있으며, Liquid는 바로 그 기능에 대해 Daily-Omni 70.09와 WorldSense 47.10을 보고한다.

그 수치들은 Ming의 카드에 대응하는 항목이 없습니다. Ming은 그 작업을 시도하지 않기 때문입니다. 따라서 이 비교는 품질 문제가 아니라 범위 문제로 귀결됩니다. 애플리케이션이 오디오 스트림에 대한 음성 인터페이스라면, Ming이 더 뛰어난 귀이고 활성 연산량은 더 작습니다. 애플리케이션이 카메라와 마이크와 스피커라면, LFM3-Omni-2B는 어떤 크기에서도 Ming이 할 수 없는 일을 하고 있으며, 오디오 격차는 카메라를 위해 치르는 대가입니다.

그 비용은 결코 작지 않다. 음성 인터페이스에서 영어 단어 오류율 2포인트 차이는 대충 훑어볼 수 있는 전사본과 일일이 고쳐야 하는 전사본 사이의 차이다. 오디오 경로가 주 제품이고 비전이 덤이라면, 솔직한 권장 사항은 오디오에는 Ming을, 프레임에는 별도의 비전 모델을 사용하는 것이다. 비록 그게 두 개의 체크포인트를 의미하더라도.

메모리 청구서가 벤치마크보다 더 많은 배포를 좌우한다

Ming-3.0-audio-tiny는 BF16에서 약 21GB의 가중치가 필요하고, int8 전문가 양자화를 적용하면 약 12.5GB가 필요하며, 전체 오디오 출력 배포에서는 Thinker와 Talker를 두 GPU에 분할할 수 있습니다. LFM3-Omni-2B는 약 4.3GB가 필요합니다. 이는 작은 차이가 아닙니다. 중급 GPU 한 대와 계획을 세워야 하는 머신 사이의 차이이며, 휴대폰과 서버 사이의 차이입니다.

비교는 무엇을 측정하느냐에 따라 뒤집힙니다. Ming의 2.7B 활성 매개변수 덕분에 전체 크기에도 불구하고 토큰당 비용이 저렴하며, 이것이 바로 희소 MoE의 핵심입니다. LFM3-Omni-2B는 dense이므로 모든 토큰이 전체 2.17B 비용을 치릅니다. 하지만 전체 모델이 메모리의 일부에 들어가고 Ming이 접근할 수 없는 하드웨어에서 실행됩니다.

바로 이 지점에서 라우팅의 경제성이 구체화됩니다. OrcaRouter는 공급자 정가를 마진 없이 그대로 전달하므로, 저렴한 전문 모델과 더 비싼 범용 모델이 별도의 계약 없이 하나의 키 뒤에 나란히 있을 수 있고, 공급자의 가격 변경이 다음 갱신 시점이 아니라 같은 날 청구서에 반영됩니다. LFM3-Omni-2B와 Ming-3.0-audio-tiny는 현재 저희 카탈로그에 없으므로, 이는 플랫폼이 가격을 책정하는 방식에 대한 설명일 뿐 지금 저희를 통해 두 모델 중 하나를 호출할 수 있다는 주장은 아닙니다. 그러나 이 두 모델이 만들어내는 패턴, 즉 흔한 경우를 위한 저렴한 전문 모델과 어려운 경우를 위한 범용 모델이라는 패턴은 바로 라우터가 존재하는 이유입니다.

진짜 갈림길인 라이선스 문제

{{1}}Ming-3.0-audio-tiny{{/1}}는 MIT 라이선스입니다. {{2}}LFM3-Omni-2B{{/2}}는 {{3}}LFM Open License v1.0{{/3}}에 따라 제공되며, 이는 수익 임계값을 통해 상업적 사용에 별도 계약이 필요한지 결정하는 맞춤형 계약입니다. 연구용 프로토타입에서는 그 차이가 사실상 무의미합니다. 제품의 경우, 이는 법무팀이 가장 먼저 확인하는 사항이며, 어떤 크기의 벤치마크 격차도 무색하게 만들 수 있습니다.

MIT는 또한 Ming에 이미 커뮤니티 포팅이 존재하는 이유를 설명합니다. MLX 빌드, GGUF 양자화, ROCm 음성 비서 데모가 그것입니다. 이런 것들이 존재하는 것은 라이선스 덕분에 쉽게 만들 수 있었기 때문이며, 바로 그 덕분에 Ming은 오늘날 Liquid가 한 번도 테스트하지 않은 하드웨어에서도 배포할 수 있습니다. LFM3-Omni-2B는 10월 27일에 83회 다운로드로 공개되었고, 텍스트 출력 전용으로 문서화된 서빙 경로가 하나 있습니다. 그 생태계는 아직 존재하지 않습니다.

실질적인 비대칭성은 뚜렷하다. 오디오 정확도, 활성 파라미터당 메모리 효율, 중국어 및 방언에 대한 언어 커버리지, 음성 복제 및 라이선스 자유도 측면에서 Ming-3.0-audio-tiny가 오늘날 더 안전한 선택이다. 모달리티 커버리지와 원시 풋프린트 측면에서 LFM3-Omni-2B는 둘 중 방을 보고 그 방에 대해 이야기할 수 있는 유일한 모델이다.

누가 무엇을 가져와야 하나요?

음성 제품 — 전사, 음성 대화, 음성 복제, 통화 분석 — 을 구축 중이고 비전이 필요 없거나 별도의 시각 모델과 함께 사용할 의향이 있다면 Ming-3.0-audio-tiny를 선택하십시오. MIT 라이선스, 기존 양자화, ASR에서 2점 앞선다는 이점 덕분에 더 낮은 위험의 배포가 가능하며, 희소 아키텍처는 총 9.3B임에도 토큰당 비용을 낮게 유지합니다.

메모리가 제약 조건이고 기기에 카메라와 마이크가 있다면 LFM3-Omni-2B를 선택하세요. 보고 듣고 말하는 4.3 GB 체크포인트는 21 GB 오디오 전문 모델과는 다른 범주의 대상이며, ASR 정확도가 아무리 높아도 메모리에 들어가지 않는 모델을 보상해 주지는 못합니다. 당신이 깊이가 아니라 폭을 사고 있다는 점, 그리고 그에 붙은 모든 오디오 수치는 공급업체가 보고한 것이며 재현되지 않았다는 점을 받아들이세요.

어느 모델의 모델 카드도 알려주지 않는 것은 두 모델이 같은 애플리케이션에서 어떻게 동작하는가입니다. 동일한 오디오, 동일한 기기, 동일한 지연 시간 예산으로 수행하는 그 테스트는 두 회사 외부의 누구도 해 본 적이 없습니다. 그 테스트가 수행되기 전까지는 결정이 오늘날 알 수 있는 범위와 라이선스에 달려 있지, 알 수 없는 정확도에 달려 있는 것은 아닙니다.