LFM3-Audio-2B против Ming-3.0-audio-flash: ноутбучный чекпоинт против «уха» на восьми GPU

Первое число, которое отделяет LFM3-Audio-2B от Ming-3.0-audio-flash, — это не бенчмарк. Это восемь. Ming-3.0-audio-flash, аудио-языковая смесь экспертов от InclusionAI с 126 млрд параметров и 6,5 млрд активных, требует тензорного параллелизма на восьми 80-гигабайтных H800, чтобы обслуживать свой полный профиль с контекстом 128K и речевым выводом — на четырёх GPU вы получите проверенный путь SGLang, поддерживающий только текст, потому что модуль Talker не помещается. LFM3-Audio-2B, которую Liquid AI выпустила 27 октября 2026 года в составе семейства LFM3 из шести моделей, — это 2B-чекпойнт, поставляемый в виде 2,1 ГБ загрузки Ollama. Обе модели имеют открытые веса. Только одна из них — это решение, которое один разработчик может принять уже сегодня днём.

Эта разница и определяет всё противостояние, и стоит удержаться от очевидной ошибки — воспринимать её как рейтинг качества. Ming-3.0-audio-flash слышит гораздо больше, чем LFM3-Audio-2B: длинные записи, несколько говорящих, музыку, акустические сцены, неречевые звуки. LFM3-Audio-2B создан для голосового цикла на ноутбуке — распознавание, синтез, перевод и голосовые вызовы инструментов на 18 языках. Ming — это ухо с приделанным ртом; модель Liquid — это рот с приделанным ухом. Вопрос в том, какая задача стоит именно перед вами.

Два тихих корабля, два разных вида тишины

Ни одна из моделей не имела традиционного запуска, и разница в том, как они появились, говорит о том, чего ждать от каждого репозитория.

Ming-3.0-audio-flash был загружен на Hugging Face 3 сентября 2026 года без анонса, а затем шесть недель оставался нерабочим, пока в период с 15 по 19 октября не были опубликованы код обслуживания, примеры и переписанная карточка. Репозиторий GitHub был создан 15-го; карточку всё ещё редактировали 19-го. На странице HF указано 22 скачивания за прошлый месяц. Проект распространяется по лицензии MIT, а эталонные YAML-файлы для развёртывания находятся в репозитории.

LFM3-Audio-2B появилась 27 октября как одна из шести моделей в релизе семейства Liquid, разделив с LFM3-1.7B-Base общую базовую основу. Аудиоветке достались один абзац в посте о семействе и карточка модели; отдельного анонса аудио нет, и на сайте Liquid для неё нет записи о цене. В течение дня у неё появились смерженный пул-реквест в llama.cpp (#31257) и сборка для Ollama. Разница в скорости инструментария, а не в глубине документации: у Ming есть панели с результатами бенчмарков в виде изображений, у Liquid — таблица из шести строк без указания используемого харнесса.

Что каждый из них может слышать

• Вход — {{1}}LFM3-Audio-2B{{/1}}: текст или аудио 16 кГц. {{2}}Ming-3.0-audio-flash{{/2}}: аудио плюс текстовая инструкция.

• Выход — LFM3-Audio-2B: текст, речь 24 кГц или чередование текста и речи. Ming-3.0-audio-flash: текст или текст с синтезированной речью через опциональный Talker.

• Контекст — LFM3-Audio-2B: 32K токенов, входные и выходные данные. Ming-3.0-audio-flash: 128K токенов, увеличено с 8 192 в октябрьском коммите.

• Языки — LFM3-Audio-2B: 18 языков перечислены как 19 локалей, поскольку английский представлен вариантами для США и Великобритании; ASR в реальном времени работает только с английским. Ming-3.0-audio-flash: китайский и английский, включая акценты и диалекты — кантонский, шанхайский, хунаньский и хоккиен упоминаются в описании покрытия семейства.

• Лицензия — LFM3-Audio-2B: LFM Open License v1.0, бесплатно для коммерческого использования при годовом доходе ниже $10 млн. Ming-3.0-audio-flash: MIT.

• Минимальные требования к оборудованию — LFM3-Audio-2B: работает на CPU через GGUF, 2,1 ГБ. Ming-3.0-audio-flash: восемь H800 по 80 ГБ для полного аудиопрофиля, четыре — для режима только с текстом.

Именно в языковой линейке эти две модели чаще всего понимают неправильно. Восемнадцать языков звучат шире, чем два, и для синтеза это действительно так. Но эти 18 — в основном европейские, плюс японский, корейский и китайский, а Liquid прямо ограничивает ASR в реальном времени только английским. Два языка Ming сопровождаются диалектным покрытием, которое в китайском контакт-центре важнее, чем длинный список локалей. Если ваше аудио — мандаринский с переключением языковых кодов, то кажущееся узким языковое заявление Ming оказывается сильнее; а если вам нужен нидерландский или шведский голос на ноутбуке, LFM3-Audio-2B — единственный из двух, кто это заявляет.

Единственная цифра, которая сходится, и почему это всё равно не вердикт

Оба поставщика публикуют показатель VoiceBench, что делает его наиболее близким к общей оси в данном случае. Ming-3.0-audio-flash сообщает 86.74. LFM3-Audio-2B сообщает 73.13. На первый взгляд, это разрыв в 13.6 пункта в пользу Ming.

Считайте это гипотезой, а не результатом. Эти два числа получены на разных версиях испытательного стенда, с разными промптами и разными настройками декодирования, и ни в одном из репозиториев не указана точная конфигурация. Собственные материалы Ming предупреждают, что сравниваемые модели воспроизводились в рамках схемы оценки inclusionAI и могут отличаться от официальных отчетов из-за промптов, декодирования, версий и пайплайнов. В таблице Liquid вообще не указан использованный тестовый набор. Число одного вендора, сопоставленное с числом другого вендора, — это упорядочивание двух утверждений, а не измерение двух моделей.

Та же осторожность относится и к остальным показателям панели Ming: средний CER для китайского ASR — 3,45, WER для английского — 3,69, CER для диалектов — 9,40, BigBenchAudio — 99,40, MMAU — 82,00; все они заявлены поставщиками и предназначены только для отображения. На фоне английского WER 6,23 и MMAR 50,60 у LFM3-Audio-2B направление остаётся неизменным: Ming лучше слушает. Но масштаб различия не подтверждён ни одной публикацией ни одной из лабораторий.

Что даёт лицензия и чего она стоит

MIT — более чистая лицензия, и здесь даже близко не стоит сравнивать. LFM Open License v1.0 бесплатна ниже порога выручки и требует платной коммерческой лицензии выше него; у MIT порога нет. Для компании, которая рассчитывает вырасти выше $10M, эта разница — статья расходов в закупках, а не сноска.

Лицензия к тому же — меньшая половина затрат. Минимальная конфигурация Ming с восемью GPU — это капитальное решение с графиком амортизации, стойкой и пейджером. Загрузка Liquid объёмом 2,1 ГБ работает на CPU ноутбука через GGUF, с MLX 4-bit для Apple silicon и ONNX Runtime для переносимости. Предельные затраты на тысячный час аудио близки к нулю в обоих случаях; фиксированные затраты различаются на три порядка.

Это не делает Ming дорогим. Это делает Ming другой покупкой. Если ваша нагрузка стабильна, а аудио не может покидать здание, владение 126B-«ухом» может оказаться дешевле, чем платить поминутно годами — точка перехода — это расчёт загрузки, а не бенчмарк. Если ваша нагрузка — это прототип, демо или продукт, объём аудио для которого пока неизвестен, профиль с восемью GPU — это ставка, сделанная до появления доказательств.

Пробовать перед покупкой

Практическая проблема у обеих моделей одна и та же: по карточке модели нельзя понять, работает ли какая-либо из них на ваших записях. Путь обслуживания у Ming предполагает наличие оборудования, которого у большинства команд нет; Liquid работает где угодно, но не имеет независимой оценки. В обоих случаях дешёвый ход — измерить на небольшой выборке, прежде чем делать выбор.

OrcaRouter не размещает ни один из этих чекпоинтов, поэтому аргумент в пользу маршрутизации не применим к самому аудиослою. Он применим на уровень выше. Голосовой пайплайн — это аудиомодель плюс текстовая модель, которая классифицирует, суммаризирует или маршрутизирует услышанное, и именно на этом втором вызове роутер оправдывает своё место: более 200 моделей за одним ключом по прайсовой цене провайдера без наценки, автоматическое переключение при сбоях между провайдерами и DSL маршрутизации, если вы хотите объединить несколько моделей в один вызов. Прогоните свои двадцать худших записей через аудиомодель, а затем прогоните транскрипты через ту же нижестоящую модель на том же эндпоинте — это сохранит чистоту сравнения и почти ничего не будет стоить.

Какой выбрать?

Выбирайте LFM3-Audio-2B, если модель должна работать на машине, которая уже у вас есть, если вам нужен речевой вывод на языке, который не покрывает Ming, или если вы прототипируете голосовой цикл вызова инструментов и хотите, чтобы модель работала на той же машине, что и инструменты. Примите как данность, что часть распознавания находится на среднем уровне и что потоковый ASR работает только на английском и всё ещё остаётся последующим pull request в llama.cpp.

Выбирайте Ming-3.0-audio-flash, если задача — понимание, а не разговор: длинные совещания, шумные записи с несколькими говорящими, аудиорассуждения или работа с китайским языком, где важно покрытие диалектов. Заложите в бюджет восемь GPU или согласитесь на профиль «только текст» на четырёх GPU и откажитесь от Talker. Затем проведите собственную оценку, прежде чем доверять результатам тестирования любого из поставщиков.

Пока не выбирайте ни один, если не можете назвать, какая из этих двух задач ваша. Моделям четыре дня и шесть недель соответственно, документация по обеим тоньше, чем заявленные возможности, а первое независимое очное сравнение на общем корпусе будет стоить больше, чем все цифры в этой статье. Пока его нет, самый честный доступный критерий — аппаратный порог: один из них помещается на ноутбуке, а другой — в серверной стойке.