Ming-3.0-audio-flash vs Qwen3.8-Omni-Flash: 벤더 자체 표에서 이미 승자가 가려졌다

이 논쟁의 대부분을 정리해 주는 비교 표가 있는데, 그것은 두 벤더 중 한 곳이 직접 공개한 것입니다. inclusionAI가 Ming-3.0-audio-flash에 대해 자체 공개한 평가 이미지에서 기준 열은 Qwen3.8-Omni-Flash — 2026년 9월 18일부터 API 고객에게 개방된 Alibaba의 폐쇄형 옴니 모델 — 이며, 결과는 양방향으로 엇갈립니다. Ming은 방언 항목에서는 큰 격차로 이기고, 긴 오디오 추론 항목에서는 거의 세 배 차이로 뒤집니다. 이것이 유난히 유용한 이유는, 질문이 "어느 모델이 더 나은가"가 아니라 "이 두 가지 실패 모드 중 무엇을 당신의 워크로드가 감당할 수 있는가"가 되기 때문입니다. Ming-3.0-audio-flash는 inclusionAI의 총 126B, 활성 6.5B 오디오-언어 체크포인트로, 2026년 9월 3일에 업로드되었고 10월 19일에 문서화되었습니다. Qwen3.8-Omni-Flash는 100만 토큰 컨텍스트를 갖추고 가중치는 없는, 호스팅 방식의 텍스트 출력 전용 모델입니다. 하나는 소유하는 것이고 하나는 임대하는 것이며, 공개된 강점은 크게 겹치지 않습니다. 이와 같은 비교의 배경이 되는, 문서화된 AI 실패 사례와 벤더 벤치마크 분쟁은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 출처, 심각도, 신뢰 등급, 분쟁 여부 플래그가 함께 표시됩니다.

한 시간 분량의 오디오를 읽는 두 가지 방법

두 모델 모두 오디오와 텍스트를 입력받아 텍스트를 반환합니다. 이 문장은 두 모델 모두에 해당하면서도 두 모델 모두에 대해 오해를 불러일으킵니다. 두 모델이 작동하는 규모가 완전히 다르기 때문입니다.

Qwen3.8-Omni-Flash는 텍스트, 이미지, 오디오, 비디오를 입력받고, 단일 호출에서 최대 1시간의 연속 오디오-비디오를 처리하며, 100만 토큰 컨텍스트(최대 입력 약 991K, 최대 출력 131K, 262K 추론 예산 포함)를 갖추고, 텍스트로만 응답한다. 알리바바의 출시 프레이밍은 점수보다는 청구서였다: Qwen3.5-Omni-Plus보다 오디오 입력 1시간당 98% 저렴하고, 오디오-비디오 1시간당 93% 저렴하며, 시간당 수치는 2분 샘플의 가격을 책정해 30을 곱해 산출했고, 비디오는 720p 및 초당 1프레임으로 샘플링했다. 국제 가격은 입력 100만 토큰당 $0.15, 캐시 $0.016, 출력 $0.47이다.

Ming-3.0-audio-flash는 오디오와 텍스트를 입력받고, 선택적 Talker를 통해 텍스트 또는 텍스트와 음성을 반환하며, 128K 컨텍스트를 갖습니다 — 이 수치는 10월 13일 한 파일 커밋이 max_position_embeddings를 8,192에서 131,072로 올리기 전까지 해당 구성에서 주장되지 않았던 값입니다. 참조 서빙 프로필은 8개의 80GB H800에 걸친 텐서 병렬 처리이며 다운로드 용량은 약 259GB입니다. 엔드포인트가 없으므로 토큰당 가격도 없습니다.

그래서 Qwen의 단위는 호출이고, Ming의 단위는 노드입니다. 이것이 첫 번째 결정이며, 보통 나머지 모든 것을 좌우합니다.

inclusionAI 자체 표가 행별로 말하는 내용

이 섹션의 모든 숫자는 Ming 저장소의 assets/ 폴더에 있는 세 개의 PNG에서 나옵니다 — inclusionAI가 자체 하네스에서 직접 실행한 결과이며, 별표는 자체 평가한 행을 표시합니다. 그중 어느 것도 재현되지 않았습니다. 이는 대부분의 벤더가 하는 것보다 더 나아가, 벤더가 공개적으로 자기 자신을 설명하는 글로 읽으십시오.

• 중국어 ASR 평균 — Ming 3.45 오류율로 Qwen3.8-Omni-Flash 3.54, Gemini 3.8 Flash 9.83 대비. 근소한 승리.

• 영어 ASR 평균 — 4.02 및 5.05 대비 3.69. 또한 좁습니다.

• 방언 평균 — 9.40 대 11.58. 격차가 더 크며, 이것이 핵심 주장입니다: 광둥어 4.09 대 4.76, 상하이어 11.15 대 21.10, 후난어 8.76 대 17.11, 푸젠어 12.84 대 26.32.

• Hubei — 9.46 대 7.75. Qwen이 이 행에서 이기는데도 inclusionAI는 그대로 표에 실었고, 이것이 나머지 표를 신뢰할 수 있는 주된 이유다.

화자 분리, AISHELL-4 — Ming은 화자 분리 오류율 8.58로 Q​wen의 2.80과 대비됩니다. AMI에서는 Ming이 25.29인 반면 MiMo-V2.6 Pro는 11.16입니다.

• Long-audio Chain 점수 — Ming 12.31 대 Q​wen 34.54, Q​wen 사고 모드 48.70, Gemini 3.8 Flash 49.63. 이는 네 배 격차이며, 벤더가 공개하기로 선택한 지표에서의 격차입니다.

• LongAudioSpan — 41.12 대 66.40. MMAR — 74.40 대 77.70. MMSU — 78.82 대 82.10.

• 오디오 추론 헤드라인 행 — Ming은 BigBenchAudio에서 99.40, MMAU에서 82.00을 기록했으며, BFCL-v3 Audio의 도구 호출은 81.40으로 Gemini 3.8 Flash의 86.68에 맞섰습니다.

이 패턴은 무작위가 아니다. Ming은 과제가 "억양을 포함해 정확히 무엇이 말해졌는가"일 때 가장 강하고, "긴 녹음을 기억에 담아 두고 그것을 가로질러 추론하는 것"일 때 가장 약하다. Q​wen은 그 반대다. 100만 토큰 창과 추론 예산은 바로 두 번째 과제를 위한 장치이며, 출시 자료 어디에도 방언별 튜닝을 암시하는 내용은 없다.

방언 주장이 이 사건의 전부이며, 그 주장은 들리는 것보다 범위가 좁다.

공급업체 표에서 한 가지만 가져온다면 이것을 가져오세요. 면밀한 검토를 견디는 격차는 일반 오디오 지능이 아니라 방언 및 억양이 있는 중국어 음성 인식입니다. 상하이어는 11.15 대 21.10으로 오류율이 대략 절반입니다. 후난어는 8.76 대 17.11로 대략 절반입니다. 푸젠어는 12.84 대 26.32로 대략 절반입니다. 이는 다섯 개 방언 행에 걸쳐 크고 일관된 차이이며, 벤치마크 요령이 아니라 훈련 결정에서 나오는 종류의 결과입니다.

숫자만큼이나 유의점도 중요하다. 테스트 세트는 벤더가 직접 고른 것이고, 하네스도 벤더의 것이다. Qwen3.8-Omni-Flash의 기준값은 Alibaba가 아니라 inclusionAI가 Alibaba의 모델을 실행해 산출한 것이다. 경쟁사가 라이벌 모델을 평가하는 것은 흔한 관행이며, 우연히도 실제보다 좋게 보이는 결과가 나올 가능성이 가장 높은 구성이기도 하다. 반대 방향을 가리키는 유일한 행인 후베이는 이 표가 단순히 편집된 것이 아니라는 가장 강력한 증거다.

그리고 4배에 달하는 긴 오디오 격차는 설계로 회피할 수 있는 반올림 오차가 아닙니다. 워크로드가 90분짜리 실적 발표 콜이고 상호 참조가 포함된 요약이 필요하다면, Ming이 직접 제시한 수치에 따르면 바로 그 점을 측정하는 지표에서 Q​wen의 사고 모드가 4배 더 나은 도구라고 말합니다.

가용성은 벤치마크보다 더 많은 것을 좌우한다

Qwen3.8-Omni-Flash의 유일한 서비스 위치는 Alibaba의 Qianwen 플랫폼과 Alibaba Cloud Model Studio이며, 국제용과 중국 본토용 엔드포인트가 분리되어 있고 청구와 통화도 각각 별도로 운영됩니다. OpenAI 형식의 요청에 응답하므로 클라이언트 코드는 대부분 이식할 수 있지만, 엔드포인트는 이식 가능하지 않고 장애 조치 대상도 없습니다. 모델 가중치는 공개되지 않았으며 공개 계획도 발표되지 않았습니다. OrcaRouter는 이를 제공하지 않습니다.

Ming-3.0-audio-flash에는 엔드포인트가 전혀 없습니다. 이 모델은 모델 카드, 10월 15일에 생성된 GitHub 저장소, 세 가지 프로필용 배포 YAML, 두 개의 예제 클라이언트, 150KB 음성 가이드가 포함된 MIT 라이선스 가중치입니다. vLLM-Omni 프로젝트는 이전 Ming 세대를 지원하며 7.9B Ming TTS 모델에 대한 열린 풀 리퀘스트가 있지만, 이 오디오-언어 체크포인트에 대해서는 병합된 것이 없습니다. 현재 실용적인 경로는 trust_remote_code=True를 사용하는 Transformers이며, 이는 평가에는 적합하지만 서비스용으로는 빈약합니다.

그 두 문단을 나란히 놓고 보면 맞바꿈의 대가가 극명하다. Q​wen은 폴백도 가시성도 없는 프로덕션 엔드포인트를 준다. Ming은 완전한 가시성을 갖춘 체크포인트를 주지만 엔드포인트는 없다. GPU 노드와 컴플라이언스 요구사항이 있는 팀은 Ming을 고른다. 마감이 있는 팀은 Q​wen을 고르고 단일 소스 리스크를 감수한다.

중간 경로는 어떤 모습인가

어느 벤더도 문서화하지 않은 세 번째 선택지가 있는데, 대부분의 팀이 실제로 택하는 방식이기에 짚고 넘어갈 만하다. 바로 같은 파이프라인 안에서 호스티드 모델은 그것이 더 잘하는 작업에, 오픈 웨이트는 그쪽이 더 잘하는 작업에 사용하는 것이다.

구체적으로 말하면 — 방언 사용자가 거는 중국어(보통화) 통화를 처리하는 고객 지원 조직입니다. 오디오가 도착하면 경량 분류기가 발신자의 말이 표준인지 억양이 강한지 판단합니다. 표준 오디오는 Qwen3.8-Omni-Flash로 전달되어 통화 전체에 대한 추론을 포함한 긴 컨텍스트 요약을 생성합니다. 억양이 있는 오디오는 Ming-3.0-audio-flash로 전달되어 전사되고, 전사본은 요약을 위해 텍스트 파이프라인으로 돌아옵니다. 어느 모델도 전체 작업을 보지 않으며, 둘 다 자신이 더 잘하는 부분만 봅니다.

그 아키텍처는 업체 하나를 고르는 것보다 손이 더 많이 가지만, 업체 표를 정직하게 활용하는 유일한 방식입니다. 표 자체가 두 모델이 서로 다른 입력에서 실패한다고 말해 주기 때문입니다.

OrcaRouter가 정확히 어디에 있는지

이 글에서는 두 모델 모두 제공하지 않습니다. Qwen3.8-Omni-Flash는 A​libaba에서 호스팅되며 우리 카탈로그에 없고, Ming-3.0-audio-flash는 오픈 가중치 모델이며 우리 카탈로그에 없습니다. 둘 중 하나를 기대하고 가입하는 독자는 실망할 테니, 가입 양식 끝에서 말하기보다 여기에서 밝히는 편이 낫습니다.

위의 분류기-요약 파이프라인에 필요한 것은 바로 라우터가 제공하는 것입니다: 체인의 텍스트 측을 위한 단일 키, 표준 오디오는 한쪽으로, 악센트 있는 오디오는 다른 쪽으로 보내는 라우팅 규칙, 그리고 공급자가 성능 저하될 때의 페일오버 경로입니다. 200개 이상의 모델을 0% 마크업으로 이용하는 단일 API — 공급자 정가가 그대로 전달되므로 벤더의 가격 인하가 당일 우리 쪽에도 반영됩니다 — 는 세 개의 계약과 두 개의 청구 시스템을 운영하는 것보다 운영 부담이 적으며, 자동 페일오버가 모든 호스팅 옴니 모델에 따르는 단일 소스 위험에 대한 해답입니다. 라우팅 DSL은 두 갈래 음성 파이프라인이 실제로 표현되는 곳입니다. 그것은 259GB 체크포인트의 대체물이 아니며, 그럴 수도 없습니다.

두 가지 종류의 팀을 위해

이번 분기에 오디오가 포함된 제품을 만들고 있는데 GPU 예산이 없다면, Qwen3.8-Omni-Flash가 정답입니다. 다만 한 공급업체에서 임대하는 방식이므로 엔드포인트를 상수가 아닌 구성 값으로 두도록 클라이언트를 작성해야 한다는 점을 유의하세요. 이 모델의 컨텍스트 창과 추론 예산은 오픈 가중치 대안이 제공하는 그 어떤 것보다도 실제로 더 큽니다.

인프라를 구축하고 있다면 — 전사 서비스, 온프레미스 컴플라이언스 파이프라인, 벤더 엔드포인트가 편의가 아니라 부담이 되는 모든 상황 — Ming-3.0-audio-flash는 진지하게 고려할 만한 오픈 옵션이며, 그 이유는 방언 수치에 있습니다. 노드 하나를 예산에 잡고, 통합에 한 달을 배정하고, 누군가에게 화자 레이블을 약속하기 전에 다이어리제이션 행을 읽어 보십시오.

화려하지 않은 결론은 이것이다. 두 모델은 경쟁자라기보다 분업에 가깝고, 그 분업을 설명할 유인은 어느 벤더에게도 없다. inclusionAI는 그것을 보여주는 표를 공개했다. 그 표는 출시 포스트보다 더 가치 있다.