LFM3-Omni-2B vs Ming-3.0-audio-tiny: zamiennik całego stosu kontra specjalista

Dwa modele, oba reklamowane jako małe, oba potrafiące odpowiadać na głos, i prawie nic więcej ich nie łączy. LFM3-Omni-2B to gęsty checkpoint o 2,17 miliarda parametrów od Liquid AI, który przyjmuje tekst, obrazy, wideo i dźwięk, a zwraca tekst lub mowę 24 kHz. Ming-3.0-audio-tiny to model mieszanki ekspertów o 9,3 miliarda parametrów od inclusionAI z 2,7 miliarda parametrów aktywnych na krok, który przyjmuje dźwięk i tekst, a zwraca tekst lub mowę 44,1 kHz. Jeden próbuje zastąpić cały stos asystenta. Drugi próbuje być najlepszym możliwym uchem. Specjalista i generalista mogą stać za jednym kluczem. jeden punkt końcowy Żądania są kierowane według reguł, z automatycznym przełączaniem awaryjnym, jeśli ścieżka zawiedzie.

Nazewnictwo niepotrzebnie to utrudnia. „Tiny” w rodzinie Minga odnosi się do jego pozycji względem Ming-3.0-audio-flash, a nie do jego bezwzględnego rozmiaru: przy łącznej liczbie 9,3B ma ponad czterokrotnie więcej parametrów niż model Liquid. A LFM3-Omni-2B nie jest modelem audio z doklejoną wizją — to ogólny model multimodalny, który przypadkiem ma ścieżkę audio. Porównywanie ich wiersz po wierszu byłoby niesprawiedliwe wobec obu. Porównywanie ich według zadania, które wykonują, to jedyne porównanie, które ma znaczenie.

Czym każde z nich tak naprawdę jest

Ming-3.0-audio-tiny to natywny model audio-językowy: enkoder audio i projektor zasilające rzadki szkielet językowy MoE, z osobnym etapem Talker, który generuje mowę, gdy o to poprosisz. Obsługuje chiński i angielski, w tym akcenty i dialekty, oraz umożliwia klonowanie głosu na podstawie próbki referencyjnej i transkrypcji. Wagi są objęte licencją MIT i dostępne na Hugging Face oraz ModelScope; istnieją społecznościowe kwantyzacje dla MLX i GGUF, a także działająca demonstracja ROCm niskolatencyjnego asystenta głosowego zbudowanego na tym modelu. Repozytorium zostało przesłane na początku września 2026 r., a karta i konfiguracja zostały odświeżone w połowie października, kiedy to model stał się faktycznie użyteczny.

LFM3-Omni-2B to konstrukcja odwrotna. Pojedynczy gęsty trzon z enkoderem wizji, przyczynowym enkoderem audio i LiquidCodec do generowania mowy, wytrenowany tak, że jeden zestaw wag obsługuje cztery modalności wejściowe i dwie modalności wyjściowe. Został opublikowany 27 października 2026 r. jako jedna z gałęzi sześciomodelowej rodziny LFM3 firmy Liquid, bez osobnego ogłoszenia i bez niezależnej oceny. Karta modelu podaje 2,17 mld parametrów, kontekst 32 768 tokenów oraz licencję LFM Open License v1.0.

• Architektura — 2,17 mld gęstego any-to-any vs 9,3 mld łącznie z 2,7 mld aktywnymi na token, rzadki MoE plus osobny Talker mowy.

• Dane wejściowe — tekst, obraz, wideo ze ścieżką dźwiękową, audio 16 kHz kontra tylko audio i tekst.

• Wyjście mowy — 24 kHz przez LiquidCodec, strumieniowane szybciej niż w czasie rzeczywistym w porównaniu z 44,1 kHz mono przez Talker, z nazwanymi głosami presetowymi i klonowaniem.

• Języki — 16 języków tekstowych i 19 lokalizacji mowy w porównaniu z chińskim i angielskim, w tym dialekty.

• Kontekst — 32 768 tokenów podanych na karcie w porównaniu z brakiem okna kontekstu podanego na karcie; opublikowana konfiguracja opisuje budżet pozycji wynoszący 131 072 tokeny.

• Licencja — LFM Open License v1.0 z progiem przychodów w porównaniu z MIT.

• Zużycie pamięci — około 4,3 GB w BF16 w porównaniu z około 21 GB w BF16, a kwantyzacja ekspertów int8 zmniejsza je do około 12,5 GB.

Dwa wiersze, które naprawdę się nakładają

Tabele benchmarków między laboratoriami to w większości teatr, ponieważ każde laboratorium wybiera własny harness. Tutaj nakładanie się jest na tyle małe, że można je dokładnie określić: dwa zbiory danych pojawiają się w obu raportach dostawców, a oba to zadania audio, w których metodologia jest dość standardowa.

• Wskaźnik błędów słów w ASR dla języka angielskiego — 6,36 dla LFM3-Omni-2B vs 4,36 dla Ming-3.0-audio-tiny. Im niżej, tym lepiej, a Ming wyprzedza o dwa punkty bezwzględne, czyli około jedną trzecią mniej błędów.

• VoiceBench — 64,73 vs 74,29. Ming wyprzedza o 9,6 punktu pod względem realizacji poleceń głosowych i zachowania asystenta głosowego.

Na zadaniach, które mierzą oba modele, specjalista wygrywa i jest to oczekiwany wynik. Ming przeznacza 2,7 miliarda aktywnych parametrów na słuchanie i mówienie. LFM3-Omni-2B przeznacza 2,17 miliarda na słuchanie, mówienie, widzenie i czytanie jednocześnie. Model, który nie dzieli swojej pojemności na cztery sposoby, powinien być lepszy w tym jednym sposobie, w którym działa, i jest.

To, co Ming podaje, a czego LFM3-Omni-2B nie podaje, to dłuższa lista: wskaźnik błędów znaków w ASR dla języka chińskiego 3,79, wskaźnik błędów znaków dla dialektów 10,29, BigBenchAudio 99,20, MMAU 75,90, MMAU-Pro 56,42, dokładność dla długich nagrań audio 56,39 oraz BFCL-v3 Audio 79,80. To mocne liczby jak na model tej wielkości i opisują system, który oceniano konkretnie pod kątem rozumowania audio, a nie jako jedną kolumnę tabeli multimodalnej. Najbliższe odpowiedniki na karcie Liquid to MMAR dla rozumienia audio 51,40 oraz wynik wywoływania narzędzi 52,20 — ale benchmark wywoływania narzędzi to nie ten sam test co BFCL-v3 Audio, a zestawianie tych dwóch liczb obok siebie byłoby właśnie tym rodzajem porównania, którego ten blog ma unikać.

Benchmark, którego ten pojedynek nie rozstrzygnie

Interesujące pytanie nie brzmi, który model słyszy lepiej. Chodzi o to, czy pojedynczy model omni potrafi rozumowanie audiowizualne, którego nie potrafi pipeline. Ming-3.0-audio-tiny nie ma w ogóle ścieżki wizyjnej: nie potrafi spojrzeć na klatkę i opisać, co się dzieje, ani odpowiedzieć na pytanie o ścieżkę dźwiękową filmu podczas oglądania filmu. LFM3-Omni-2B potrafi jedno i drugie, a Liquid podaje Daily-Omni 70,09 i WorldSense 47,10 dokładnie za tę zdolność.

Te liczby nie mają odpowiednika na karcie Minga, ponieważ Ming nie podejmuje się tego zadania. Tak więc porównanie sprowadza się do kwestii zakresu, a nie jakości: jeśli Twoja aplikacja jest interfejsem głosowym do strumienia audio, Ming jest zdolniejszym uchem i mniejszym aktywnym obciążeniem obliczeniowym. Jeśli Twoja aplikacja to kamera plus mikrofon plus głośnik, LFM3-Omni-2B robi coś, czego Ming nie potrafi przy żadnym rozmiarze, a luka w audio jest podatkiem, który płacisz za kamerę.

Ten koszt nie jest trywialny. Dwa punkty współczynnika błędów słów dla języka angielskiego w interfejsie głosowym to różnica między transkrypcją, którą można pobieżnie przejrzeć, a taką, którą trzeba poprawiać. Jeśli ścieżka audio jest głównym produktem, a wizja dodatkiem, uczciwa rekomendacja to użycie Ming do audio i osobnego modelu wizyjnego do klatek, nawet jeśli oznacza to dwa checkpointy.

Rachunek za pamięć decyduje o większej liczbie wdrożeń niż benchmark.

Ming-3.0-audio-tiny wymaga około 21 GB wag w BF16 lub około 12,5 GB przy kwantyzacji ekspertów int8, a pełne wdrożenie z wyjściem audio może rozdzielić Thinker i Talker na dwa GPU. LFM3-Omni-2B wymaga około 4,3 GB. To nie jest mała różnica: to różnica między pojedynczym GPU średniej klasy a maszyną, z którą trzeba się liczyć, oraz między telefonem a serwerem.

Porównanie odwraca się w zależności od tego, co mierzysz. 2,7 mld aktywnych parametrów Minga sprawia, że jest tani w przeliczeniu na token mimo całkowitego rozmiaru — i na tym właśnie polega sens rzadkiego MoE. LFM3-Omni-2B jest gęsty, więc każdy token kosztuje pełne 2,17 mld — ale cały model mieści się w ułamku pamięci i działa na sprzęcie, którego Ming nie jest w stanie wykorzystać.

Tu ekonomika routingu staje się konkretna. OrcaRouter przekazuje ceny katalogowe dostawców bez marży, dzięki czemu tańszy specjalista i droższy generalista mogą działać pod jednym kluczem bez drugiej umowy, a zmiana ceny przez dostawcę trafia na Twoje rozliczenie tego samego dnia, a nie dopiero przy kolejnym odnowieniu. Ani LFM3-Omni-2B, ani Ming-3.0-audio-tiny nie znajdują się dziś w naszym katalogu, więc to stwierdzenie o tym, jak platforma ustala ceny, a nie twierdzenie, że możesz obecnie wywołać którykolwiek z tych modeli przez nas. Ale wzorzec, który tworzą te dwa modele — tani specjalista do typowych przypadków, generalista do trudnych — to dokładnie ten wzorzec, do którego służy router.

Kwestia licencji, która jest prawdziwym rozwidleniem

Ming-3.0-audio-tiny jest objęty licencją MIT. LFM3-Omni-2B podlega LFM Open License v1.0 — niestandardowej umowie z progiem przychodów, który określa, czy użycie komercyjne wymaga odrębnego porozumienia. W przypadku prototypu badawczego ta różnica ma znaczenie czysto akademickie. W przypadku produktu to pierwsza rzecz, o którą zapyta dział prawny, i może ona przeważyć nad luką w wynikach benchmarków dowolnej wielkości.

MIT wyjaśnia również, dlaczego Ming ma już porty społecznościowe: kompilacje MLX, kwantyzacje GGUF, demo asystenta głosowego ROCm. Istnieją, ponieważ licencja je ułatwiła, i to dzięki nim Ming można dziś wdrażać na sprzęcie, którego Liquid nigdy nie testował. LFM3-Omni-2B opublikowano 27 października z 83 pobraniami i ma tylko jedną udokumentowaną ścieżkę serwowania — wyłącznie dla wyjścia tekstowego. Jego ekosystem jeszcze nie istnieje.

Praktyczna asymetria jest jaskrawa. Pod względem dokładności audio, efektywności pamięciowej na aktywny parametr, pokrycia językowego dla chińskiego i dialektów, klonowania głosu i swobody licencjonowania Ming-3.0-audio-tiny jest dziś bezpieczniejszym wyborem. Pod względem pokrycia modalności i surowego zapotrzebowania zasobowego LFM3-Omni-2B jest jedynym z tych dwóch, który potrafi spojrzeć na pomieszczenie i o nim opowiedzieć.

Kto powinien co odebrać?

Wybierz Ming-3.0-audio-tiny, jeśli budujesz produkt głosowy — transkrypcję, dialog mówiony, klonowanie głosu, analizę rozmów — i albo nie potrzebujesz widzenia, albo jesteś gotów połączyć go z osobnym modelem wizualnym. Licencja MIT, istniejące kwantyzacje i dwupunktowa przewaga ASR sprawiają, że to wdrożenie o niższym ryzyku, a jego rzadka architektura utrzymuje niski koszt na token, mimo łącznej liczby 9,3 mld parametrów.

Wybierz LFM3-Omni-2B, jeśli urządzenie ma kamerę i mikrofon, a ograniczeniem jest pamięć. Checkpoint o rozmiarze 4,3 GB, który widzi, słyszy i mówi, należy do innej kategorii obiektów niż 21 GB specjalista od audio, a żadna dokładność ASR nie zrekompensuje modelu, który się nie zmieści. Zaakceptuj, że kupujesz szerokość, a nie głębokość, oraz że każda liczba dotycząca audio dołączona do niego jest raportowana przez dostawcę i nieodtworzona.

To, czego nie mówi ci karta żadnego z modeli, to jak zachowują się w tej samej aplikacji. Ten test — ten sam dźwięk, to samo urządzenie, ten sam budżet opóźnienia — nie został przeprowadzony przez nikogo spoza tych dwóch firm. Dopóki to nie nastąpi, decyzja opiera się na zakresie i licencjonowaniu, które można poznać już dziś, a nie na dokładności, której poznać nie można.