
Ming-3.0-audio-flash возглавляет рейтинг Artificial Analysis Speech Reasoning с результатом 99,8% — на один пункт впереди и по-прежнему без цены
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 185 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 228 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 89 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 98 tok/s
- orcaНОВИНКАOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
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%, Qwen Audio 3.0 Realtime Plus с 99,2%, Eleven Realtime v1 Max с 98,8%, Grok 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 — Qwen Audio 3.0 Realtime Plus, 99,2%
• 4 — Phonic 1 (высокий), 98,9%
• 5 — Eleven Realtime v1 Max, 98,8%
• 7 — Grok Voice 3.0, 98.5%
• 8 — Gemini 3.8 Live Extended Thinking (High), 97.7%
• 13 — GPT-Realtime-2.1 High, 95.8%

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.

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.

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
