LFM3-Omni-2B против Ming-3.0-audio-tiny: замена стека против специализированной модели

Две модели, обе позиционируются как малые, обе умеют отвечать вслух — и почти ничего общего. LFM3-Omni-2B — это плотный чекпоинт на 2,17 млрд параметров от Liquid AI, который принимает текст, изображения, видео и аудио и возвращает текст или речь с частотой 24 кГц. Ming-3.0-audio-tiny — это модель смеси экспертов на 9,3 млрд параметров от inclusionAI с 2,7 млрд активных параметров на шаге; она принимает аудио и текст и возвращает текст или речь с частотой 44,1 кГц. Одна пытается заменить весь стек ассистента. Другая пытается быть максимально возможным ухом. Специалист и универсал могут находиться за одним ключом. одна конечная точка Запросы маршрутизируются по правилу, с автоматическим переключением при сбое пути.

Названия делают всё сложнее, чем нужно. «Tiny» в семействе Ming указывает на его позицию относительно Ming-3.0-audio-flash, а не на абсолютный размер: при общем объёме 9,3B у него более чем в четыре раза больше параметров, чем у модели Liquid. А LFM3-Omni-2B — не аудиомодель с прикрученным зрением, а общая мультимодальная модель, у которой просто есть аудиотракт. Сравнивать их построчно было бы несправедливо по отношению к обеим. Сравнение по задачам, которые они выполняют, — единственное, что имеет значение.

Что каждый из них на самом деле из себя представляет

Ming-3.0-audio-tiny — нативная аудио-языковая модель: аудиоэнкодер и проектор, подающие данные в разреженный языковой бэкбон MoE, с отдельной стадией Talker, которая генерирует речь, когда вы об этом попросите. Она поддерживает китайский и английский, включая акценты и диалекты, а также клонирование голоса по эталонному фрагменту и транскрипции. Веса распространяются по лицензии MIT и доступны на Hugging Face и ModelScope; существуют квантованные версии от сообщества для MLX и GGUF, а также работающая демонстрация на ROCm голосового ассистента с низкой задержкой, построенного на этой модели. Репозиторий был загружен в начале сентября 2026 года, а карточка и конфигурация обновлены в середине октября — тогда модель фактически стала пригодной к использованию.

LFM3-Omni-2B — противоположная конструкция. Единый плотный ствол с визуальным энкодером, каузальным аудиокодером и LiquidCodec для речевого вывода, обученный так, что один набор весов обрабатывает четыре входные модальности и две выходные. Модель была опубликована 27 октября 2026 года как одна из ветвей семейства LFM3 из шести моделей Liquid, без отдельного анонса и без независимой оценки. В карточке указано 2,17 млрд параметров, контекст на 32 768 токенов и LFM Open License v1.0.

• Архитектура — плотная any-to-any на 2,17 млрд параметров против 9,3 млрд общих при 2,7 млрд активных на токен, разреженная MoE плюс отдельный речевой Talker.

• Входные данные — текст, изображение, видео со звуковой дорожкой, аудио 16 кГц против только аудио и текста.

• Речевой вывод — 24 кГц через LiquidCodec, потоковая передача быстрее реального времени по сравнению с 44,1 кГц моно через Talker, с именованными предустановленными голосами и клонированием.

• Языки — 16 языков для текста и 19 речевых локалей по сравнению с китайским и английским, включая диалекты.

• Контекст — 32 768 токенов, указанных на карточке, против отсутствия указанного на карточке окна контекста; опубликованная конфигурация описывает бюджет позиций в 131 072 токена.

• Лицензия — LFM Open License v1.0 с порогом выручки в отличие от MIT.

• Объём — около 4,3 ГБ в BF16 против примерно 21 ГБ в BF16, при этом квантование экспертов в int8 сокращает его до примерно 12,5 ГБ.

Две строки, которые действительно пересекаются

Сравнительные таблицы бенчмарков между лабораториями — в основном показуха, потому что каждая лаборатория выбирает собственный стенд. Здесь пересечение достаточно мало, чтобы указать его точно: два набора данных фигурируют в отчётах обоих поставщиков, и оба относятся к аудиозадачам, где методология достаточно стандартна.

• Частота ошибок в словах для английского ASR — 6,36 для LFM3-Omni-2B против 4,36 для Ming-3.0-audio-tiny. Чем ниже, тем лучше, и Ming опережает на два абсолютных пункта, примерно на треть меньше ошибок.

• VoiceBench — 64,73 против 74,29. Ming опережает на 9,6 балла по следованию голосовым инструкциям и поведению голосового ассистента.

На задачах, которые оценивают обе модели, побеждает специализированная модель, и это ожидаемый результат. Ming тратит 2,7 млрд активных параметров на слух и речь. LFM3-Omni-2B тратит 2,17 млрд на слух, речь, зрение и чтение одновременно. Модель, которая не делит свою мощность на четыре направления, должна быть лучше в том одном направлении, в котором работает, — и она действительно лучше.

То, что Ming сообщает для LFM3-Omni-2B, а LFM3-Omni-2B — нет, представляет собой более длинный список: частота ошибок на уровне символов в китайском ASR — 3.79, частота ошибок на уровне символов в диалектах — 10.29, BigBenchAudio — 99.20, MMAU — 75.90, MMAU-Pro — 56.42, точность на длинном аудио — 56.39 и BFCL-v3 Audio — 79.80. Это сильные показатели для модели такого размера, и они описывают систему, которую оценивали специально на аудио-рассуждениях, а не как один столбец в мультимодальной таблице. Ближайшие эквиваленты в карточке Liquid — MMAR для понимания аудио 51.40 и оценка вызова инструментов 52.20 — но бенчмарк для вызова инструментов — это не тот же тест, что BFCL-v3 Audio, и сопоставление этих двух чисел было бы именно тем видом сравнения, которого этот блог стремится избегать.

Бенчмарк, который этому противостоянию не разрешить

Интересный вопрос не в том, какая модель слышит лучше. А в том, может ли единая omni-модель выполнять аудиовизуальные рассуждения, которые не под силу пайплайну. У Ming-3.0-audio-tiny вообще нет визуального канала: она не может посмотреть на кадр и описать, что происходит, и не может ответить на вопрос о звуковой дорожке видео, пока смотрит видео. LFM3-Omni-2B умеет и то и другое, и Liquid сообщает о результатах Daily-Omni 70.09 и WorldSense 47.10 именно для этой способности.

Этих чисел нет в карточке Ming, потому что Ming не пытается выполнить эту задачу. Поэтому сравнение сводится к вопросу охвата, а не качества: если ваше приложение — голосовой интерфейс к аудиопотоку, Ming — более умелое ухо и меньший объём активных вычислений. Если ваше приложение — это камера плюс микрофон плюс динамик, LFM3-Omni-2B делает то, чего Ming не может сделать ни при каком размере, а аудиоразрыв — это плата, которую вы вносите за камеру.

Издержки не малы. Два процентных пункта WER для английского на голосовом интерфейсе — это разница между транскриптом, который можно быстро просмотреть, и тем, который приходится исправлять. Если аудиотракт — основной продукт, а компьютерное зрение — бонус, честная рекомендация — использовать Ming для аудио и отдельную модель зрения для кадров, даже если это означает два чекпойнта.

Счёт за память определяет больше развертываний, чем бенчмарк.

Ming-3.0-audio-tiny требует примерно 21 ГБ весов в BF16 или около 12,5 ГБ при int8-квантовании экспертов, а полноценное развёртывание с выводом аудио может разделить Thinker и Talker между двумя GPU. LFM3-Omni-2B требует около 4,3 ГБ. Это не маленькая разница: это разница между одной GPU среднего класса и машиной, под которую приходится планировать, и разница между телефоном и сервером.

Сравнение переворачивается в зависимости от того, что вы измеряете. 2,7 млрд активных параметров Ming делают его дешёвым в расчёте на токен, несмотря на общий размер, — в этом весь смысл разреженного MoE. LFM3-Omni-2B — плотная модель, поэтому каждый токен стоит все 2,17 млрд — но вся модель помещается в долю памяти и работает на оборудовании, недоступном Ming.

Здесь экономика маршрутизации становится осязаемой. OrcaRouter передаёт прайс-листы провайдеров без наценки, поэтому более дешёвый специалист и более дорогой универсал могут работать через один ключ без второго контракта, а изменение цены у поставщика отражается в вашем счёте в тот же день, а не при следующем продлении. Ни LFM3-Omni-2B, ни Ming-3.0-audio-tiny сегодня нет в нашем каталоге, так что это утверждение о том, как платформа формирует цены, а не заявление о том, что вы можете вызвать любую из этих моделей через нас прямо сейчас. Но паттерн, который создают эти две модели, — дешёвый специалист для типового случая, универсал для сложного — это именно то, для чего нужен роутер.

Вопрос о лицензии, который и есть настоящая развилка

Ming-3.0-audio-tiny распространяется под лицензией MIT. LFM3-Omni-2B — под LFM Open License v1.0, специальным соглашением с порогом выручки, который определяет, требует ли коммерческое использование отдельной договорённости. Для исследовательского прототипа разница чисто академическая. Для продукта это первое, о чём спросит юридический отдел, и это может перевесить разрыв в бенчмарках любого размера.

Лицензия MIT также объясняет, почему у Ming уже есть community-порты: сборки MLX, квантования GGUF, демо голосового ассистента на ROCm. Они существуют потому, что лицензия сделала их простыми в создании, и именно благодаря им Ming сегодня можно развернуть на оборудовании, которое Liquid никогда не тестировала. LFM3-Omni-2B был опубликован 27 октября и набрал 83 загрузки, и для него задокументирован лишь один путь обслуживания — только для текстового вывода. Его экосистемы пока не существует.

Практическая асимметрия очевидна. По точности аудио, эффективности использования памяти на активный параметр, языковому покрытию китайского языка и диалектов, свободе клонирования голоса и лицензирования Ming-3.0-audio-tiny сегодня является более надёжным выбором. По охвату модальностей и базовому размеру LFM3-Omni-2B — единственный из двух, кто может посмотреть на комнату и поговорить о ней.

Кому что нужно забрать?

Выбирайте Ming-3.0-audio-tiny, если вы создаёте речевой продукт — транскрипцию, голосовой диалог, клонирование голоса, анализ звонков — и вам либо не нужно компьютерное зрение, либо вы готовы дополнить его отдельной визуальной моделью. Лицензия MIT, существующие квантованные версии и преимущество двухточечного ASR делают его развёртывание менее рискованным, а разреженная архитектура снижает стоимость за токен, несмотря на общий объём 9,3 млрд параметров.

Выбирайте LFM3-Omni-2B, если у устройства есть камера и микрофон, а ограничивающим фактором является память. Чекпоинт на 4,3 ГБ, который видит, слышит и говорит, — это объект совсем иной категории, чем аудиоспециалист на 21 ГБ, и никакая точность ASR не компенсирует модель, которая не поместится. Примите, что вы покупаете широту, а не глубину, и что каждый относящийся к нему аудиопоказатель заявлен производителем и не воспроизведён.

Ни в одной из карточек моделей не сказано, как они ведут себя в одном и том же приложении. Этот тест — одинаковое аудио, одно и то же устройство, тот же бюджет задержки — никто за пределами двух компаний не проводил. Пока его не проведут, решение опирается на область применения и лицензирование, которые известны уже сегодня, а не на точность, которая неизвестна.