Um cartão de título gerado com o texto 'Ming-3.0-audio-flash lidera o raciocínio de fala com 99,8%', com um subtítulo que observa o primeiro lugar no Artificial Analysis Big Bench Audio em 18 de novembro de 2026 e que o checkpoint foi lançado em 3 de setembro sem tabela de preços. Quatro chips de estatísticas trazem o texto '99,8% Big Bench Audio', '#1 de 42 modelos', '1,12 s até o primeiro áudio' e 'nenhum preço publicado'. O rodapé traz o texto 'Pontuações segundo a Artificial Analysis, 18 de novembro de 2026.'
Engineering & Research

Ming-3.0-audio-flash lidera o Speech Reasoning da Artificial Analysis com 99,8% — Um ponto à frente e ainda sem preço

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

O Artificial Analysis agora lista Ming-3.0-audio-flash em primeiro lugar no seu quadro Speech Reasoning, a avaliação Big Bench Audio, com 99,8% de precisão, à frente de StepAudio 3 Realtime, com 99,7%, Q​wen Audio 3.0 Realtime Plus, com 99,2%, Eleven Realtime v1 Max, com 98,8%, G​rok Voice 3.0, com 98,5%, G​emini 3.8 Live Extended Thinking (High), com 97,7%, e GPT-Realtime-2.1 High, com 95,8%. A alegação foi divulgada pela Ant Ling em 18 de novembro de 2026 às 08:37 UTC, dezenove minutos depois de o repositório do próprio modelo ter sido editado para incluir o mesmo número e uma imagem do ranking. Esse momento é a história toda: um modelo lançado em setembro sem pontuação de terceiros agora tem uma, e o número está muito próximo do teto.

Para ser preciso sobre o que é novo e o que não é — porque isto não é um lançamento. A inclusionAI enviou os pesos do Ming-3.0-audio-flash para o Hugging Face em 3 de setembro de 2026 e não disse nada sobre isso por seis semanas; o cartão do modelo, os perfis de serving e o código de exemplo só chegaram entre 15 e 19 de outubro. O que mudou hoje é a avaliação, não o checkpoint. Os fragmentos safetensors são os mesmos bytes de setembro. Então, a formulação honesta é que um modelo de áudio de pesos abertos com sete semanas acabou de ser medido por outra pessoa que não o seu autor, e ficou no topo.

O que o Big Bench Audio realmente pede que um modelo faça

Vale a pena ser concreto sobre o teste, porque “raciocínio de fala” soa como algo que um agente de voz faz em uma conversa e, na maior parte das vezes, não é. O Big Bench Audio é um conjunto de perguntas de múltipla escolha entregues em áudio: o modelo ouve uma gravação, ouve ou lê uma pergunta sobre ela e escolhe uma resposta. Ele recompensa a capacidade de manter uma passagem falada em contexto e aplicar raciocínio comum a ela. Não recompensa tomada de turno, tratamento de interrupções, backchannels ou a capacidade de soar como uma pessoa. Esses aspectos ficam em outro quadro do Artificial Analysis, o Full Duplex Bench, onde o Ming-3.0-audio-flash atualmente não tem nenhuma pontuação publicada.

Essa distinção importa mais do que o habitual aqui, porque, com 99,8%, a métrica está quase sem espaço. Em um ranking de 42 modelos, a diferença entre o primeiro e o quinto lugar é de um ponto percentual. Entre o primeiro e o modelo em décimo terceiro lugar — GPT-Realtime-2.1 High —, é de quatro pontos. Um teste no qual quase todo modelo moderno pontua na casa dos noventa é um teste que deixou de separar o topo do campo, e uma vantagem de um ponto sobre o StepAudio 3 Realtime é um punhado de itens em um benchmark cuja contagem de itens ninguém fora da Artificial Analysis pode verificar. Leia o ranking como "este modelo pertence ao grupo de elite", o que é genuinamente útil, e não como "este modelo é mensuravelmente melhor em audição do que todos os outros", o que o número não sustenta.

A tabela em ordem, para quem quer a configuração do campo em vez da manchete:

• 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 (Alto), 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 (Alto), 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.

Um detalhe na documentação do próprio fornecedor merece ser sinalizado, porque é o tipo de coisa que acaba sendo omitida discretamente. As imagens de avaliação no model card da inclusionAI, publicadas em outubro, mostram o modelo flash com 99,40 no "BigBenchAudio". A Artificial Analysis agora reporta 99,8. São duas execuções diferentes de um benchmark semelhante, e a diferença não é um erro em nenhuma delas — é a variação normal que ocorre quando o harness, o formato do prompt e o subconjunto de itens não são idênticos. É também um lembrete de que a tabela de outubro do fornecedor e o painel de terceiros de hoje não são números intercambiáveis, mesmo quando carregam quase o mesmo rótulo.

O que o conselho não diz

Faltam três coisas na entrada do Artificial Analysis, e cada uma delas é mais importante para uma decisão de implantação do que o valor de precisão.

O primeiro é o preço. O Ming-3.0-audio-flash não tem taxa por token nem por minuto no Artificial Analysis porque não há nada para comprar: é um checkpoint de mistura de especialistas com 126 bilhões de parâmetros sob MIT, com 6,5 bilhões de parâmetros ativos por etapa. O custo é o que o hardware custar. As próprias notas de implantação da inclusionAI colocam o perfil de serviço de referência de 128K em paralelismo de tensores em quatro H800s de 80 GB, com uma alternativa de oito GPUs para áudio longo, e um perfil SGLang validado em quatro GPUs retornando apenas texto. Todo modelo acima dele no ranking, exceto ele próprio, é uma API com cobrança por uso. Compará-los apenas por acurácia compara uma pontuação de benchmark com outra pontuação de benchmark e ignora que um lado da tabela é uma compra e o outro é uma assinatura.

O segundo é a latência. O Artificial Analysis mede o tempo até o primeiro áudio, e o Ming-3.0-audio-flash fica em 1,12 segundo. O Eleven Realtime v1 Max fica em 0,57 segundo — cerca de metade. Se seu aplicativo é um agente de voz que precisa responder dentro de uma pausa conversacional, uma vitória em benchmark não compensa um segundo de silêncio, e a ordenação do leaderboard não diz nada sobre com qual desses dois números você consegue conviver.

O terceiro é o comportamento conversacional. Existem pontuações do Full Duplex Bench para o Eleven Realtime v1 Max (0,941 no geral, com tratamento de interrupções em 0,99 e alternância de turnos em 1,0) e para vários modelos realtime do G​emini e do G​PT. O Ming-3.0-audio-flash não tem pontuação FDB, nem detalhamento da dinâmica conversacional, nem medição publicada de como lida quando é interrompido. Um modelo pode acertar perguntas de múltipla escolha sobre áudio e ainda assim falar por cima de você.

E os próprios números de outubro do fornecedor são a evidência menos lisonjeira de todo esse quadro. No mesmo material que anuncia a vitória em raciocínio de fala, a inclusionAI publicou uma pontuação de cadeia de áudio longo de 12,31 contra 34,54 do Qwen3.8-Omni Flash e 49,63 do Gemini 3.8 Flash, um LongAudioSpan de 41,12 contra 66,40, e taxas de erro de diarização de falantes no AMI de 25,29 contra 11,16 do MiMo-V2.6 Pro. Esses são os números do próprio fornecedor, nas tarefas escolhidas pelo fornecedor, e descrevem um modelo excelente em áudio curto de perguntas e respostas e fraco em raciocínio ao longo de uma gravação longa. Nada sobre um 99,8 no Big Bench Audio muda isso, porque o Big Bench Audio não é um teste de áudio longo.

O intervalo de dezessete minutos entre o cartão e o tweet

O commit do repositório tem carimbo de data/hora de 08:26:48 UTC de 18 de novembro e tem como título, em parte, "Atualizar a pontuação do Flash BBA para 99,8% e adicionar o res… do ranking geral #1". A publicação de Ant Ling veio em seguida, às 08:37:02. O mesmo commit alterou o card do irmãozinho quarenta e oito segundos depois, adicionando a mesma frase — um parágrafo de benchmark compartilhado, copiado para os dois repositórios, e mais um motivo para verificar a qual checkpoint um número realmente pertence antes de citá-lo.

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.'

O que essa sequência lhe diz é que o card do modelo agora está a jusante do ranking, e não o contrário. Durante seis semanas, a única evidência de desempenho para o Ming-3.0-audio-flash foi um conjunto de imagens PNG em uma pasta assets/, produzidas pela equipe que o treinou. Isso não é pouca coisa — as avaliações do fornecedor costumam ser honestas, apenas otimistas quanto à seleção de tarefas —, mas é uma categoria diferente de evidência em relação a um terceiro que executa seu próprio harness e publica uma classificação. O interessante de hoje não é que o fornecedor alegue o primeiro lugar. É que uma organização sem interesse no resultado colocou o modelo lá.

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.

Onde um router se encaixa e onde não

A OrcaRouter não serve o Ming-3.0-audio-flash. Ele não está no nosso catálogo, não podemos fornecer um endpoint para ele, e nada aqui deve ser interpretado como uma oferta. Se você quiser executá-lo, clone o repositório, instale o caminho de código do Transformers 5 ou um dos perfis de serving do SGLang-Omni, e direcione pelo menos quatro placas de 80 GB para ele. Isso é infraestrutura, e um roteador não faz infraestrutura.

O que um roteador faz é a outra metade de qualquer pipeline de fala. Um aplicativo de voz construído sobre um modelo de áudio auto-hospedado ainda é majoritariamente trabalho com texto: o prompt que decide o que perguntar à gravação, o pós-processamento que transforma um rótulo de idioma delimitado por tabulação em saída estruturada, o resumo escrito a partir da transcrição, o classificador que encaminha uma chamada ruidosa para um humano. Essas são chamadas de chat comuns, e uma API para mais de 200 modelos com 0% de markup — preço de tabela do provedor repassado, então um corte de preço do fornecedor fica ativo do nosso lado no mesmo dia — é algo mais simples de conectar do que um segundo e um terceiro contrato com fornecedor. O failover automático é o que permite colocar um modelo de pesos abertos não comprovado atrás de parte do seu tráfego sem apostar todo o caminho nele.

A fronteira é o ponto. Um checkpoint de 259 GB que você executa nas suas próprias GPUs é uma decisão de capital; um roteador roteia chamadas. Ele não transforma um modelo de cluster em um modelo hospedado, e não transforma 99,8% em um benchmark de múltipla escolha em evidência sobre o seu produto.

O que faria isso significar algo

Três medições transformariam a manchete de hoje em uma decisão, e todas as três são coisas que a Artificial Analysis ou uma arena poderiam publicar sem pedir nada à inclusionAI. Uma pontuação no Full Duplex Bench diria se o comportamento conversacional corresponde à compreensão. Um resultado de áudio longo em um conjunto público testaria o único eixo em que a própria tabela do fornecedor é mais fraca. E uma segunda execução independente do Big Bench Audio — um harness diferente, uma amostra de itens diferente — diria se 99.8 é um efeito de teto ou uma lacuna real.

Até então, a frase precisa é limitada e vale a pena ser dita sem rodeios: um modelo de áudio de pesos abertos do Ant Group, lançado em setembro e documentado em outubro, agora está em primeiro lugar em um benchmark de raciocínio sobre fala de terceiros, com margem de um ponto percentual sobre o modelo seguinte, sem preço publicado, o dobro do tempo até o primeiro áudio do concorrente mais rápido naquele ranking e nenhuma pontuação conversacional. Isso é um resultado real. É também uma alegação muito menor do que "melhor modelo de voz", e a diferença entre essas duas frases é onde ainda precisa acontecer a maior parte da reflexão útil sobre este modelo.

Comparados neste artigo1

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente