Ming-3.0-audio-flash kontra Qwen3.8-Omni-Flash: Własna tabela dostawcy już wskazała zwycięzcę

Istnieje tabela porównawcza, która rozstrzyga większość tego sporu, i została opublikowana przez jednego z dwóch dostawców. Na własnych obrazach ewaluacyjnych inclusionAI dla Ming-3.0-audio-flash kolumną referencyjną jest Qwen3.8-Omni-Flash — zamknięty model omni firmy Alibaba, dostępny dla klientów API od 18 września 2026 r. — a wyniki układają się w obie strony. Ming wygrywa w wierszach dotyczących dialektów z dużą przewagą, a przegrywa w wierszach rozumowania na długim audio prawie trzykrotnie. To wyjątkowo przydatne, ponieważ oznacza, że pytanie nie brzmi „który model jest lepszy”, lecz „który z tych dwóch trybów awarii jest w stanie tolerować twoje obciążenie”. Ming-3.0-audio-flash to należący do inclusionAI checkpoint audio-językowy o łącznej liczbie 126B parametrów i 6,5B aktywnych, przesłany 3 września 2026 r. i udokumentowany 19 października; Qwen3.8-Omni-Flash to hostowany model z wyjściem wyłącznie tekstowym, z kontekstem miliona tokenów i bez wag. Jeden posiadasz, drugi wynajmujesz, a ich publikowane mocne strony niezbyt się pokrywają. Udokumentowane awarie AI i spory dotyczące benchmarków dostawców, które stoją za takimi porównaniami, są zebrane w OrcaRouter AI Incident Archive gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i oznaczenie sporności.

Dwa sposoby na przeczytanie godziny nagrania audio

Oba modele przyjmują audio i tekst, a zwracają tekst. To zdanie jest prawdziwe w przypadku obu i jednocześnie mylące w odniesieniu do obu, ponieważ skala, w jakiej działają, jest całkowicie inna.

Qwen3.8-Omni-Flash przyjmuje na wejściu tekst, obrazy, dźwięk i wideo, obsługuje do godziny ciągłego materiału audio-wideo w ramach jednego wywołania, ma kontekst o rozmiarze miliona tokenów (maksymalne wejście około 991K, wyjście do 131K przy budżecie rozumowania 262K) i odpowiada wyłącznie tekstem. Alibaba przedstawiła premierę w kategoriach rachunku, a nie wyniku: o 98% taniej za godzinę wejścia audio niż Qwen3.5-Omni-Plus i o 93% taniej za godzinę audio-wideo, przy czym stawki godzinowe uzyskano, wyceniając dwuminutową próbkę i mnożąc wynik przez trzydzieści; wideo próbkowano w 720p z jedną klatką na sekundę. Ceny międzynarodowe wynoszą $0.15 za milion tokenów wejściowych, $0.016 za tokeny z pamięci podręcznej i $0.47 za tokeny wyjściowe.

Ming-3.0-audio-flash przyjmuje na wejściu audio i tekst, zwraca tekst albo tekst wraz z mową przez opcjonalny Talker i obsługuje kontekst 128K — wartość, której jego konfiguracja nie deklarowała do 13 października, kiedy to jednoplikowy commit podniósł max_position_embeddings z 8 192 do 131 072. Jego referencyjny profil udostępniania to równoległość tensorowa na ośmiu kartach H800 z 80 GB, a rozmiar pobierania wynosi około 259 GB. Nie ma ceny za token, ponieważ nie ma punktu końcowego.

Zatem jednostką Qwena jest wywołanie; jednostką Minga jest węzeł. To pierwsza decyzja i zwykle przesądza o reszcie.

Co mówi własna tabela inclusionAI, wiersz po wierszu

Każda liczba w tej sekcji pochodzi z trzech plików PNG w folderze assets/ repozytorium Ming — z własnego przebiegu inclusionAI, na jego własnym harnessie, z gwiazdkami oznaczającymi wiersze, które ocenił samodzielnie. Żadnej z nich nie odtworzono. Czytaj to jako publiczny opis dostawcy o samym sobie, na co większość dostawców się nie zdobywa.

• Średnia dla chińskiego ASR — Ming ze współczynnikiem błędów 3,45 wobec Qwen3.8-Omni-Flash 3,54 i Gemini 3.8 Flash 9,83. Niewielkie zwycięstwo.

• Średnia ASR dla języka angielskiego — 3,69 w porównaniu z 4,02 i 5,05. Również niewielka.

• Średnia dla dialektów — 9,40 wobec 11,58. Większa różnica, i to jest główna teza: kantoński 4,09 wobec 4,76, szanghajski 11,15 wobec 21,10, Hunan 8,76 wobec 17,11, Hokkien 12,84 wobec 26,32.

• Hubei — 9,46 wobec 7,75. Q​wen wygrywa w tym wierszu, a inclusionAI i tak to opublikował, co jest głównym powodem, by ufać reszcie tabeli.

• Diaryzacja mówców, AISHELL-4 — Ming 8,58 wskaźnika błędu diaryzacji w porównaniu z Qwen 2,80. W AMI: 25,29 dla Ming w porównaniu z 11,16 dla MiMo-V2.6 Pro.

• Wynik Long-audio Chain — Ming 12,31 w porównaniu z Qwen 34,54, trybem myślenia Qwen 48,70 i Gemini 3.8 Flash 49,63. To czterokrotna różnica i dotyczy metryki, którą dostawca zdecydował się opublikować.

• LongAudioSpan — 41,12 w porównaniu z 66,40. MMAR — 74,40 w porównaniu z 77,70. MMSU — 78,82 w porównaniu z 82,10.

• Wiersze podsumowujące rozumowanie audio — Ming uzyskuje 99,40 w BigBenchAudio i 82,00 w MMAU; wywoływanie narzędzi w BFCL-v3 Audio to 81,40 wobec 86,68 dla Gemini 3.8 Flash.

Wzorzec nie jest przypadkowy. Ming jest najsilniejszy, gdy zadaniem jest „co dokładnie zostało powiedziane, wraz z akcentem”, a najsłabszy, gdy zadaniem jest „utrzymać w pamięci długie nagranie i rozumować na jego podstawie”. Q​wen jest odwrotnością: okno miliona tokenów i budżet rozumowania to dokładnie maszyneria do drugiego zadania, a nic w jego materiałach premierowych nie sugeruje dostrajania dialekt po dialekcie.

Twierdzenie o dialekcie to cała sprawa, a jest ono węższe, niż brzmi.

Jeśli masz wynieść z tabeli dostawców jedną rzecz, niech będzie to: luka, która wytrzymuje wnikliwą analizę, dotyczy rozpoznawania mowy chińskiej w dialektach i z akcentem, a nie ogólnej inteligencji audio. Dialekt szanghajski przy 11,15 wobec 21,10 to około połowy wskaźnika błędów. Hunan przy 8,76 wobec 17,11 to około połowy. Hokkien przy 12,84 wobec 26,32 to około połowy. To duże, spójne różnice w pięciu wierszach dotyczących dialektów i są to wyniki, jakie pochodzą z decyzji dotyczącej treningu, a nie ze sztuczki w benchmarku.

Zastrzeżenia mają takie samo znaczenie jak liczby. Zestawy testowe są własnym wyborem dostawcy; środowisko testowe należy do dostawcy; wartości referencyjne dla Qwen3.8-Omni-Flash zostały wygenerowane przez inclusionAI uruchamiające model Alibaba, a nie przez Alibaba. Konkurent oceniający model rywala to normalna praktyka, a zarazem układ, w którym najłatwiej przypadkiem uzyskać pochlebny wynik. Jedyny wiersz, który wypada w drugą stronę, Hubei, jest najsilniejszym dowodem, że tabeli nie po prostu zedytowano.

A czterokrotna luka w długim audio nie jest błędem zaokrąglenia, który można obejść na etapie projektowania. Jeśli Twoim zadaniem jest dziewięćdziesięciominutowa telekonferencja wynikowa i potrzebujesz podsumowania z odwołaniami, własne liczby Minga wskazują, że tryb myślenia Q​wena jest czterokrotnie lepszym narzędziem w metryce, która mierzy dokładnie to.

Dostępność ma większe znaczenie niż benchmarki.

Qwen3.8-Omni-Flash jest dostępny tylko w jednym miejscu: {{1}}platforma Qianwen firmy Alibaba i Alibaba Cloud Model Studio{{/1}}, z oddzielnymi punktami końcowymi dla wersji międzynarodowej i dla Chin kontynentalnych, oddzielnym rozliczaniem i oddzielną walutą. Obsługuje żądania w formacie OpenAI, więc kod klienta w większości da się portować, ale punkt końcowy nie jest przenośny i nie ma celu przełączenia awaryjnego. Nie udostępniono żadnych wag modelu i żadne nie są zapowiedziane. OrcaRouter go nie obsługuje.

Ming-3.0-audio-flash nie ma żadnego endpointu. To wagi na licencji MIT z kartą modelu, repozytorium GitHub utworzonym 15 października, plikami YAML wdrożenia dla trzech profili, dwoma przykładowymi klientami i 150 KB przewodnika po głosie. Projekt vLLM-Omni obsługuje poprzednią generację Ming i ma otwarty pull request dla modelu Ming TTS 7.9B, ale nic nie zostało scalone dla tego checkpointu audio-językowego; praktyczna droga dzisiaj to Transformers z trust_remote_code=True, co jest w porządku do ewaluacji i niewystarczające dla usługi.

Postaw te dwa akapity obok siebie, a kompromis stanie się uderzająco wyraźny. Q​wen daje produkcyjny endpoint bez mechanizmu awaryjnego i bez wglądu. Ming daje checkpoint z pełnym wglądem i bez endpointu. Zespół mający węzeł GPU i wymóg zgodności wybiera Minga. Zespół z terminem wybiera Q​wen i ponosi ryzyko pojedynczego źródła.

Jak wygląda droga środka

Istnieje trzecia opcja, której nie dokumentuje żaden z dostawców, i warto ją jasno przedstawić, ponieważ właśnie tak postępuje większość zespołów: w tym samym potoku używać modelu hostowanego do zadań, w których sprawdza się lepiej, a otwartych wag do zadań, w których to one wypadają lepiej.

Konkretnie — organizacja wsparcia obsługująca rozmowy w języku mandaryńskim z osobami mówiącymi dialektem. Napływa audio, a lekki klasyfikator decyduje, czy mowa dzwoniącego jest standardowa, czy silnie akcentowana. Standardowe audio trafia do Qwen3.8-Omni-Flash w celu uzyskania długokontekstowego podsumowania z rozumowaniem obejmującym całą rozmowę. Audio z akcentem trafia do Ming-3.0-audio-flash w celu transkrypcji, a transkrypt wraca do potoku tekstowego w celu podsumowania. Żaden z modeli nie widzi całego obciążenia; każdy widzi tę część, którą wygrywa.

Ta architektura wiąże się z większym nakładem pracy niż wybór jednego dostawcy i jest jedyną, która uczciwie korzysta z tabeli dostawców, ponieważ sama tabela mówi, że oba modele zawodzą na różnych danych wejściowych.

Gdzie dokładnie znajduje się OrcaRouter

W tym artykule nie udostępniamy żadnego z tych modeli. Qwen3.8-Omni-Flash jest hostowany przez Alibaba i nie ma go w naszym katalogu; Ming-3.0-audio-flash ma otwarte wagi i nie ma go w naszym katalogu. Czytelnik, który zapisze się, oczekując któregokolwiek z nich, będzie rozczarowany, więc lepiej powiedzieć to tutaj niż na końcu formularza rejestracji.

To, czego potrzebuje opisany powyżej potok klasyfikacji i podsumowywania, to dokładnie to, co zapewnia router: pojedynczy klucz dla tekstowej strony łańcucha, reguła routingu, która kieruje standardowe audio w jedną stronę, a audio z akcentem w drugą, oraz ścieżka przełączania awaryjnego, gdy dostawca zaczyna działać gorzej. Jedno API dla ponad 200 modeli przy 0% narzutu — cena katalogowa dostawcy przekazywana bez zmian, więc obniżka ceny u dostawcy jest u nas widoczna tego samego dnia — to mniejsze obciążenie operacyjne niż trzy umowy i dwa systemy rozliczeniowe, a automatyczne przełączanie awaryjne jest odpowiedzią na ryzyko pojedynczego źródła, które wiąże się z każdym hostowanym modelem omni. DSL routingu to miejsce, w którym dwugałęziowy potok mowy faktycznie znajduje wyraz. Nie jest i nie może być zamiennikiem punktu kontrolnego o rozmiarze 259 GB.

Dla dwóch rodzajów zespołów

Jeśli w tym kwartale budujesz produkt zawierający dźwięk i nie masz budżetu na GPU, odpowiedzią jest Qwen3.8-Omni-Flash — z zastrzeżeniem, że wynajmujesz od jednego dostawcy i powinieneś napisać klienta tak, aby endpoint był wartością konfiguracyjną, a nie stałą. Jego okno kontekstu i budżet rozumowania są naprawdę większe niż cokolwiek, co oferuje alternatywa z otwartymi wagami.

Jeśli budujesz infrastrukturę — usługę transkrypcji, pipeline zgodności on-premise, cokolwiek, gdzie endpoint zewnętrznego dostawcy jest obciążeniem, a nie udogodnieniem — Ming-3.0-audio-flash jest poważną otwartą opcją, a liczby dotyczące dialektów są tego powodem. Zaplanuj budżet na węzeł, budżet na miesiąc integracji i przeczytaj wiersze dotyczące diaryzacji, zanim komukolwiek obiecasz etykiety mówców.

Nieefektowny wniosek jest taki, że te dwa modele to mniej rywale, a bardziej podział pracy, którego żaden z dostawców nie ma motywacji opisywać. inclusionAI opublikował tabelę, która to pokazuje. To jest warte więcej niż wpis o premierze.