Een gegenereerde titelkaart met de tekst 'Ming-3.0-audio-flash scoort het beste op spraakredenering met 99,8%', met een ondertitel die de eerste plaats vermeldt op Artificial Analysis Big Bench Audio op 18 november 2026 en dat het checkpoint op 3 september is uitgebracht zonder tariefkaart. Vier statistiekchips tonen '99,8% Big Bench Audio', '#1 van 42 modellen', '1,12 s tot eerste audio' en 'geen prijs gepubliceerd'. De voettekst luidt: 'Scores volgens Artificial Analysis, 18 november 2026.'
Engineering & Research

Ming-3.0-audio-flash staat bovenaan Artificial Analysis Speech Reasoning met 99,8% — één punt voor, en nog steeds geen prijs

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

Artificial Analysis vermeldt nu Ming-3.0-audio-flash als eerste op zijn Speech Reasoning-board, de Big Bench Audio-evaluatie, met een nauwkeurigheid van 99,8%, vóór StepAudio 3 Realtime met 99,7%, Q​wen Audio 3.0 Realtime Plus met 99,2%, Eleven Realtime v1 Max met 98,8%, G​rok Voice 3.0 met 98,5%, G​emini 3.8 Live Extended Thinking (High) met 97,7% en GPT-Realtime-2.1 High met 95,8%. De claim werd op 18 november 2026 om 08:37 UTC verspreid door Ant Ling, negentien minuten nadat de repository van het model zelf was bewerkt om hetzelfde cijfer en een leaderboard-afbeelding toe te voegen. Die timing is het hele verhaal: een model dat in september werd uitgebracht zonder score van derden, heeft er nu een, en het cijfer ligt heel dicht bij het plafond.

Om precies te zijn over wat nieuw is en wat niet — want dit is geen lancering. inclusionAI heeft de gewichten van Ming-3.0-audio-flash op 3 september 2026 naar Hugging Face geüpload en er zes weken lang niets over gezegd; de modelkaart, de servingprofielen en de voorbeeldcode verschenen pas tussen 15 en 19 oktober. Wat vandaag is veranderd, is de evaluatie, niet de checkpoint. De safetensors-shards zijn dezelfde bytes als in september. De eerlijke framing is dus dat een zeven weken oud open-weights audiomodel net door iemand anders dan de auteur is gemeten, en er als beste uitkwam.

Wat Big Bench Audio een model eigenlijk vraagt te doen

Het loont de moeite concreet te zijn over de test, want "spraakredenering" klinkt als iets wat een spraakagent in een gesprek doet en meestal niet is. Big Bench Audio is een reeks meerkeuzevragen die als audio worden aangeboden: het model hoort een opname, hoort of leest een vraag erover en kiest een antwoord. Het beloont het vermogen om een gesproken passage in de context te houden en er gewone redeneervaardigheden op toe te passen. Het beloont niet beurtwisseling, omgaan met onderbrekingen, backchannels of het vermogen om als een persoon te klinken. Die staan op een andere ranglijst van Artificial Analysis, Full Duplex Bench, waar Ming-3.0-audio-flash momenteel helemaal geen gepubliceerde score heeft.

Dat onderscheid is hier belangrijker dan gewoonlijk, want bij 99,8% is er bijna geen ruimte meer in de maatstaf. Op een ranglijst met 42 modellen is het verschil tussen de eerste en de vijfde plaats één procentpunt. Tussen de eerste plaats en het model op de dertiende plaats — GPT-Realtime-2.1 High — is het vier punten. Een test waarop bijna alles wat modern is in de negentig scoort, is een test die het topsegment van het veld niet meer scheidt, en een voorsprong van één punt op StepAudio 3 Realtime is een handvol items op een benchmark waarvan niemand buiten Artificial Analysis het aantal items kan controleren. Lees de ranglijst als "dit model hoort bij de topgroep", wat echt nuttig is, in plaats van "dit model hoort meetbaar beter dan al het andere", wat het cijfer niet kan onderbouwen.

De ranglijst op volgorde, voor iedereen die de opbouw van het deelnemersveld wil zien in plaats van de kop:

• 1 — Ming-3.0-audio-flash, 99,8%

• 2 — StepAudio 3 Realtime, 99,7%

• 3 — Q​wen Audio 3.0 Realtime Plus, 99,2%

• 4 — Phonic 1 (Hoog), 98,9%

• 5 — Eleven Realtime v1 Max, 98,8%

• 7 — G​rok Voice 3.0, 98,5%

• 8 — G​emini 3.8 Live Extended Thinking (High), 97,7%

• 13 — GPT-Realtime-2.1 Hoog, 95,8%

A screenshot of the Artificial Analysis Speech to Speech page, showing the site navigation, the page heading, a blurb describing comparison of speech-to-speech models across reasoning quality, conversational dynamics, generation time and price, and two chart panels labelled Speech to Speech Index and Speed & Cost per Hour of Input Audio, plus a Related Links rail. The per-model rows inside the charts are not legible at this size.

Eén detail in de eigen documentatie van de leverancier is het vermelden waard, want het is precies het soort ding dat stilletjes wordt weggelaten. De evaluatieafbeeldingen op de modelkaart van inclusionAI, in oktober geüpload, tonen het flash-model op 99,40 op "BigBenchAudio". Artificial Analysis meldt nu 99,8. Dat zijn twee verschillende runs van een vergelijkbare benchmark, en het verschil is in geen van beide een fout — het is de normale spreiding die je krijgt wanneer de harness, het promptformaat en de subset van items niet identiek zijn. Het is ook een herinnering dat de oktobertabel van de leverancier en het leaderboard van derden van vandaag geen uitwisselbare cijfers zijn, zelfs niet wanneer ze bijna hetzelfde label dragen.

Wat het bestuur niet zegt

Er ontbreken drie dingen aan de Artificial Analysis-vermelding, en elk daarvan weegt zwaarder voor een deploymentbeslissing dan het nauwkeurigheidscijfer.

Het eerste is prijs. Ming-3.0-audio-flash heeft geen tarief per token of per minuut op Artificial Analysis, omdat er niets te kopen valt: het is een mixture-of-experts-checkpoint met 126 miljard parameters onder MIT, met 6,5 miljard actieve parameters per stap. De kosten zijn gelijk aan wat de hardware kost. De eigen deploymentnotities van inclusionAI plaatsen het referentie-128K-servingprofiel op tensorparallellisme over vier H800's van 80 GB, met een terugvaloptie met acht GPU's voor lange audio, en een gevalideerd SGLang-profiel op vier GPU's dat alleen tekst retourneert. Elk model dat op de leaderboard boven dit model staat, is een getarifeerde API, met uitzondering van het model zelf. Ze alleen op nauwkeurigheid vergelijken zet een benchmarkscore naast een benchmarkscore en negeert dat de ene kant van de tabel een aankoop is en de andere een abonnement.

Het tweede is latentie. Artificial Analysis meet wel de tijd tot de eerste audio, en Ming-3.0-audio-flash zit op 1,12 seconden. Eleven Realtime v1 Max zit op 0,57 seconden — ongeveer de helft. Als je applicatie een voice agent is die moet antwoorden binnen een gesprekspauze, dan weegt een benchmarkwinst niet op tegen een seconde dode lucht, en de volgorde op het leaderboard zegt niets over met welke van die twee getallen je kunt leven.

Het derde is gespreksgedrag. Er bestaan Full Duplex Bench-scores voor Eleven Realtime v1 Max (0,941 totaal, met interruptieafhandeling op 0,99 en beurtwisseling op 1,0) en voor verschillende Gemini- en GPT-realtimemodellen. Ming-3.0-audio-flash heeft geen FDB-score, geen uitsplitsing van gespreksdynamiek en geen gepubliceerde meting van hoe het met onderbrekingen omgaat. Een model kan meerkeuzevragen over audio feilloos beantwoorden en je toch nog in de rede vallen.

En de eigen oktobercijfers van de leverancier zijn het minst flatteuze bewijs in dit hele beeld. Op dezelfde kaart die de overwinning op spraakredenering adverteert, publiceerde inclusionAI een lange-audio-ketenscore van 12.31 tegen 34.54 voor Qwen3.8-Omni Flash en 49.63 voor Gemini 3.8 Flash, een LongAudioSpan van 41.12 tegen 66.40, en foutpercentages voor sprekerdiarisatie op AMI van 25.29 tegen 11.16 voor MiMo-V2.6 Pro. Dat zijn de cijfers van de leverancier, op de door de leverancier gekozen taken, en ze beschrijven een model dat uitstekend is in korte audio met vraag en antwoord en zwak in redeneren over een lange opname. Niets aan een 99.8 op Big Bench Audio verandert dat, omdat Big Bench Audio geen lange-audiotest is.

Het gat van zeventien minuten tussen kaart en tweet

De commit in de repository heeft een tijdstempel van 08:26:48 UTC op 18 november en heeft als deel van de titel "Update Flash BBA score to 99.8% and add the overall #1 leaderboard res…". De post van Ant Ling volgde om 08:37:02. Dezelfde commit wijzigde achtenveertig seconden later de kaart van het kleine zusje en voegde dezelfde zin toe — een gedeelde benchmarkparagraaf, gekopieerd naar beide repositories, en nog een reden om na te gaan bij welke checkpoint een getal eigenlijk hoort voordat je het citeert.

A generated single-column scoreboard titled 'Ming-3.0-audio-flash - the scoreboard'. Rows read 'Big Bench Audio: 99.8%, rank 1 of 42', 'Vendor card, October: 99.40, self-evaluated', 'Time to first audio: 1.12 s', 'Full Duplex Bench: not published', 'Price: no rate card' and 'Reference hardware: 4 x 80GB H800'. The footer reads 'Big Bench Audio score, rank and latency per Artificial Analysis, 18 November 2026; the 99.40 figure is vendor-reported and unaudited.'

Wat die reeks je vertelt, is dat de model card nu stroomafwaarts van het leaderboard staat in plaats van andersom. Zes weken lang was het enige prestatiebewijs voor Ming-3.0-audio-flash een set PNG-afbeeldingen in een assets/map, geproduceerd door het team dat het model had getraind. Dat is niet niets — evaluaties door leveranciers zijn meestal eerlijk, alleen optimistisch over de taakselectie — maar het is een andere categorie bewijs dan een derde partij die zijn eigen harness draait en een ranglijst publiceert. Het interessante aan vandaag is niet dat de leverancier de eerste plaats opeist. Het is dat een organisatie zonder belang bij de uitkomst het model daar heeft neergezet.

A screenshot of the inclusionAI Ming-3.0-audio-flash model card on Hugging Face, showing the audio-to-audio pipeline tag, the MIT licence badge, a reported model size of 128B params, a downloads-last-month figure of 2,572, the headline 'Hear clearly. Understand deeply. Act intelligently.', and a model summary table listing the developer as inclusionAI, the model type as a native audio-language mixture-of-experts, and 126B total parameters with 6.5B activated per inference step.

Waar een router past, en waar niet

OrcaRouter serveert Ming-3.0-audio-flash niet. Het staat niet in onze catalogus, we kunnen je er geen endpoint voor geven, en niets hier mag als een aanbod worden opgevat. Als je het wilt draaien, kloon je de repository, installeer je het Transformers 5-codepad of een van de SGLang-Omni-servingprofielen, en richt je er minstens vier kaarten van 80 GB op. Dat is infrastructuur, en een router doet geen infrastructuur.

Wat een router wél doet, is de andere helft van elke spraakpipeline. Een spraakapplicatie die op een zelfgehost audiomodel is gebouwd, is nog steeds vooral tekstwerk: de prompt die bepaalt wat er aan de opname gevraagd wordt, de nabewerking die een tabgescheiden taallabel omzet in gestructureerde uitvoer, de samenvatting die op basis van het transcript wordt geschreven, de classifier die een lawaaierig telefoongesprek naar een mens doorverwijst. Dat zijn gewone chat-aanroepen, en één API voor meer dan 200 modellen tegen 0% opslag — de lijstprijs van de provider wordt doorgegeven, zodat een prijsverlaging van een leverancier dezelfde dag nog bij ons geldt — is eenvoudiger om aan te sluiten dan een tweede en derde leverancierscontract. Automatische failover is wat je in staat stelt om een onbewezen open-weightsmodel achter een deel van je verkeer te zetten zonder je hele pad ervan afhankelijk te maken.

De grens is waar het om draait. Een checkpoint van 259 GB dat je op je eigen GPU's draait, is een kapitaalbeslissing; een router routeert aanroepen. Hij verandert een clustermodel niet in een gehost model, en hij maakt van 99,8% op een multiplechoicebenchmark geen bewijs over je product.

Wat zou dit iets betekenis geven?

Drie metingen zouden van de kop van vandaag een beslissing maken, en alle drie zijn dingen die Artificial Analysis of een arena zou kunnen publiceren zonder inclusionAI om iets te vragen. Een Full Duplex Bench-score zou aangeven of het gespreksgedrag overeenkomt met het begrip. Een lang-audioresultaat op een publieke set zou de enige as testen waarop de eigen tabel van de leverancier het zwakst is. En een tweede onafhankelijke run van Big Bench Audio — een andere harness, een andere steekproef van items — zou je vertellen of 99,8 een plafondeffect is of een echt verschil.

Tot dan is de accurate zin smal en de moeite waard om ronduit te zeggen: een open-weights audiomodel van Ant Group, uitgebracht in september en gedocumenteerd in oktober, staat nu eerste op een benchmark voor spraakredenering van een derde partij, met één procentpunt voorsprong op het volgende model, zonder gepubliceerde prijs, met twee keer de tijd tot eerste audio van de snelste concurrent op die lijst, en helemaal geen gespreksscore. Dat is een echt resultaat. Het is ook een veel kleinere bewering dan "beste stemmodel", en het verschil tussen die twee zinnen is waar het meeste nuttige denken over dit model nog moet gebeuren.

Vergeleken in dit artikel1

Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt