LFM3-Audio-2B kontra Ming-3.0-audio-flash: laptopowy checkpoint przeciw ośmiogpuowemu uchu

Pierwszą liczbą, która oddziela LFM3-Audio-2B od Ming-3.0-audio-flash nie jest wynik benchmarku. Jest nią osiem. Ming-3.0-audio-flash — 126-miliardowy audio-językowy model typu mixture-of-experts firmy InclusionAI z 6,5 mld aktywnych parametrów — wymaga równoległości tensorowej na ośmiu kartach H800 z 80 GB, aby obsłużyć pełny profil kontekstu 128K z wyjściem mowy — cztery GPU dają zweryfikowaną ścieżkę SGLang, ale wyłącznie tekstową, ponieważ moduł Talker się nie mieści. LFM3-Audio-2B, który Liquid AI udostępniła 27 października 2026 r. w ramach sześciomodelowej rodziny LFM3, to checkpoint 2B dostępny jako 2,1 GB pobrania przez Ollama. Oba mają otwarte wagi. Tylko jeden z nich jest decyzją, którą pojedynczy deweloper może podjąć jeszcze tego popołudnia.

Ta różnica to cała istota tego starcia i warto oprzeć się oczywistemu błędowi traktowania jej jako rankingu jakości. Ming-3.0-audio-flash słyszy znacznie więcej niż LFM3-Audio-2B: długie nagrania, wielu mówców, muzykę, sceny akustyczne, dźwięki niebędące mową. LFM3-Audio-2B jest zbudowany do pętli głosowej na laptopie — rozpoznawania, syntezy, tłumaczenia i wywołań narzędzi głosem w 18 językach. Ming to ucho z przytwierdzonymi ustami; model Liquid to usta z przytwierdzonym uchem. Pytanie brzmi, jakie zadanie tak naprawdę masz.

Dwa ciche statki, dwa różne rodzaje ciszy

Żaden z modeli nie miał konwencjonalnego debiutu, a różnica w sposobie, w jaki się pojawiły, podpowiada, czego można się spodziewać po każdym z repozytoriów.

Ming-3.0-audio-flash został przesłany do Hugging Face 3 września 2026 r. bez zapowiedzi, a następnie przez sześć tygodni pozostawał bezużyteczny, aż kod serwowania, przykłady i przepisana karta pojawiły się między 15 a 19 października. Repozytorium GitHub utworzono 15.; kartę wciąż edytowano 19. Strona HF pokazuje 22 pobrania w zeszłym miesiącu. Jest objęty licencją MIT, a referencyjne pliki YAML wdrożenia znajdują się w repozytorium.

LFM3-Audio-2B pojawił się 27 października jako jeden z sześciu modeli w rodzinnej premierze Liquid, dzieląc szkielet LFM3-1.7B-Base. Gałąź audio otrzymała jeden akapit we wpisie o rodzinie oraz kartę modelu; nie ma osobnego ogłoszenia audio ani wpisu cenowego dla niego na stronie Liquid. W ciągu dnia miał scalony pull request do llama.cpp (#31257) i kompilację Ollama. Różnica polega na szybkości narzędzi, a nie na głębi dokumentacji: Ming ma panele benchmarków jako obrazy, Liquid ma sześciowierszową tabelę bez nazwanego harnessu.

Co każde z nich może usłyszeć

• Dane wejściowe — LFM3-Audio-2B: tekst lub audio 16 kHz. Ming-3.0-audio-flash: audio oraz instrukcja tekstowa.

• Wyjście — LFM3-Audio-2B: tekst, mowa 24 kHz lub przeplatany tekst i mowa. Ming-3.0-audio-flash: tekst lub tekst z syntezowaną mową przez opcjonalny Talker.

• Kontekst — LFM3-Audio-2B: 32 tys. tokenów, wejście plus wyjście. Ming-3.0-audio-flash: 128 tys. tokenów, zwiększone z 8192 w październikowym commicie.

• Języki — LFM3-Audio-2B: 18 języków wymienionych jako 19 lokalizacji, ponieważ angielski występuje w wariantach US i UK; ASR w czasie rzeczywistym obsługuje wyłącznie angielski. Ming-3.0-audio-flash: chiński i angielski, w tym akcenty i dialekty — kantoński, szanghajski, hunan i hokkien są wymienione w zakresie obsługi tej rodziny.

• Licencja — LFM3-Audio-2B: LFM Open License v1.0, bezpłatna w zastosowaniach komercyjnych przy rocznym przychodzie poniżej 10 mln USD. Ming-3.0-audio-flash: MIT.

• Minimalne wymagania sprzętowe — LFM3-Audio-2B: obsługa CPU przez GGUF, 2,1 GB. Ming-3.0-audio-flash: osiem H800 po 80 GB dla pełnego profilu audio, cztery dla trybu tekstowego.

Kwestia języków to obszar, w którym najczęściej błędnie interpretuje się oba rozwiązania. Osiemnaście języków brzmi jak szersza oferta niż dwa i w przypadku syntezy rzeczywiście nią jest. Ale te 18 to głównie języki europejskie oraz japoński, koreański i chiński, a Liquid wyraźnie ogranicza ASR na żywo do angielskiego. Dwa języki Minga idą w parze z pokryciem dialektów, które w chińskim centrum obsługi klienta ma większe znaczenie niż długa lista ustawień regionalnych. Jeśli Twoje nagranie to mandaryński z przełączaniem kodów, pozornie wąska deklaracja językowa Minga jest mocniejsza; jeśli potrzebujesz niderlandzkiego lub szwedzkiego głosu na laptopie, LFM3-Audio-2B jest jedynym z tych dwóch, który taką obsługę deklaruje.

Jedna liczba, która się zgadza — i dlaczego to wciąż nie jest werdykt

Obaj dostawcy publikują wynik VoiceBench, co czyni go czymś najbliższym wspólnej osi w tym zestawieniu. Ming-3.0-audio-flash podaje 86,74. LFM3-Audio-2B podaje 73,13. Na pierwszy rzut oka to różnica 13,6 punktu na korzyść Ming.

Traktuj to jako hipotezę, nie wynik. Te dwie liczby pochodzą z różnych wersji harnessa, różnych promptów i różnych ustawień dekodowania, a żadne z repozytoriów nie podaje dokładnej konfiguracji. Materiały samego Minga ostrzegają, że modele porównawcze odtwarzano w środowisku ewaluacyjnym inclusionAI i mogą różnić się od oficjalnych raportów z powodu promptów, dekodowania, wersji i pipeline’ów. Tabela Liquid w ogóle nie podaje swojego zbioru testowego. Liczba od jednego dostawcy porównana z liczbą innego dostawcy to uporządkowanie dwóch twierdzeń, a nie pomiar dwóch modeli.

Ta sama ostrożność dotyczy pozostałych wyników w panelu Minga: średnia CER dla ASR w języku chińskim 3,45, WER dla języka angielskiego 3,69, CER dla dialektów 9,40, BigBenchAudio 99,40, MMAU 82,00 — wszystkie raportowane przez dostawcę, wszystkie wyłącznie poglądowe. W zestawieniu z angielskim WER 6,23 i MMAR 50,60 modelu LFM3-Audio-2B kierunek jest spójny: Ming jest lepszym słuchaczem. Wielkości tej nie potwierdza nic, co opublikowało którekolwiek z laboratoriów.

Co daje licencja i ile kosztuje

MIT to czystsza licencja i to nawet nie jest blisko. LFM Open License v1.0 jest bezpłatna poniżej progu przychodów, a powyżej niego wymaga płatnej licencji komercyjnej; MIT nie ma żadnego progu. Dla firmy, która spodziewa się przekroczyć 10 mln USD, ta różnica to pozycja w procesie zakupowym, a nie przypis.

Licencja to także mniejsza połowa kosztów. Minimalna konfiguracja Minga z ośmioma GPU to decyzja kapitałowa z harmonogramem amortyzacji, szafą rack i pagerem. Pobierany pakiet Liquid o rozmiarze 2,1 GB działa na procesorze laptopa przez GGUF, z MLX 4-bit dla Apple silicon i ONNX Runtime zapewniającym przenośność. Koszt krańcowy tysięcznej godziny audio jest niemal zerowy w obu przypadkach; koszt stały różni się o trzy rzędy wielkości.

To nie czyni Ming drogim. To czyni Ming innym zakupem. Jeśli Twoje obciążenie jest stałe, a audio nie może opuścić budynku, posiadanie ucha 126B może być tańsze niż płacenie za minutę przez lata — punkt przecięcia to kalkulacja wykorzystania, a nie benchmark. Jeśli Twoje obciążenie to prototyp, demo lub produkt, którego wolumen audio jest wciąż nieznany, profil ośmiu GPU to zakład postawiony, zanim pojawią się dowody.

Wypróbowanie przed zakupem

Praktyczny problem z oboma modelami jest taki sam: na podstawie karty modelu nie da się stwierdzić, czy którykolwiek z nich działa na twoich nagraniach. Ścieżka serwowania Minga zakłada sprzęt, którego większość zespołów nie ma; Liquid działa wszędzie, ale nie ma niezależnej oceny. Tanim rozwiązaniem w obu przypadkach jest wykonanie pomiaru na małej próbce przed podjęciem decyzji.

OrcaRouter nie hostuje żadnego z tych checkpointów, więc argument za routingiem nie dotyczy samej warstwy audio. Dotyczy on poziomu wyżej. Pipeline głosowy to model audio plus model tekstowy, który klasyfikuje, streszcza lub kieruje to, co zostało usłyszane, i to właśnie w tym drugim wywołaniu router znajduje swoje uzasadnienie: ponad 200 modeli za jednym kluczem w cenie katalogowej dostawcy bez marży, automatyczne przełączanie awaryjne między dostawcami oraz DSL routingu, jeśli chcesz połączyć kilka z nich w jedno wywołanie. Przepuść swoje dwadzieścia najgorszych nagrań przez model audio, a następnie przepuść transkrypcje przez ten sam model downstream na tym samym endpoincie — dzięki temu porównanie pozostaje czyste i kosztuje prawie nic.

Który wybrać?

Wybierz LFM3-Audio-2B, jeśli model musi działać na maszynie, którą już posiadasz, jeśli potrzebujesz wyjścia mowy w języku, którego Ming nie obejmuje, lub jeśli prototypujesz pętlę wywoływania narzędzi mową i chcesz mieć model na tej samej maszynie co narzędzia. Pogódź się z tym, że część odpowiedzialna za rozpoznawanie jest przeciętna, a ASR na żywo obsługuje wyłącznie angielski i wciąż jest kolejnym pull requestem w llama.cpp.

Wybierz Ming-3.0-audio-flash, jeśli zadaniem jest rozumienie, a nie rozmowa: długie spotkania, hałaśliwe nagrania z wieloma mówcami, rozumowanie audio lub obciążenie pracą w języku chińskim, w którym istotne jest pokrycie dialektów. Zaplanuj budżet na osiem GPU albo zaakceptuj profil tekstowy z czterema GPU i zrezygnuj z Talkera. Następnie przeprowadź własną ocenę, zanim uwierzysz w panel któregokolwiek z dostawców.

Jeszcze nie wybieraj żadnego, jeśli nie potrafisz nazwać, które z tych dwóch zadań masz. Modele mają odpowiednio cztery dni i sześć tygodni, dokumentacja obu jest uboższa niż deklaracje ich możliwości, a pierwsze niezależne porównanie bezpośrednie na wspólnym korpusie będzie warte więcej niż każda liczba w tym artykule. Dopóki go nie ma, najuczciwszym dostępnym czynnikiem rozstrzygającym jest minimalny próg sprzętowy: jeden z nich mieści się na twoim laptopie, a drugi w szafie rack.