LFM3-Omni-2B vs Ming-3.0-audio-flash: Um telefone contra um rack

A lista de materiais decide esta comparação antes que os benchmarks tenham chance de opinar. Ming-3.0-audio-flash tem 126 bilhões de parâmetros, aproximadamente 259 GB de pesos em bfloat16, e um perfil de serving de referência construído sobre H800s de 80 GB em paralelismo de tensores — quatro na configuração de 128K, oito quando áudio longo esgota a memória. LFM3-Omni-2B tem 2,17 bilhões de parâmetros, é distribuído como pesos BF16 comuns e foi projetado para rodar em um celular. Ambos recebem áudio. Ambos podem responder em voz alta. Um deles é um ativo de data center e o outro é um recurso que você pode colocar em um aplicativo, e quase todo o resto sobre eles decorre desse único fato.

Também chegaram sem muita cerimônia. A Liquid AI anunciou a família LFM3 em 27 de outubro de 2026, com o LFM3-Omni-2B como um de seis modelos da classe 2B em uma única postagem; seu repositório estava público desde 21 de outubro. A inclusionAI enviou o Ming-3.0-audio-flash em 3 de setembro de 2026 com quase nenhuma documentação e só publicou um model card de verdade em 19 de outubro, seis semanas depois. Nenhum dos fornecedores tem um benchmark independente, e nenhum dos modelos tem um endpoint hospedado que você possa alugar por token.

Duas maneiras de colocar uma boca em um modelo

A diferença arquitetônica não está no tamanho. Está em onde o áudio reside.

Ming-3.0-audio-flash mantém o áudio como áudio pelo maior tempo possível. Um codificador no estilo Whisper — 32 camadas, largura de 1.280, 128 bins mel — transforma o som em uma representação que alimenta um backbone de mistura de especialistas de 42 camadas com 512 especialistas e 8 selecionados por token. A fala retorna por meio de um módulo Talker opcional com vozes chinesas integradas e prompting de voz por clipe de referência. O contexto declarado é 128K, um número que a configuração não declarava até um commit de 13 de outubro elevar os embeddings de posição de 8.192 para 131.072.

O LFM3-Omni-2B tokeniza tudo em um único fluxo. O vídeo é amostrado a 2 quadros por segundo, cada patch de imagem 2×2 se torna um token de linguagem, e o áudio passa por um codificador de áudio causal LFM3 para o mesmo vocabulário de 128.000 tokens do texto. A saída de fala é LiquidCodec a 24 kHz; a entrada de áudio é mono a 16 kHz. O modelo inteiro cabe em uma janela de 32K.

Esse é um argumento de compressão, e ele corta nos dois sentidos. A abordagem do LFM3-Omni-2B é o que torna viável um modelo de 2,17B em um aparelho portátil — tudo é o mesmo tipo de token, então tudo é o mesmo tipo de barato. A abordagem do Ming é o que permite a um modelo de 126B manter em mente uma gravação de uma hora sem descartar a prosódia. Nenhuma das duas é de graça.

Os números que vale a pena colocar lado a lado

• Total de parâmetros — LFM3-Omni-2B 2,17B denso; Ming-3.0-audio-flash 126B em uma mistura de 512 especialistas.

• Parâmetros ativos — cerca de 2,17B contra 6,5B por etapa de inferência.

Pesos no disco — alguns gigabytes em comparação com cerca de 259 GB de fragmentos bfloat16 mais o Talker.

• Hardware de referência — um telefone, laptop ou placa edge contra quatro H800s de 80 GB em paralelismo de tensores para o perfil de 128K, oito quando áudio longo esgota a memória.

• Contexto — 32K tokens cobrindo entrada e saída, contra um 128K declarado.

• Saída de fala — LiquidCodec de 24 kHz com 19 locales de fala; Ming retorna texto ou texto mais fala por meio do Talker, com vozes integradas e clonagem por clipe de referência.

• Licença — LFM Open License v1.0, uma licença com limite de receita, contra a MIT.

• Preço — não há preço por token de nenhum dos lados, porque nenhum dos fornecedores está vendendo inferência para esses checkpoints.

Os parâmetros ativos não são um velocímetro.

É tentador ler “6,5B ativos” ao lado de “2,17B densos” e concluir que o Ming custa apenas três vezes mais por token. Essa leitura está errada nas duas direções.

Uma mistura de especialistas consome largura de banda de memória, não apenas capacidade aritmética. Servir 6,5B de parâmetros ativos de um total de 126B significa mover os pesos dos especialistas para o cache em cada camada e, com tamanho de lote um — o regime em que um assistente de voz opera —, isso chega perto de ler uma grande fração de 259 GB a cada token. O perfil de oito H800 não é uma recomendação para vazão máxima; é o que é necessário para manter os pesos. O LFM3-Omni-2B, com 2,17B, tem o problema oposto: nenhum dividendo de esparsidade, mas também nada a trocar, que é exatamente o perfil que torna um celular plausível.

A consequência prática é que os dois modelos têm curvas de escalabilidade diferentes. O Ming fica mais barato por token à medida que você aumenta o lote, o que se adequa a pipelines de transcrição que processam uma fila de chamadas gravadas. O LFM3-Omni-2B permanece aproximadamente constante por enunciado, o que se adequa a uma conversa ao vivo em que o tamanho do lote é um e o orçamento de latência é de algumas centenas de milissegundos.

O que os 126 bilhões compram

A inclusionAI publica suas avaliações como imagens em vez de tabelas, o que é um tipo de declaração por si só, mas os números são legíveis. No seu próprio harness, o Ming-3.0-audio-flash relata uma taxa média de erro de ASR em chinês de 3.45, em inglês de 3.69, uma média de 9.40 em dialetos entre cantonês, xangainês, hunanês e hokkien, e uma taxa de erro de diarização de 8.58 no AISHELL-4. As linhas de raciocínio de áudio incluem BigBenchAudio com 99.40 e MMAU com 82.00. São números de fornecedor em um harness de fornecedor, com asteriscos marcando as linhas autoavaliadas. Ninguém os reproduziu.

A fraqueza que o fornecedor divulgou mesmo assim é o raciocínio sobre áudio longo: pontuação de 12,31 no Long-audio Chain e de 41,12 no LongAudioSpan, ambas bem atrás dos modelos hospedados na própria comparação do fornecedor. Assim, o 126B não é uniformemente melhor em "entender áudio". Ele é melhor em ouvir com precisão o que foi dito, em qual sotaque e por qual falante — e consideravelmente menos bom em manter uma gravação longa em mente e raciocinar ao longo dela.

O que os 2,17 bilhões compram

O LFM3-Omni-2B apresenta uma taxa de erro de palavras de ASR em inglês de 6,36 e uma taxa multilíngue de 6,72, um UTMOSv2 de TTS de 3,80, VoiceBench 64,73, MMAR 51,40 e uma pontuação de chamada de ferramentas de 52,20. Sua entrada de áudio é limitada a 16 kHz mono, o que é adequado para fala e inútil para música.

Resista à tentação de comparar 6,36 com 3,69 do Ming. Eles não são o mesmo teste. A média de inglês do Ming é calculada sobre o seu próprio conjunto de benchmarks de inglês; o 6,36 do Liquid é um único número de uma única avaliação, executada com seus próprios prompts e decodificação greedy. A única afirmação defensável é direcional: o ASR do Ming provavelmente é melhor, porque um modelo nativo de áudio de 126B com uma torre no estilo Whisper tem mais espaço para ser melhor, e porque o tratamento de dialetos é justamente o ponto com que a inclusionAI escolheu liderar. Se é melhor por dois pontos ou por meio ponto, é impossível saber a partir dessas duas fichas técnicas.

O que o LFM3-Omni-2B traz não é precisão. É o fato de o modelo rodar onde está o microfone. Para um pipeline de gravação de chamadas, isso é irrelevante. Para qualquer coisa com um usuário ao vivo, isso muda a arquitetura: sem upload, sem ida e volta, sem cobrança por minuto e sem áudio saindo do dispositivo.

A licença é a diferença discreta

Ming-3.0-audio-flash está sob licença MIT. Isso é praticamente o máximo em permissividade: uso comercial, modificação, redistribuição, sem teste de receita, sem restrição de campo de uso. O LFM3-Omni-2B é distribuído sob a LFM Open License v1.0, a licença de família que a Liquid aplica em toda a linha LFM3, que é uma licença com limite de receita, e não uma licença de código aberto aprovada pela OSI. Leia-a antes de construir um produto sobre ele. Para uma startup abaixo do limite, a diferença é acadêmica; para uma empresa acima dele, a MIT vale dinheiro de verdade.

A integração é onde os documentos aparecem.

A história de serving do Ming ainda está em andamento. O enquadramento de lançamento da inclusionAI sugeria que você poderia servir a família com o vLLM-Omni hoje; o que o repositório realmente mostra são pull requests abertos — um cobrindo o checkpoint tts-tiny, outro adicionando suporte a audio-flash. Até que eles sejam integrados, executar o Ming-3.0-audio-flash significa usar Transformers em uma máquina com memória suficiente, ou o caminho SGLang-Omni documentado pelo fornecedor. É possível, mas não é um `pip install`.

A história do LFM3-Omni-2B é o oposto: um card no Hugging Face que documenta a receita de fine-tuning e uma build no Ollama já em circulação. Essa build cita um contexto de 125K contra os 32K do card, o que mostra que o empacotamento avançou mais rápido que a documentação — um detalhe pequeno que importa se você planejava alimentá-lo com áudio longo.

Se nenhum destes tiver o formato certo para você, a alternativa é alugar a capacidade em vez de possuí-la, e isso é uma linha orçamentária diferente. O OrcaRouter é o lado hospedado dessa escolha — uma API para mais de 200 modelos com 0% de acréscimo sobre o preço de tabela do provedor, com failover automático quando um provedor cai — e nem o LFM3-Omni-2B nem o Ming-3.0-audio-flash estão nesse catálogo hoje. Esse é o enquadramento honesto: este texto é sobre dois modelos que você baixa, não dois que você pode chamar.

Quem deve escolher qual?

Escolha o Ming-3.0-audio-flash se você tiver GPUs que não esteja usando para outra finalidade, seu áudio for em chinês ou inglês com sotaques e vários falantes, e sua tarefa for produzir uma transcrição precisa ou uma resposta fundamentada sobre uma gravação longa. A licença MIT faz dele a opção mais segura dos dois para basear um produto comercial, e o contexto de 128K faz dele o único da dupla que consegue processar uma reunião em uma única passada.

Escolha o LFM3-Omni-2B se o áudio for gerado na borda, o usuário estiver esperando e a resposta precisar ser falada de volta na mesma respiração. Aceite que você está obtendo a precisão de um modelo menor, uma lista de idiomas mais restrita e uma licença com cláusula de receita, em troca de uma implantação que cabe em um app.

A pergunta a fazer antes de qualquer uma das duas opções: para onde vai o áudio? Se a resposta for "lugar nenhum", a comparação termina.