
Ming-3.0-audio-flash prowadzi w Artificial Analysis Speech Reasoning z wynikiem 99,8% — o jeden punkt przewagi, a wciąż bez ceny
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 185 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 228 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 89 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 98 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
Artificial Analysis umieszcza terazMing-3.0-audio-flash na pierwszym miejscu w swoim rankingu Speech Reasoning — ewaluacji Big Bench Audio — z dokładnością 99,8%, przed StepAudio 3 Realtime z 99,7%, Qwen Audio 3.0 Realtime Plus z 99,2%, Eleven Realtime v1 Max z 98,8%, Grok Voice 3.0 z 98,5%, Gemini 3.8 Live Extended Thinking (High) z 97,7% i GPT-Realtime-2.1 High z 95,8%. Twierdzenie zostało ogłoszone przez Ant Ling 18 listopada 2026 r. o 08:37 UTC, dziewiętnaście minut po tym, jak własne repozytorium modelu zostało zmodyfikowane, aby dodać tę samą liczbę i obraz rankingu. Cała historia tkwi w tym momencie: model wydany we wrześniu bez wyniku od strony trzeciej ma teraz taki wynik, a liczba jest bardzo bliska górnej granicy.
Żeby było jasne, co jest nowe, a co nie — bo to nie jest premiera. inclusionAI udostępniło wagi Ming-3.0-audio-flash na Hugging Face 3 września 2026 r. i przez sześć tygodni nic o tym nie mówiło; karta modelu, profile serwowania i przykładowy kod pojawiły się dopiero między 15 a 19 października. To, co zmieniło się dzisiaj, to ewaluacja, a nie checkpoint. Shardy safetensors to te same bajty co we wrześniu. Uczciwie rzecz ujmując, siedmiotygodniowy model audio z otwartymi wagami został właśnie zmierzony przez kogoś innego niż jego autor i wypadł najlepiej.
Co Big Bench Audio faktycznie każe modelowi robić
Warto omówić ten test konkretnie, ponieważ „rozumowanie mowy” brzmi jak coś, co agent głosowy robi w rozmowie, a w większości przypadków tak nie jest. Big Bench Audio to zestaw pytań wielokrotnego wyboru dostarczanych w formie audio: model słyszy nagranie, słyszy lub czyta dotyczące go pytanie i wybiera odpowiedź. Nagradza umiejętność utrzymania mówionego fragmentu w kontekście i zastosowania do niego zwykłego rozumowania. Nie nagradza naprzemiennego mówienia, obsługi przerwań, sygnałów potwierdzających ani umiejętności brzmienia jak człowiek. Te elementy znajdują się na innej tablicy Artificial Analysis — Full Duplex Bench — gdzie Ming-3.0-audio-flash nie ma obecnie w ogóle opublikowanego wyniku.
To rozróżnienie ma tutaj większe znaczenie niż zwykle, ponieważ przy 99,8% metryka jest niemal na wyczerpaniu. Na planszy z 42 modelami różnica między pierwszym a piątym miejscem wynosi jeden punkt procentowy. Między pierwszym a modelem na trzynastym miejscu — GPT-Realtime-2.1 High — to cztery punkty. Test, w którym prawie wszystkie nowoczesne modele uzyskują wyniki w przedziale dziewięćdziesięciu kilku procent, przestał różnicować czołówkę, a jednopunktowa przewaga nad StepAudio 3 Realtime to kilka elementów na benchmarku, którego liczby elementów nikt spoza Artificial Analysis nie może sprawdzić. Ranking należy czytać jako „ten model należy do czołówki”, co jest naprawdę przydatne, a nie jako „ten model mierzalnie lepiej słyszy niż wszystko inne”, czego ta liczba nie jest w stanie potwierdzić.
Pełna tabela w kolejności — dla każdego, kto chce poznać układ stawki, a nie tylko nagłówek:
• 1 — Ming-3.0-audio-flash, 99,8%
• 2 — StepAudio 3 Realtime, 99,7%
• 3 — Qwen Audio 3.0 Realtime Plus, 99,2%
• 4 — Phonic 1 (High), 98,9%
• 5 — Eleven Realtime v1 Max, 98,8%
• 7 — Grok Voice 3.0, 98.5%
• 8 — Gemini 3.8 Live Extended Thinking (High), 97.7%
• 13 — GPT-Realtime-2.1 High, 95,8%

Warto zwrócić uwagę na jeden szczegół z dokumentacji samego dostawcy, bo to właśnie tego rodzaju rzecz bywa po cichu pomijana. Obrazy ewaluacyjne na karcie modelu inclusionAI, przesłane w październiku, pokazują model flash z wynikiem 99.40 w „BigBenchAudio”. Artificial Analysis podaje teraz 99.8. To dwa różne uruchomienia podobnego benchmarku i różnica nie jest błędem w żadnym z nich — to normalny rozrzut, jaki występuje, gdy harness, format promptu i podzbiór elementów nie są identyczne. To także przypomnienie, że październikowa tabela dostawcy i dzisiejszy ranking strony trzeciej to nie są wymienne liczby, nawet gdy mają prawie tę samą etykietę.
Czego zarząd nie mówi
W wpisie Artificial Analysis brakuje trzech rzeczy i każda z nich ma większe znaczenie dla decyzji o wdrożeniu niż wskaźnik dokładności.
Po pierwsze, cena. Ming-3.0-audio-flash nie ma stawki za token ani za minutę w Artificial Analysis, ponieważ nie ma czego kupić: to checkpoint typu mixture-of-experts z 126 miliardami parametrów na licencji MIT, z 6,5 miliarda parametrów aktywnych na krok. Koszt równa się kosztowi sprzętu. Notatki wdrożeniowe inclusionAI podają, że referencyjny profil serwowania 128K wykorzystuje równoległość tensorową na czterech H800 z 80 GB, z awaryjnym wariantem ośmiu GPU dla długiego audio oraz zwalidowanym profilem SGLang na czterech GPU zwracającym tylko tekst. Każdy model wyżej w rankingu, z wyjątkiem jego samego, to API rozliczane za użycie. Porównywanie ich wyłącznie pod kątem dokładności zestawia wynik benchmarku z wynikiem benchmarku i pomija fakt, że jedna strona tabeli to zakup, a druga to subskrypcja.
Drugi aspekt to opóźnienie. Artificial Analysis faktycznie mierzy czas do pierwszego dźwięku, a Ming-3.0-audio-flash osiąga 1,12 sekundy. Eleven Realtime v1 Max osiąga 0,57 sekundy — mniej więcej połowę. Jeśli Twoja aplikacja to agent głosowy, który musi odpowiedzieć w ramach pauzy konwersacyjnej, wygrana w benchmarku nie rekompensuje sekundy martwej ciszy, a kolejność na liście rankingowej nie mówi nic o tym, z którą z tych dwóch liczb możesz żyć.
Trzecim aspektem są zachowania konwersacyjne. Wyniki Full Duplex Bench istnieją dla Eleven Realtime v1 Max (0,941 ogółem, przy czym obsługa przerwań wynosi 0,99, a naprzemienność mówienia 1,0) oraz dla kilku modeli czasu rzeczywistego Gemini i GPT. Ming-3.0-audio-flash nie ma wyniku FDB, podziału na dynamikę konwersacyjną ani opublikowanego pomiaru sposobu obsługi przerwań. Model może bezbłędnie odpowiadać na pytania wielokrotnego wyboru dotyczące dźwięku, a mimo to wchodzić ci w słowo.
A październikowe liczby samego dostawcy są najmniej pochlebnym dowodem w całym tym obrazie. Na tej samej karcie, na której reklamuje się zwycięstwo w rozumowaniu mowy, inclusionAI opublikował wynik łańcucha długiego audio na poziomie 12,31 wobec 34,54 dla Qwen3.8-Omni Flash i 49,63 dla Gemini 3.8 Flash, LongAudioSpan na poziomie 41,12 wobec 66,40 oraz wskaźniki błędu diarizacji mówców na AMI na poziomie 25,29 wobec 11,16 dla MiMo-V2.6 Pro. To są liczby dostawcy, na zadaniach wybranych przez dostawcę, i opisują model, który jest doskonały w krótkim audio typu pytanie-odpowiedź, a słaby w rozumowaniu przez długie nagranie. Nic w wyniku 99,8 w Big Bench Audio tego nie zmienia, ponieważ Big Bench Audio nie jest testem długiego audio.
Siedemnastominutowa luka między kartą a tweetem
Commit w repozytorium ma znacznik czasu 08:26:48 UTC 18 listopada, a jego tytuł brzmi częściowo: „Zaktualizuj wynik Flash BBA do 99,8% i dodaj ogólny wynik nr 1 w rankingu…”. Wpis od Ant Ling pojawił się następnie o 08:37:02. Ten sam commit zmodyfikował kartę malutkiego projektu siostrzanego czterdzieści osiem sekund później, dodając to samo zdanie — wspólny akapit benchmarku, skopiowany do obu repozytoriów, i jeszcze jeden powód, by sprawdzić, do którego checkpointu dana liczba faktycznie należy, zanim się ją przytoczy.

To, co mówi ci ta sekwencja, oznacza, że karta modelu jest teraz zależna od rankingu, a nie odwrotnie. Przez sześć tygodni jedynym dowodem na wydajność Ming-3.0-audio-flash był zestaw obrazów PNG w katalogu assets/, wyprodukowany przez zespół, który go trenował. To nie jest nic — oceny dostawców są zwykle uczciwe, tylko optymistyczne co do doboru zadań — ale to inna kategoria dowodów niż strona trzecia uruchamiająca własne środowisko testowe i publikująca ranking. Najciekawsze dzisiaj nie jest to, że dostawca twierdzi, iż zajmuje pierwsze miejsce, ale to, że organizacja niemająca interesu w wyniku umieściła ten model na tym miejscu.

Gdzie router pasuje, a gdzie nie
OrcaRouter nie obsługuje Ming-3.0-audio-flash. Nie ma go w naszym katalogu, nie możemy podać dla niego punktu końcowego i niczego tutaj nie należy odczytywać jako oferty. Jeśli chcesz go uruchomić, sklonuj repozytorium, zainstaluj ścieżkę kodu Transformers 5 lub jeden z profili serwowania SGLang-Omni i skieruj na niego co najmniej cztery karty 80 GB. To infrastruktura, a router nie zajmuje się infrastrukturą.
To, co robi router, to druga połowa każdego potoku przetwarzania mowy. Aplikacja głosowa zbudowana na samodzielnie hostowanym modelu audio wciąż w większości wykonuje pracę tekstową: prompt, który decyduje, o co zapytać nagranie, przetwarzanie końcowe zamieniające etykietę języka rozdzielaną tabulatorem na ustrukturyzowane dane wyjściowe, podsumowanie tworzone na podstawie transkrypcji, klasyfikator przekierowujący zaszumione połączenie do człowieka. To zwykłe wywołania czatu, a jedno API do ponad 200 modeli bez marży — cena katalogowa dostawcy przekazywana bez zmian, więc obniżka ceny u dostawcy obowiązuje u nas tego samego dnia — to prostsza rzecz do podłączenia niż druga i trzecia umowa z dostawcą. Automatyczne przełączanie awaryjne pozwala umieścić nieprzetestowany model o otwartych wagach za częścią ruchu, bez stawiania na nim całej ścieżki.
Granica jest sednem. Checkpoint o rozmiarze 259 GB uruchamiany na własnych GPU to decyzja kapitałowa; router kieruje wywołaniami. Nie zamienia modelu klastrowego w model hostowany i nie czyni 99,8% w benchmarku wielokrotnego wyboru dowodem na temat Twojego produktu.
Co sprawiłoby, że to by coś znaczyło?
Trzy pomiary zamieniłyby dzisiejszy nagłówek w decyzję, a wszystkie trzy to rzeczy, które Artificial Analysis lub arena mogłyby opublikować, nie prosząc inclusionAI o nic. Wynik Full Duplex Bench powiedziałby, czy zachowanie konwersacyjne odpowiada rozumieniu. Wynik dla długiego audio na publicznym zbiorze sprawdziłby tę jedną oś, w której tabela samego dostawcy jest najsłabsza. A drugi niezależny przebieg Big Bench Audio — inny harness, inna próbka elementów — powiedziałby ci, czy 99.8 to efekt sufitowy, czy rzeczywista luka.
Do tego czasu trafne zdanie jest wąskie i warte powiedzenia wprost: model audio z otwartymi wagami od Ant Group, wydany we wrześniu i udokumentowany w październiku, zajmuje obecnie pierwsze miejsce w niezależnym benchmarku rozumowania mowy, z przewagą jednego punktu procentowego nad kolejnym modelem, bez opublikowanej ceny, z dwukrotnie dłuższym czasem do pierwszego dźwięku niż najszybszy konkurent w tym zestawieniu i bez żadnego wyniku konwersacyjnego. To prawdziwy wynik. To także znacznie mniejsze twierdzenie niż „najlepszy model głosowy”, a różnica między tymi dwoma zdaniami jest tym, gdzie wciąż musi się dokonać większość pożytecznego myślenia o tym modelu.
Porównane w tym artykule1
Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie
