LFM3-Omni-2B vs Ming-3.0-audio-flash: telefon kontra rack

Zestawienie materiałów rozstrzyga to porównanie, zanim benchmarki zdążą dojść do głosu. Ming-3.0-audio-flash ma 126 miliardów parametrów, około 259 GB wag bfloat16 i referencyjny profil obsługi oparty na kartach H800 z 80 GB w trybie tensor parallel — cztery w konfiguracji 128K, osiem, gdy długie audio przekroczy dostępną pamięć. LFM3-Omni-2B ma 2,17 miliarda parametrów, jest dostarczany jako zwykłe wagi BF16 i jest zaprojektowany do działania na telefonie. Oba przyjmują dane audio. Oba potrafią odpowiedzieć na głos. Jeden z nich jest zasobem centrum danych, a drugi funkcją, którą można umieścić w aplikacji, i niemal wszystko inne w ich przypadku wynika z tego jednego faktu.

One również pojawiły się bez większego rozgłosu. Liquid AI ogłosiło rodzinę LFM3 27 października 2026 r., przedstawiając w jednym wpisie LFM3-Omni-2B jako jeden z sześciu modeli klasy 2B; jego repozytorium było publicznie dostępne od 21 października. inclusionAI udostępniło Ming-3.0-audio-flash 3 września 2026 r. z niemal zerową dokumentacją i nie opublikowało właściwej karty modelu aż do 19 października, czyli sześć tygodni później. Żaden z dostawców nie ma niezależnego benchmarku, a żaden z modeli nie ma hostowanego punktu końcowego, który można wynająć za tokeny.

Dwa sposoby na umieszczenie ust na modelu

Różnica architektoniczna nie dotyczy rozmiaru. Dotyczy tego, gdzie znajduje się dźwięk.

Ming-3.0-audio-flash utrzymuje dźwięk jako dźwięk tak długo, jak to możliwe. Koder w stylu Whisper — 32 warstwy, szerokość 1280, 128 pasm mel — przekształca dźwięk w reprezentację, która zasila 42-warstwowy szkielet mixture-of-experts z 512 ekspertami i 8 wybieranymi na token. Mowa wraca przez opcjonalny moduł Talker z wbudowanymi głosami chińskimi i promptowaniem głosu klipem referencyjnym. Deklarowany kontekst to 128K — wartość, której konfiguracja nie deklarowała aż do commita z 13 października, który podniósł osadzenia pozycyjne z 8192 do 131072.

LFM3-Omni-2B tokenizuje wszystko do jednego strumienia. Wideo jest próbkowane z szybkością 2 klatek na sekundę, każdy fragment obrazu 2×2 staje się jednym tokenem językowym, a audio przechodzi przez kauzalny enkoder audio LFM3 do tego samego słownika 128 000 tokenów co tekst. Wyjście mowy to LiquidCodec przy 24 kHz; wejście audio to 16 kHz mono. Cały model mieści się w oknie 32K.

To argument za kompresją i działa w obie strony. Podejście LFM3-Omni-2B sprawia, że model o 2,17 mld parametrów jest realny na telefonie — wszystko jest tym samym rodzajem tokenu, więc wszystko jest jednakowo tanie. Podejście Minga pozwala modelowi o 126 mld parametrów utrzymać w pamięci godzinne nagranie bez odrzucania prozodii. Żadne z nich nie jest darmowym obiadem.

Liczby, które warto zestawić obok siebie

• Łączna liczba parametrów — LFM3-Omni-2B: 2,17 mld (model gęsty); Ming-3.0-audio-flash: 126 mld w mieszaninie 512 ekspertów.

• Aktywne parametry — około 2,17 mld wobec 6,5 mld na krok wnioskowania.

• Wagi na dysku — kilka gigabajtów w porównaniu z około 259 GB fragmentów bfloat16 plus Talker.

• Sprzęt referencyjny — telefon, laptop lub płytka edge w zestawieniu z czterema kartami H800 80 GB w równoległości tensorowej dla profilu 128K; osiem, gdy długie audio przekroczy dostępną pamięć.

• Kontekst — 32K tokenów obejmujących dane wejściowe i wyjściowe, w porównaniu z zadeklarowanymi 128K.

• Wyjście mowy — 24 kHz LiquidCodec z 19 lokalizacjami mowy; Ming zwraca tekst lub tekst wraz z mową przez Talker, z wbudowanymi głosami i klonowaniem na podstawie klipu referencyjnego.

• Licencja — LFM Open License v1.0, licencja z progiem przychodowym, w przeciwieństwie do MIT.

• Cena — brak ceny za token po obu stronach, ponieważ żaden z dostawców nie sprzedaje wnioskowania dla tych punktów kontrolnych.

Aktywne parametry nie są prędkościomierzem

Kuszące jest odczytać „6.5B active” obok „2.17B dense” i wywnioskować, że Ming jest tylko trzy razy droższy na token. Taki odczyt jest błędny w obu kierunkach.

Mieszanka ekspertów zużywa przepustowość pamięci, a nie tylko moc obliczeniową. Obsługa 6,5 mld aktywnych parametrów z 126 mld oznacza przenoszenie wag ekspertów do pamięci podręcznej w każdej warstwie, a przy rozmiarze partii równym jeden — w trybie, w którym działa asystent głosowy — jest to bliskie odczytaniu dużej części 259 GB dla każdego tokenu. Profil ośmiu H800 nie jest rekomendacją pod kątem szczytowej przepustowości; to jest to, czego potrzeba, aby pomieścić wagi. LFM3-Omni-2B przy 2,17 mld ma odwrotny problem: brak korzyści z rzadkości, ale też nic do wymiany, co jest dokładnie profilem, który czyni telefon realnym.

Praktyczna konsekwencja jest taka, że oba modele mają różne krzywe skalowania. Ming staje się tańszy za token wraz ze zwiększaniem partii, co pasuje do potoków transkrypcji przetwarzających kolejkę nagranych połączeń. LFM3-Omni-2B pozostaje w przybliżeniu stały na wypowiedź, co pasuje do rozmowy na żywo, w której rozmiar partii wynosi jeden, a budżet opóźnienia to kilkaset milisekund.

Co można kupić za 126 miliardów

inclusionAI publikuje swoje ewaluacje jako obrazy, a nie tabele, co samo w sobie jest pewnym komunikatem, ale liczby są czytelne. W swoim własnym środowisku testowym Ming-3.0-audio-flash podaje średni wskaźnik błędów ASR dla języka chińskiego na poziomie 3,45, dla angielskiego 3,69, średnią dla dialektów 9,40 w przypadku kantońskiego, szanghajskiego, hunańskiego i hokkien oraz wskaźnik błędów diaryzacji 8,58 na AISHELL-4. Wiersze dotyczące rozumowania audio obejmują BigBenchAudio z wynikiem 99,40 i MMAU z wynikiem 82,00. Są to liczby dostawcy uzyskane w środowisku testowym dostawcy, z gwiazdkami oznaczającymi wiersze samooceny. Nikt ich nie odtworzył.

Słabością, którą dostawca mimo wszystko opublikował, jest rozumowanie na długim audio: wynik Long-audio Chain 12,31 i LongAudioSpan 41,12 — oba znacznie za modelami hostowanymi w jego własnym porównaniu. Tak więc model 126B nie jest jednolicie lepszy w „rozumieniu audio”. Jest lepszy w dokładnym usłyszeniu, co zostało powiedziane, jakim akcentem i przez kogo — a znacznie słabszy w utrzymywaniu długiego nagrania w pamięci i rozumowaniu na jego podstawie.

Co można kupić za 2,17 miliarda

LFM3-Omni-2B osiąga współczynnik błędów słów w ASR dla języka angielskiego na poziomie 6,36 oraz 6,72 w przypadku wielojęzycznym, UTMOSv2 dla TTS 3,80, VoiceBench 64,73, MMAR 51,40 i wynik wywoływania narzędzi 52,20. Jego wejście audio jest ograniczone do 16 kHz mono, co jest w porządku dla mowy, a bezużyteczne dla muzyki.

Nie ulegaj pokusie porównywania 6,36 z 3,69 Minga. To nie są te same testy. Średnia Minga dla języka angielskiego jest obliczana na jego własnym zestawie benchmarków angielskich; 6,36 Liquid to jedna liczba z jednej ewaluacji, uruchomionej z własnymi promptami i dekodowaniem zachłannym. Jedynym obronionym stwierdzeniem jest stwierdzenie kierunkowe: ASR Minga jest prawdopodobnie lepszy, ponieważ 126B model natywnie audio z wieżą w stylu Whisper ma więcej pola, by być lepszym, a także ponieważ obsługa dialektów jest tym, z czym inclusionAI postanowiło wystartować. Czy jest lepszy o dwa punkty, czy o pół, nie da się stwierdzić na podstawie tych dwóch kart.

To, co daje LFM3-Omni-2B, to nie dokładność. Chodzi o to, że model działa tam, gdzie znajduje się mikrofon. W przypadku potoku nagrywania rozmów jest to nieistotne. Wszędzie tam, gdzie jest użytkownik na żywo, zmienia architekturę: brak przesyłania, brak rundy w obie strony, brak opłat za minutę i żadne audio nie opuszcza urządzenia.

Licencja jest tą cichą różnicą

Ming-3.0-audio-flash jest na licencji MIT. To mniej więcej tak permisywna licencja, jak to tylko możliwe: użycie komercyjne, modyfikacja, redystrybucja, brak progu przychodowego, brak ograniczeń co do dziedziny zastosowania. LFM3-Omni-2B jest udostępniany na licencji LFM Open License v1.0, licencji rodzinnej, którą Liquid stosuje w całej rodzinie LFM3, a która jest licencją z progiem przychodowym, a nie licencją open source zatwierdzoną przez OSI. Przeczytaj ją, zanim zbudujesz na niej produkt. Dla startupu poniżej progu różnica jest czysto akademicka; dla firmy powyżej progu MIT jest wart realnych pieniędzy.

Integracja to etap, na którym widać papierologię.

Historia serwowania Minga wciąż jest w toku. Sposób przedstawienia premiery przez inclusionAI sugerował, że już dziś można serwować rodzinę za pomocą vLLM-Omni; to, co faktycznie pokazuje repozytorium, to otwarte pull requesty — jeden obejmujący checkpoint tts-tiny, drugi dodający obsługę audio-flash. Zanim zostaną scalone, uruchomienie Ming-3.0-audio-flash oznacza Transformers na maszynie z wystarczającą ilością pamięci albo ścieżkę SGLang-Omni dokumentowaną przez dostawcę. Jest to wykonalne i nie jest to `pip install`.

Historia LFM3-Omni-2B jest odwrotna: karta Hugging Face dokumentująca recepturę dostrajania oraz build Ollama już dostępny w obiegu. Ten build podaje kontekst 125K w przeciwieństwie do 32K na karcie, co wskazuje, że pakowanie wyprzedziło dokumentację — drobiazg, który ma znaczenie, jeśli planowałeś podawać mu długie audio.

Jeśli żaden z nich nie jest dla Ciebie odpowiednim rozwiązaniem, alternatywą jest wynajęcie tej funkcjonalności zamiast posiadania jej — a to już inna pozycja budżetowa. OrcaRouter to hostowana strona tego wyboru: jedno API obejmujące ponad 200 modeli przy 0% narzutu na cenę katalogową dostawcy, z automatycznym przełączaniem awaryjnym, gdy dostawca zawiedzie — i dziś w tym katalogu nie ma ani LFM3-Omni-2B, ani Ming-3.0-audio-flash. To uczciwe ujęcie sprawy: ten tekst dotyczy dwóch modeli do pobrania, a nie dwóch, które można wywołać.

Kto powinien wybrać, które

Wybierz Ming-3.0-audio-flash, jeśli masz GPU, których poza tym nie wykorzystujesz, Twoje nagranie jest w języku chińskim lub angielskim, z akcentami i wieloma mówcami, a Twoim zadaniem jest utworzenie dokładnego transkryptu lub uzasadnionej odpowiedzi na temat długiego nagrania. Licencja MIT sprawia, że jest to bezpieczniejszy z tych dwóch wybór do budowy produktu komercyjnego, a kontekst 128K sprawia, że jest to jedyny z tej pary, który może obsłużyć spotkanie w jednym przebiegu.

Wybierz LFM3-Omni-2B, jeśli dźwięk jest generowany na urządzeniu brzegowym, użytkownik czeka, a odpowiedź musi zostać wypowiedziana w tej samej chwili. Zaakceptuj, że otrzymujesz dokładność mniejszego modelu, węższą listę języków i licencję z klauzulą dotyczącą przychodów, w zamian za wdrożenie, które zmieści się w aplikacji.

Pytanie, które trzeba zadać przed którąkolwiek z opcji: gdzie trafia dźwięk? Jeśli odpowiedź brzmi „nigdzie”, porównanie jest skończone.