Ming-3.0-audio-flash vs Qwen3.8-Omni-Flash: A própria tabela do fornecedor já elegeu um vencedor

Há uma tabela comparativa que resolve a maior parte dessa discussão, e ela foi publicada por um dos dois fornecedores. Nas próprias imagens de avaliação da inclusionAI para Ming-3.0-audio-flash, a coluna de referência é Qwen3.8-Omni-Flash — o modelo omni fechado da A​libaba, aberto a clientes de API desde 18 de setembro de 2026 — e os resultados vão em ambas as direções. Ming vence as linhas de dialeto por uma margem ampla e perde as linhas de raciocínio com áudio longo por quase três vezes. Isso é incomumente útil, porque significa que a questão não é "qual modelo é melhor", mas sim "qual destes dois modos de falha sua carga de trabalho consegue tolerar". Ming-3.0-audio-flash é o checkpoint de áudio-linguagem da inclusionAI com 126B no total e 6,5B ativos, enviado em 3 de setembro de 2026 e documentado em 19 de outubro; Qwen3.8-Omni-Flash é um modelo hospedado, com saída apenas em texto, contexto de um milhão de tokens e sem pesos. Um você possui, o outro você aluga, e seus pontos fortes publicados não se sobrepõem muito. As falhas de IA documentadas e as disputas em torno de benchmarks de fornecedores por trás de comparações como esta estão reunidas no OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e indicador de contestação.

Duas maneiras de ler uma hora de áudio

Ambos os modelos aceitam áudio e texto e retornam texto. Essa frase é verdadeira para ambos e enganosa a respeito de ambos, porque a escala em que operam é completamente diferente.

O Qwen3.8-Omni-Flash recebe texto, imagens, áudio e vídeo, processa até uma hora de áudio-vídeo contínuo em uma única chamada, carrega um contexto de um milhão de tokens (entrada máxima em torno de 991K, saída de até 131K com um orçamento de raciocínio de 262K) e responde apenas em texto. A estrutura de lançamento da A​libaba era uma conta, e não uma pontuação: 98% mais barato por hora de entrada de áudio do que o Qwen3.5-Omni-Plus, 93% mais barato por hora de áudio-vídeo, com valores por hora derivados da precificação de uma amostra de dois minutos e multiplicação por trinta, com vídeo amostrado em 720p e um quadro por segundo. O preço internacional é US$ 0,15 por milhão de tokens de entrada, US$ 0,016 em cache, US$ 0,47 de saída.

O Ming-3.0-audio-flash recebe áudio e texto como entrada, retorna texto ou texto mais fala por meio de um Talker opcional, e tem um contexto de 128K — um número que sua configuração não declarava até 13 de outubro, quando um commit de um único arquivo elevou max_position_embeddings de 8.192 para 131.072. Seu perfil de serving de referência é paralelismo de tensores em oito H800s de 80 GB e o download tem aproximadamente 259 GB. Não há preço por token porque não há endpoint.

Então, a unidade do Qwen é a chamada; a unidade do Ming é o nó. Essa é a primeira decisão e normalmente decide o resto.

O que a própria tabela da inclusionAI diz, linha por linha

Todos os números nesta seção vêm dos três PNGs na pasta assets/ do repositório Ming — a própria execução da inclusionAI, em seu próprio harness, com asteriscos marcando as linhas que ela mesma avaliou. Nada disso foi reproduzido. Leia como um fornecedor se descrevendo em público, o que é mais do que a maioria dos fornecedores faz.

• Média de ASR em chinês — Ming com taxa de erro de 3,45 contra Qwen3.8-Omni-Flash com 3,54 e Gemini 3.8 Flash com 9,83. Uma vitória apertada.

• Média de ASR em inglês — 3,69 contra 4,02 e 5,05. Também é estreita.

Média dos dialetos — 9,40 contra 11,58. Mais ampla, e é a afirmação de destaque: cantonês 4,09 contra 4,76, xangainês 11,15 contra 21,10, hunanês 8,76 contra 17,11, hokkien 12,84 contra 26,32.

• Hubei — 9,46 contra 7,75. Qwen vence esta linha e a inclusionAI publicou mesmo assim, o que é o principal motivo para confiar no restante da tabela.

• Diarização de falantes, AISHELL-4 — Ming com 8,58 de taxa de erro de diarização contra 2,80 do Qwen. No AMI, 25,29 para o Ming contra 11,16 para o MiMo-V2.6 Pro.

• Pontuação do Long-audio Chain — Ming 12,31 contra Q​wen 34,54, modo de pensamento do Q​wen 48,70 e Gemini 3.8 Flash 49,63. Esta é a diferença de quatro vezes, e está em uma métrica que o fornecedor escolheu publicar.

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

• Linhas de destaque de raciocínio de áudio — Ming obtém 99.40 no BigBenchAudio e 82.00 no MMAU; a chamada de ferramentas no BFCL-v3 Audio é 81.40, contra 86.68 do Gemini 3.8 Flash.

O padrão não é aleatório. Ming é mais forte quando a tarefa é "o que exatamente foi dito, incluindo o sotaque" e mais fraco quando a tarefa é "manter uma longa gravação em mente e raciocinar sobre ela". Q​wen é o oposto: uma janela de um milhão de tokens e um orçamento de raciocínio são exatamente o mecanismo para a segunda tarefa, e nada em seus materiais de lançamento sugere ajuste dialeto por dialeto.

A alegação sobre o dialeto é toda a questão, e é mais restrita do que parece.

Se você levar uma única coisa da tabela de fornecedores, leve isto: a diferença que resiste ao escrutínio é o reconhecimento de fala em chinês dialetal e com sotaque, não a inteligência geral de áudio. O shangainês, com 11,15 contra 21,10, tem aproximadamente metade da taxa de erro. Hunan, com 8,76 contra 17,11, fica em cerca de metade. O hokkien, com 12,84 contra 26,32, fica em cerca de metade. Essas são diferenças grandes e consistentes em cinco linhas de dialetos, e são o tipo de resultado que vem de uma decisão de treinamento, e não de um truque de benchmark.

As ressalvas importam tanto quanto os números. Os conjuntos de teste são a seleção do próprio fornecedor; o harness é do fornecedor; os valores de referência para o Qwen3.8-Omni-Flash foram produzidos pela inclusionAI executando o modelo da Alibaba, não pela Alibaba. Um concorrente avaliar o modelo de um rival é prática normal e também é a configuração mais propensa a produzir, por acidente, um resultado lisonjeiro. A única linha que vai na direção oposta, Hubei, é a evidência mais forte de que a tabela não foi simplesmente editada.

E a diferença de quatro vezes em áudio longo não é um erro de arredondamento que você possa contornar no design. Se sua carga de trabalho for uma teleconferência de resultados de noventa minutos e você precisar de um resumo com referências cruzadas, os próprios números do Ming dizem que o modo de pensamento do Q​wen é a ferramenta melhor por um fator de quatro na métrica que mede exatamente isso.

A disponibilidade decide mais do que os benchmarks.

Qwen3.8-Omni-Flash tem um único local: a plataforma Qianwen da A​libaba e o A​libaba Cloud Model Studio, com endpoints internacionais e da China continental separados, cobrança separada e moeda separada. Ele responde a uma solicitação no formato OpenAI, então o código cliente geralmente é adaptável, mas o endpoint não é portátil e não há destino de failover. Nenhum peso foi liberado e nenhum foi anunciado. O OrcaRouter não o oferece.

O Ming-3.0-audio-flash não tem nenhum endpoint. São pesos licenciados sob MIT com um model card, um repositório GitHub criado em 15 de outubro, YAMLs de implantação para três perfis, dois clientes de exemplo e um guia de voz de 150 KB. O projeto vLLM-Omni oferece suporte à geração anterior do Ming e tem um pull request aberto para o modelo Ming TTS de 7,9B, mas nada foi mesclado para este checkpoint de áudio-linguagem; o caminho prático hoje é Transformers com trust_remote_code=True, o que é adequado para avaliação e insuficiente para um serviço.

Coloque esses dois parágrafos lado a lado e o trade-off fica evidente. Q​wen oferece um endpoint de produção sem fallback e sem visibilidade. Ming oferece um checkpoint com visibilidade total e sem endpoint. Uma equipe com um nó de GPU e um requisito de conformidade escolhe Ming. Uma equipe com prazo escolhe Q​wen e assume o risco de fonte única.

Como é um caminho do meio

Existe uma terceira opção que nenhum dos fornecedores documenta, e vale a pena explicá-la porque é o que a maioria das equipes realmente faz: usar o modelo hospedado para o trabalho em que ele é melhor e os pesos abertos para o trabalho em que eles são melhores, no mesmo pipeline.

Concretamente — uma organização de suporte que atende chamadas em mandarim com falantes de dialetos. O áudio chega, um classificador leve decide se a fala do interlocutor é padrão ou fortemente acentuada. O áudio padrão vai para o Qwen3.8-Omni-Flash para um resumo de contexto longo com raciocínio sobre a chamada inteira. O áudio acentuado vai para o Ming-3.0-audio-flash para transcrição, e a transcrição retorna ao pipeline de texto para summarização. Nenhum dos modelos vê a carga de trabalho inteira; ambos veem a parte que vencem.

Essa arquitetura dá mais trabalho do que escolher um único fornecedor, e é a única que usa a tabela de fornecedores de forma honesta, porque a própria tabela diz que os dois modelos falham em entradas diferentes.

Onde o OrcaRouter fica, precisamente

Não oferecemos nenhum dos dois modelos neste artigo. O Qwen3.8-Omni-Flash é hospedado pela A​libaba e não está no nosso catálogo; o Ming-3.0-audio-flash tem pesos abertos e não está no nosso catálogo. Um leitor que se cadastre esperando qualquer um deles ficará decepcionado, então é melhor dizer isso aqui do que no final de um formulário de cadastro.

O que o pipeline de classificação e sumarização acima precisa é exatamente o que um roteador fornece: uma única chave para o lado de texto da cadeia, uma regra de roteamento que envia áudio padrão para um lado e áudio com sotaque para o outro, e um caminho de failover quando um provedor se degrada. Uma API para mais de 200 modelos com 0% de markup — preço de lista do provedor repassado, então um corte de preço do fornecedor entra em vigor do nosso lado no mesmo dia — é algo menor para operar do que três contratos e dois sistemas de cobrança, e failover automático é a resposta para o risco de fonte única que vem com qualquer modelo omni hospedado. A DSL de roteamento é onde um pipeline de fala de dois ramos realmente se expressa. Ela não é, e não pode ser, um substituto para um checkpoint de 259 GB.

Para dois tipos de equipe.

Se você está construindo um produto neste trimestre com áudio e sem orçamento para GPU, o Qwen3.8-Omni-Flash é a resposta, com a ressalva de que você está alugando de um único fornecedor e deve escrever seu cliente de modo que o endpoint seja um valor de configuração, e não uma constante. Sua janela de contexto e seu orçamento de raciocínio são genuinamente maiores do que qualquer coisa que a alternativa de pesos abertos ofereça.

Se você está construindo infraestrutura — um serviço de transcrição, um pipeline de conformidade on-premise, qualquer coisa em que um endpoint de fornecedor seja um passivo e não uma conveniência —, o Ming-3.0-audio-flash é a opção aberta séria, e os números de dialetos são o motivo. Reserve orçamento para um nó, reserve um mês de integração e leia as linhas de diarização antes de prometer rótulos de locutor a qualquer pessoa.

A conclusão pouco glamorosa é que os dois modelos são menos rivais do que uma divisão de trabalho que nenhum dos fornecedores tem incentivo para descrever. A inclusionAI publicou a tabela que mostra isso. Isso vale mais do que um post de lançamento.