LFM3-Omni-2B vs Ming-3.0-audio-tiny: Uma substituição de stack contra um especialista

Dois modelos, ambos comercializados como pequenos, ambos capazes de responder em voz alta, e quase nada mais em comum. LFM3-Omni-2B é um checkpoint denso de 2,17 bilhões de parâmetros da Liquid AI que recebe texto, imagens, vídeo e áudio e retorna texto ou fala a 24 kHz. Ming-3.0-audio-tiny é um modelo de mistura de especialistas de 9,3 bilhões de parâmetros da inclusionAI com 2,7 bilhões de parâmetros ativos por passo, e recebe áudio e texto e retorna texto ou fala a 44,1 kHz. Um está tentando substituir toda uma pilha de assistente. O outro está tentando ser o melhor ouvido possível. Um especialista e um generalista podem ficar atrás de uma única chave. um endpoint As solicitações são roteadas por regra, com failover automático se um caminho falhar.

A nomenclatura torna isso mais difícil do que precisa ser. "Tiny" na família Ming refere-se à sua posição em relação ao Ming-3.0-audio-flash, não ao seu tamanho absoluto: com 9,3B no total, tem mais de quatro vezes a contagem de parâmetros do modelo Liquid. E o LFM3-Omni-2B não é um modelo de áudio com visão acoplada — é um modelo multimodal geral que, por acaso, tem um caminho de áudio. Compará-los linha a linha seria injusto para ambos. Compará-los pelo trabalho que realizam é a única comparação que importa.

O que cada um realmente é

Ming-3.0-audio-tiny é um modelo nativo de áudio-linguagem: um codificador de áudio e um projetor alimentando um backbone de linguagem MoE esparso, com um estágio Talker separado que gera fala quando você pede. Ele lida com chinês e inglês, incluindo sotaques e dialetos, e oferece suporte a clonagem de voz a partir de um clipe de referência mais transcrição. Os pesos têm licença MIT e estão disponíveis no Hugging Face e no ModelScope; existem quantizações da comunidade para MLX e GGUF, e há uma demonstração funcional em ROCm de um assistente de voz de baixa latência construído sobre ele. O repositório foi enviado no início de setembro de 2026 e o card e a configuração foram atualizados em meados de outubro, que é quando ele efetivamente se tornou utilizável.

O LFM3-Omni-2B é a construção oposta. Um único tronco denso com um codificador de visão, um codificador de áudio causal e o LiquidCodec para saída de fala, treinado para que um único conjunto de pesos lide com quatro modalidades de entrada e duas modalidades de saída. Foi publicado em 27 de outubro de 2026 como um dos ramos da família LFM3 de seis modelos da Liquid, sem anúncio próprio e sem avaliação independente. A ficha informa 2,17B parâmetros, contexto de 32.768 tokens e a LFM Open License v1.0.

• Arquitetura — 2,17B denso any-to-any vs 9,3B total com 2,7B ativos por token, MoE esparso mais um Talker de fala separado.

• Entradas — texto, imagem, vídeo com trilha sonora, áudio de 16 kHz versus apenas áudio e texto.

• Saída de voz — 24 kHz via LiquidCodec, transmitido em fluxo mais rápido que o tempo real, em comparação com 44,1 kHz mono via o Talker, com vozes predefinidas nomeadas e clonagem.

• Idiomas — 16 idiomas de texto e 19 localidades de fala vs chinês e inglês, incluindo dialetos.

• Contexto — 32.768 tokens, indicados na ficha, versus nenhuma janela de contexto indicada na ficha; a configuração publicada descreve um orçamento de posição de 131.072 tokens.

• Licença — LFM Open License v1.0 com um limite de receita em comparação ao MIT.

• Pegada — cerca de 4,3 GB em BF16 versus aproximadamente 21 GB em BF16, com a quantização dos especialistas em int8 reduzindo-a para cerca de 12,5 GB.

As duas linhas que realmente se sobrepõem

As tabelas de benchmark entre laboratórios são, em grande parte, teatro, porque cada laboratório escolhe sua própria estrutura de avaliação. Aqui, a sobreposição é pequena o suficiente para afirmar com exatidão: dois conjuntos de dados aparecem nos dois relatórios dos fornecedores, e ambos são tarefas de áudio em que a metodologia é razoavelmente padrão.

• Taxa de erro de palavras em ASR de inglês — 6,36 para LFM3-Omni-2B vs 4,36 para Ming-3.0-audio-tiny. Menor é melhor, e Ming está à frente em dois pontos absolutos, aproximadamente um terço menos erro.

• VoiceBench — 64,73 vs 74,29. Ming está 9,6 pontos à frente no seguimento de instruções faladas e no comportamento de assistente de voz.

Nas tarefas que ambos os modelos medem, o especialista vence, e esse é o resultado esperado. O Ming usa 2,7 bilhões de parâmetros ativos para ouvir e falar. O LFM3-Omni-2B usa 2,17 bilhões para ouvir, falar, ver e ler ao mesmo tempo. Um modelo que não divide sua capacidade em quatro frentes deve ser melhor na única forma como funciona, e é.

O que Ming relata que o LFM3-Omni-2B não relata é uma lista mais longa: taxa de erro de caracteres de ASR em chinês 3,79, taxa de erro de caracteres em dialeto 10,29, BigBenchAudio 99,20, MMAU 75,90, MMAU-Pro 56,42, precisão em áudio longo 56,39 e BFCL-v3 Audio 79,80. Esses são números fortes para um modelo desse tamanho, e descrevem um sistema que foi avaliado especificamente em raciocínio de áudio, em vez de como uma coluna de uma tabela multimodal. Os equivalentes mais próximos do card do Liquid são MMAR de compreensão de áudio 51,40 e uma pontuação de chamada de ferramentas de 52,20 — mas o benchmark de chamada de ferramentas não é o mesmo teste que o BFCL-v3 Audio, e colocar esses dois números lado a lado seria o tipo de comparação que este blog existe para evitar.

O benchmark que este confronto não consegue resolver

A pergunta interessante não é qual modelo ouve melhor. É se um único modelo omni consegue realizar raciocínio audiovisual que um pipeline não consegue. O Ming-3.0-audio-tiny não tem nenhum caminho de visão: não consegue olhar para um quadro e descrever o que está acontecendo, nem responder a uma pergunta sobre a trilha sonora de um vídeo enquanto assiste ao vídeo. O LFM3-Omni-2B consegue fazer as duas coisas, e a Liquid informa 70,09 no Daily-Omni e 47,10 no WorldSense exatamente para essa capacidade.

Esses números não têm contrapartida no card do Ming porque Ming não tenta realizar a tarefa. Assim, a comparação se resolve como uma questão de escopo, e não de qualidade: se sua aplicação é uma interface de voz para um fluxo de áudio, Ming é o ouvido mais capaz e o menor compute ativo. Se sua aplicação é uma câmera mais um microfone mais um alto-falante, o LFM3-Omni-2B faz algo que Ming não consegue fazer em nenhum tamanho, e a lacuna de áudio é o preço que você paga pela câmera.

O custo não é trivial. Dois pontos na taxa de erro de palavras em inglês em uma interface de voz é a diferença entre uma transcrição que você pode passar os olhos e uma que você precisa corrigir. Se o caminho de áudio é o produto principal e a visão é um bônus, a recomendação honesta é usar Ming para o áudio e um modelo de visão separado para os quadros, mesmo que isso signifique dois checkpoints.

A conta de memória decide mais implantações do que o benchmark.

O Ming-3.0-audio-tiny precisa de aproximadamente 21 GB de pesos em BF16, ou cerca de 12,5 GB com quantização int8 dos especialistas, e uma implantação completa com saída de áudio pode dividir o Thinker e o Talker entre duas GPUs. O LFM3-Omni-2B precisa de cerca de 4,3 GB. Essa não é uma diferença pequena: é a diferença entre uma única GPU de médio porte e uma máquina em torno da qual você precisa planejar, e é a diferença entre um celular e um servidor.

A comparação se inverte dependendo do que você está medindo. Os 2,7B de parâmetros ativos do Ming o tornam barato por token, apesar do tamanho total, que é justamente o objetivo de um MoE esparso. O LFM3-Omni-2B é denso, então cada token custa os 2,17B completos — mas o modelo inteiro cabe em uma fração da memória e roda em hardware que o Ming não consegue alcançar.

É aqui que a economia do roteamento se torna concreta. O OrcaRouter repassa os preços de tabela dos provedores sem markup, de modo que um especialista mais barato e um generalista mais caro possam ficar atrás de uma única chave sem um segundo contrato, e uma mudança de preço do fornecedor chega à sua fatura no mesmo dia, e não na próxima renovação. Nem o LFM3-Omni-2B nem o Ming-3.0-audio-tiny estão no nosso catálogo hoje, então esta é uma afirmação sobre como a plataforma define preços, não uma garantia de que você pode invocar qualquer um dos modelos por nosso intermédio agora. Mas o padrão que esses dois modelos criam — um especialista barato para o caso comum, um generalista para o caso difícil — é exatamente o padrão a que um roteador se destina.

A questão da licença, que é a verdadeira bifurcação

O Ming-3.0-audio-tiny é MIT. O LFM3-Omni-2B está sob a LFM Open License v1.0, um acordo personalizado com um limite de receita que determina se o uso comercial exige um acordo separado. Para um protótipo de pesquisa, a diferença é acadêmica. Para um produto, é a primeira coisa que o jurídico vai perguntar, e pode superar uma lacuna de benchmark de qualquer tamanho.

A licença MIT também explica por que o Ming já tem versões da comunidade: compilações MLX, quantizações GGUF e uma demo de assistente de voz para ROCm. Elas existem porque a licença as tornou fáceis, e são a razão pela qual o Ming pode ser implantado hoje em hardware que a Liquid nunca testou. O LFM3-Omni-2B foi publicado em 27 de outubro com 83 downloads, e tem apenas um caminho de serving documentado, somente para saída de texto. Seu ecossistema ainda não existe.

A assimetria prática é gritante. Em precisão de áudio, eficiência de memória por parâmetro ativo, cobertura linguística para chinês e dialetos, clonagem de voz e liberdade de licenciamento, o Ming-3.0-audio-tiny é a escolha mais segura hoje. Em cobertura de modalidades e pegada bruta, o LFM3-Omni-2B é o único dos dois que consegue olhar para uma sala e falar sobre ela.

Quem deve pegar qual

Escolha o Ming-3.0-audio-tiny se você estiver criando um produto de fala — transcrição, diálogo falado, clonagem de voz, análise de chamadas — e não precisar de visão ou estiver disposto a combiná-lo com um modelo visual separado. A licença MIT, as quantizações existentes e a vantagem de ASR em dois pontos tornam a implantação de menor risco, e sua arquitetura esparsa mantém o custo por token baixo, apesar dos 9,3B no total.

Escolha o LFM3-Omni-2B se o dispositivo tiver câmera e microfone e a restrição for memória. Um checkpoint de 4,3 GB que vê, ouve e fala pertence a uma categoria de objeto diferente de um especialista em áudio de 21 GB, e nenhuma precisão de ASR compensa um modelo que não cabe. Aceite que você está comprando amplitude, não profundidade, e que todos os números de áudio associados a ele são informados pelo fornecedor e não reproduzidos.

O que o cartão de nenhum dos dois modelos lhe diz é como eles se comportam na mesma aplicação. Esse teste — mesmo áudio, mesmo dispositivo, mesmo orçamento de latência — não foi realizado por ninguém fora das duas empresas. Até que seja, a decisão se baseia em escopo e licenciamento, que podem ser conhecidos hoje, e não em acurácia, que não pode.