Сгенерированная титульная карточка с надписью «Ming-3.0-audio-flash лидирует по речевому рассуждению с результатом 99,8%», с подзаголовком, где отмечается первое место в Artificial Analysis Big Bench Audio 18 ноября 2026 года и что чекпойнт был выпущен 3 сентября без тарифной сетки. Четыре статистических чипа показывают «99,8% Big Bench Audio», «№1 из 42 моделей», «1,12 с до первого аудио» и «цена не опубликована». В нижнем колонтитуле указано: «Оценки по данным Artificial Analysis, 18 ноября 2026 года».
Engineering & Research

Ming-3.0-audio-flash возглавляет рейтинг Artificial Analysis Speech Reasoning с результатом 99,8% — на один пункт впереди и по-прежнему без цены

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Artificial Analysis теперь ставит Ming-3.0-audio-flash на первое место в своей таблице Speech Reasoning — оценке Big Bench Audio — с точностью 99,8%, опережая StepAudio 3 Realtime с 99,7%, Q​wen Audio 3.0 Realtime Plus с 99,2%, Eleven Realtime v1 Max с 98,8%, G​rok Voice 3.0 с 98,5%, Gemini 3.8 Live Extended Thinking (High) с 97,7% и GPT-Realtime-2.1 High с 95,8%. Утверждение исходило от Ant Ling 18 ноября 2026 года в 08:37 UTC, через девятнадцать минут после того, как в собственный репозиторий модели были внесены правки, добавившие ту же цифру и изображение таблицы лидеров. Вся суть — в этой хронологии: модель, выпущенная в сентябре без оценки третьей стороны, теперь имеет такую оценку, и эта цифра очень близка к потолку.

Если быть точным в том, что ново, а что нет, — потому что это не запуск. inclusionAI опубликовала веса Ming-3.0-audio-flash на Hugging Face 3 сентября 2026 года и шесть недель ничего об этом не сообщала; карточка модели, профили обслуживания и пример кода появились только между 15 и 19 октября. Сегодня изменилась оценка, а не чекпоинт. Шарды safetensors — те же байты, что и в сентябре. Поэтому честная формулировка такова: аудиомодель с открытыми весами, которой уже семь недель, только что была оценена кем-то, кроме её автора, и оказалась лучшей.

Что Big Bench Audio на самом деле требует от модели

Стоит конкретизировать, что представляет собой этот тест, потому что «речевое рассуждение» звучит как нечто, что голосовой агент делает в разговоре, хотя в основном это не так. Big Bench Audio — это набор вопросов с множественным выбором в аудиоформате: модель слышит запись, слышит или читает вопрос о ней и выбирает ответ. Он оценивает способность удерживать произнесённый фрагмент в контексте и применять к нему обычные рассуждения. Он не оценивает соблюдение очерёдности реплик, обработку перебиваний, сигналы слушания или способность звучать как человек. Всё это относится к другому рейтингу Artificial Analysis — Full Duplex Bench, где у Ming-3.0-audio-flash сейчас вообще нет опубликованной оценки.

Здесь это различие важнее, чем обычно, потому что при 99,8% метрика почти достигла потолка. В таблице из 42 моделей разница между первым и пятым местами составляет один процентный пункт. Между первым местом и моделью на тринадцатом месте — GPT-Realtime-2.1 High — она составляет четыре пункта. Тест, на котором почти все современные модели набирают девяносто с лишним процентов, — это тест, который перестал различать лидеров, а преимущество в один пункт над StepAudio 3 Realtime — это несколько заданий в бенчмарке, число заданий в котором никто, кроме Artificial Analysis, проверить не может. Воспринимайте рейтинг как «эта модель входит в верхнюю группу», что действительно полезно, а не как «эта модель измеримо лучше слышит, чем всё остальное», чего это число не подтверждает.

Табло по порядку — для тех, кому нужна расстановка сил, а не заголовок:

• 1 — Ming-3.0-audio-flash, 99,8%

• 2 — StepAudio 3 Realtime, 99,7%

• 3 — Q​wen Audio 3.0 Realtime Plus, 99,2%

• 4 — Phonic 1 (высокий), 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 (High), 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.

Одна деталь в собственной документации поставщика заслуживает упоминания, потому что именно такое обычно тихо выпадает из внимания. Изображения с оценками в карточке модели inclusionAI, загруженные в октябре, показывают модель flash с результатом 99,40 по «BigBenchAudio». Artificial Analysis теперь сообщает 99,8. Это два разных прогона похожего бенчмарка, и разрыв не является ошибкой ни в одном из них — это обычный разброс, который возникает, когда тестовая обвязка, формат промпта и подмножество заданий не идентичны. Это также напоминание о том, что октябрьская таблица поставщика и сегодняшний сторонний рейтинг — не взаимозаменяемые числа, даже если у них почти одинаковая подпись.

Что не говорит совет директоров

В записи Artificial Analysis отсутствуют три вещи, и каждая из них важнее для решения о развёртывании, чем показатель точности.

Первое — цена. У Ming-3.0-audio-flash нет тарифа за токен или за минуту на Artificial Analysis, потому что покупать нечего: это mixture-of-experts-чекпойнт с 126 млрд параметров под лицензией MIT, из которых 6,5 млрд параметров активны на каждом шаге. Стоимость равна стоимости оборудования. В собственных заметках inclusionAI по развёртыванию эталонный профиль обслуживания 128K описан как тензорный параллелизм на четырёх 80-ГБ H800 с резервным вариантом на восьми GPU для длинного аудио и проверенным профилем SGLang на четырёх GPU, возвращающим только текст. Каждая модель выше неё в таблице лидеров, кроме неё самой, — это тарифицируемый API. Сравнивать их только по точности — значит сравнивать оценку бенчмарка с оценкой бенчмарка и игнорировать, что одна сторона таблицы — это покупка, а другая — подписка.

Второй показатель — задержка. Artificial Analysis действительно измеряет время до первого аудио, и Ming-3.0-audio-flash показывает 1,12 секунды. Eleven Realtime v1 Max — 0,57 секунды, примерно вдвое меньше. Если ваше приложение — голосовой агент, который должен ответить в пределах разговорной паузы, победа в бенчмарке не компенсирует секунду мёртвой тишины, а порядок в таблице лидеров ничего не говорит о том, с каким из этих двух чисел вы можете мириться.

Третье — поведение в разговоре. Оценки Full Duplex Bench есть для Eleven Realtime v1 Max (0,941 в целом, при этом обработка прерываний — 0,99, а соблюдение очерёдности реплик — 1,0) и для нескольких realtime-моделей Gemini и GPT. У Ming-3.0-audio-flash нет оценки FDB, нет разбивки по динамике разговора и нет опубликованных измерений того, как он обрабатывает прерывания. Модель может отлично отвечать на вопросы с множественным выбором об аудио и всё равно перебивать вас.

И собственные октябрьские показатели поставщика — наименее лестное свидетельство во всей этой картине. На той же карточке, где рекламируется победа в речевом рассуждении, inclusionAI опубликовала показатель long-audio chain 12,31 против 34,54 у Qwen3.8-Omni Flash и 49,63 у Gemini 3.8 Flash, LongAudioSpan 41,12 против 66,40 и частоту ошибок диаризации говорящих на AMI 25,29 против 11,16 у MiMo-V2.6 Pro. Это цифры самого поставщика, на выбранных поставщиком задачах, и они описывают модель, которая отлично справляется с коротким аудио в формате вопросов и ответов и слаба в рассуждениях по длинной записи. Ничто в показателе 99,8 по Big Bench Audio этого не меняет, потому что Big Bench Audio — не тест на длинное аудио.

Семнадцатиминутный разрыв между карточкой и твитом

Коммит в репозитории имеет метку времени 08:26:48 UTC 18 ноября и озаглавлен (частично) «Обновить оценку Flash BBA до 99,8% и добавить общий результат №1 в таблице лидеров…». Пост от Ant Ling последовал в 08:37:02. Тот же коммит затронул карточку крошечного соседнего проекта сорок восемь секунд позже, добавив то же предложение — общий абзац о бенчмарке, скопированный в оба репозитория, и ещё одна причина проверять, к какому чекпойнту на самом деле относится число, прежде чем его цитировать.

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.'

Эта последовательность говорит о том, что карточка модели теперь следует за таблицей лидеров, а не наоборот. В течение шести недель единственным доказательством производительности Ming-3.0-audio-flash был набор PNG-изображений в папке assets/, созданный командой, которая его обучала. Это не мелочь — оценки вендора обычно честны, просто оптимистичны в выборе задач — но это иная категория доказательств по сравнению с третьей стороной, которая запускает собственный тестовый стенд и публикует место в рейтинге. Интересно в сегодняшнем дне не то, что вендор заявляет о первом месте. А то, что модель туда поместила организация, не заинтересованная в результате.

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.

Где маршрутизатор уместен, а где нет

OrcaRouter не обслуживает Ming-3.0-audio-flash. Её нет в нашем каталоге, мы не можем предоставить для неё эндпоинт, и ничто здесь не следует рассматривать как предложение. Если вы хотите её запустить, клонируйте репозиторий, установите кодовую ветку Transformers 5 или один из профилей обслуживания SGLang-Omni и выделите для неё как минимум четыре карты по 80 ГБ. Это инфраструктура, а роутер инфраструктурой не занимается.

Роутер как раз и обеспечивает вторую половину любого речевого конвейера. Голосовое приложение на базе аудиомодели, развёрнутой на собственной инфраструктуре, по-прежнему в основном остаётся работой с текстом: промпт, определяющий, что именно запросить у записи, постобработка, превращающая языковую метку, разделённую табуляцией, в структурированный вывод, сводка, составленная по транскрипту, классификатор, который направляет шумный звонок человеку. Всё это — обычные чат-вызовы, и один API для более чем 200 моделей с наценкой 0% — цена из прайс-листа провайдера передаётся как есть, поэтому снижение цены поставщиком в тот же день действует и на нашей стороне, — это проще подключить, чем второй и третий контракт с поставщиком. Автоматическое переключение при сбоях позволяет использовать непроверенную модель с открытыми весами для части трафика, не ставя на неё весь путь.

Суть именно в границе. Чекпоинт на 259 ГБ, который вы запускаете на собственных GPU, — это решение о капитальных затратах; роутер лишь маршрутизирует вызовы. Он не превращает кластерную модель в облачную и не делает 99,8% на бенчмарке с вариантами ответов доказательством чего-либо о вашем продукте.

Что сделало бы это осмысленным?

Три измерения превратили бы сегодняшний заголовок в решение, и все три — это то, что Artificial Analysis или арена могли бы опубликовать, ничего не спрашивая у inclusionAI. Оценка Full Duplex Bench показала бы, соответствует ли поведение в диалоге пониманию. Результат на длинном аудио на публичном наборе проверил бы ту единственную ось, на которой собственная таблица поставщика слабее всего. А второй независимый прогон Big Bench Audio — с другим стендом, другой выборкой заданий — сказал бы вам, является ли 99.8 эффектом потолка или реальным разрывом.

До тех пор точная формулировка остаётся узкой, и её стоит произнести прямо: аудиомодель с открытыми весами от Ant Group, выпущенная в сентябре и описанная в октябре, теперь занимает первое место в стороннем бенчмарке речевого рассуждения с отрывом в один процентный пункт от следующей модели, при отсутствии опубликованной цены, вдвое большем времени до первого аудио, чем у самого быстрого конкурента в этом рейтинге, и полном отсутствии оценки диалоговых способностей. Это реальный результат. Это также гораздо более скромное утверждение, чем «лучшая голосовая модель», и разница между этими двумя фразами — это то место, где ещё должна произойти большая часть полезного осмысления этой модели.

Сравнение в этой статье2

Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно

© 2026 OrcaRouter