Wygenerowana plansza tytułowa z napisem „Ming-3.0-audio-flash przewodzi w rozumowaniu mowy z wynikiem 99,8%”, z podtytułem odnotowującym pierwsze miejsce w Artificial Analysis Big Bench Audio 18 listopada 2026 r. oraz że checkpoint udostępniono 3 września bez cennika. Cztery kafelki statystyk głoszą „99,8% Big Bench Audio”, „#1 z 42 modeli”, „1,12 s do pierwszego audio” i „nie opublikowano ceny”. Stopka głosi „Wyniki według Artificial Analysis, 18 listopada 2026 r.”.
Engineering & Research

Ming-3.0-audio-flash prowadzi w Artificial Analysis Speech Reasoning z wynikiem 99,8% — o jeden punkt przewagi, a wciąż bez ceny

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

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%, Q​wen Audio 3.0 Realtime Plus z 99,2%, Eleven Realtime v1 Max z 98,8%, G​rok Voice 3.0 z 98,5%, G​emini 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 — Q​wen Audio 3.0 Realtime Plus, 99,2%

• 4 — Phonic 1 (High), 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 High, 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.

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 G​emini i G​PT. 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.

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.'

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.

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.

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