Ming-3.0-audio-flash против Gemini 3.8 Live: открытые веса, восемь GPU и счёт, который вы действительно сможете рассчитать

Один час непрерывного аудио на входе в G​emini 3.8 Live стоит $0.30 по опубликованной G​oogle прейскурантной цене. Один час аудио на выходе стоит $1.08. Двусторонняя голосовая сессия, где оба направления работают полный час, — $1.38. Ming-3.0-audio-flash вообще не имеет цены за минуту, потому что нет эндпоинта, который можно купить: это чекпоинт mixture-of-experts на 126 миллиардов параметров под лицензией MIT, и его стоимость — это столько, сколько вам обойдутся восемь H800 за час. Вот и всё сравнение в двух предложениях, и почти все остальные различия между этими двумя системами следуют из него. Документированные сбои ИИ и инциденты с агентами, связанные с релизами вроде этого, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, оценку достоверности и флаг спорности.

Дата имеет значение, потому что это не запуск. inclusionAI выложила веса Ming-3.0-audio-flash на Hugging Face 3 сентября 2026 года и ничего об этом не сказала. Шесть недель репозиторий фактически был папкой с шардами: ни кода для обслуживания, ни примеров, ни пригодной к использованию карточки. Репозиторий GitHub был создан 15 октября, профили vLLM-Omni и SGLang, голосовые пресеты и переписанная карточка модели появились в период с 15 по 19 октября, а на момент написания этой статьи в листинге Hugging Face указано 22 загрузки. G​emini 3.8 Live, напротив, — стабильная общедоступная модель Live API, которую G​oogle называет вариантом по умолчанию для голосовых агентов с низкой задержкой. Одна из них — продукт, который можно вызвать уже сегодня днём. Другая стала работоспособной на этой неделе и по-прежнему не имеет оператора.

Что на самом деле представляют собой эти две системы

Gemini 3.8 Live — это облачная потоковая модель, работающая через Live API. API принимает необработанное 16-битное PCM-аудио с частотой 16 кГц, изображения с частотой до одного кадра в секунду и текст, а возвращает необработанное PCM-аудио с частотой 24 кГц. В документации Google по Live API указано, что поддерживается 70 языков. Вы открываете сеанс, передаёте поток и получаете аудио в ответ; здесь нет контрольной точки, нет резервирования GPU и нет лицензии, которую нужно читать.

Ming-3.0-audio-flash — это аудио-языковая модель в более буквальном смысле. Аудиокодер и проектор подают сигнал в языковую основу на основе mixture-of-experts, а опциональный Talker превращает текстовый вывод модели в речь. Входные данные — это аудио плюс текстовая инструкция. Выходные данные — текст или текст с синтезированной речью. В карточке указаны китайский и английский как основные языки, «включая различные акценты и диалекты». Лицензия — MIT.

• Параметры — Ming: 126B всего, 6,5B активируется на каждом шаге инференса (в боковой панели Hugging Face отдельно указано 128B — расхождение, которое карточка не объясняет). Gemini 3.8 Live: не раскрыто.

• Языки — Ming: китайский и английский. G​emini 3.8 Live: 70 языков согласно документации Live API.

• Ввод — Ming: аудио и текстовая инструкция. Gemini 3.8 Live: аудио, изображения, текст.

• Вывод — Ming: текст, опционально речь. G​emini 3.8 Live: аудио и текст в рамках одной сессии.

• Лицензия — Ming: MIT на веса и код. Gemini 3.8 Live: соглашение о коммерческом API.

• Цена — Ming: тарифной сетки нет; вы платите за графические процессоры. G​emini 3.8 Live: $3.00 за миллион входных аудиотокенов или $0.005 за минуту; $12.00 за миллион выходных аудиотокенов или $0.018 за минуту; текст — $0.75 за входные и $4.50 за выходные за миллион.

Расчёт часа аудио, выполненный правильно

Приведённые выше цифры в расчёте на минуту стоит усвоить — и именно их большинство сравнений искажает, называя цены за токены читателю, который понятия не имеет, сколько токенов расходует минута речи. Лучше используйте поминутные тарифы, поскольку G​oogle публикует их напрямую.

• Только прослушивание, один час — 60 минут по $0.005 — это $0.30.

• Только разговор, один час — 60 минут по $0.018 — это $1.08.

• Полный час двустороннего общения — $1.38, без учёта любых текстовых токенов или вызовов инструментов.

• Тысяча часов двусторонней работы — $1,380.

Теперь тот же час работы на Ming-3.0-audio-flash. Эталонный профиль обслуживания для полного контекста 128K с речевым выводом — это тензорный параллелизм на восьми GPU H800 по 80 ГБ, согласно собственным примечаниям по развёртыванию в репозитории. Четыре GPU работают с проверенным профилем SGLang, но этот профиль поддерживает только текстовый вывод. Таким образом, честное сравнение для самостоятельного хостинга — это восемь GPU против тарифицируемой сессии. При гипотетических $2 за GPU-час один час мощности стоит $16 — и это за весь GPU, который можно амортизировать по параллельным запросам, а не по одному разговору. При десяти параллельных потоках стоимость на разговор падает ниже $1.60 в час; при ста — ниже $0.16. Это арифметика, а не измерения, и она игнорирует загрузку, эффективность батчинга и тот факт, что модель со 126 млрд параметров при 6,5 млрд активных параметров не насытит восемь H800 на коротких аудиоклипах.

Точка перелома реальна, но находится не там, где люди предполагают. Если одновременно идёт меньше примерно дюжины диалогов, Gemini 3.8 Live обходится дешевле аренды восьми H800 и намного дешевле их покупки. Выше этого порога — и при условии, что вы можете поддерживать батч заполненным, — открытый чекпоинт выигрывает по чистой стоимости вычислений, что и является всем экономическим аргументом в пользу открытых весов и причиной, по которой запоминать нужно требование о восьми GPU, а не количество параметров.

Что означает «понимание аудио» на каждой из сторон

G​emini 3.8 Live создан для разговора. Его задача — слышать вас, быстро отвечать и обеспечивать смену реплик. В списке моделей G​oogle он позиционируется как Live-модель по умолчанию «для большинства сценариев голосовых агентов с низкой задержкой без задержек на рассуждения», и это утверждение о бюджете задержки, а не о глубине аудиоанализа.

Ming-3.0-audio-flash нацелен на другую задачу. Пять ключевых особенностей карточки — это сложное распознавание речи в диалектах, акцентах, шуме и многодикторных записях; понимание длинных аудиозаписей; восприятие неречевых звуков, акустических сцен и музыки; рассуждение по аудиосодержимому; и речевое взаимодействие с опциональными синтезированными ответами. Это список возможностей транскрипции и анализа, к которому прикручен режим чата, а не список возможностей голосового агента.

Практическое следствие: если ваш продукт — это телефонный агент, который должен отвечать за 400 миллисекунд, то G​emini 3.8 Live — это именно то, что нужно, а Ming-3.0-audio-flash — нет, независимо от результатов бенчмарков. Если ваш продукт — это «принять 90-минутный отчётный звонок, сказать мне, кто что сказал, и отметить момент, когда изменился тон CFO», то карточка Ming описывает вашу задачу, а Live API — совсем другую.

Проблема бенчмарка, которую никто не решил

Ming-3.0-audio-flash включает в свой репозиторий три панели бенчмарков: распознавание речи, аудиоинтеллект и текст. Все значения указаны в процентах; больше — лучше, если не отмечено стрелкой вниз, а результаты со звёздочкой — это собственная оценка команды. В репозитории также добавлено примечание, что результаты моделей для сравнения были воспроизведены в собственной конфигурации оценки inclusionAI и могут отличаться от официальных отчётов этих моделей из-за промптов, настроек декодирования, версий моделей и пайплайнов.

Эта заметка необычно откровенна, и это также означает, что графики нельзя использовать для ранжирования Ming по сравнению с G​emini 3.8 Live. Числа содержатся в изображениях, а не в тексте README, и G​oogle не публикует сопоставимый набор тестов на понимание аудио для 3.8 Live. Не существует сторонней таблицы лидеров, в которой были бы оценены обе модели. Любой, кто показывает вам столбчатую диаграмму с этими двумя моделями рядом, построил её из заявлений вендора по одной оси и из ничего по другой.

Единственное честное утверждение, которое можно сделать сегодня: у Ming-3.0-audio-flash есть цифры, полученные самим вендором, и нет независимых, а у Gemini 3.8 Live есть опыт реальной эксплуатации и нет опубликованного бенчмарка на аудио-рассуждение. Это ничья в единственной категории, которая имеет значение для решения о покупке, — в доказательствах.

Где OrcaRouter подходит, а где — нет

Ming-3.0-audio-flash нет на нашей платформе. Мы не будем делать вид, что это не так: если вы хотите запустить её, клонируйте репозиторий, установите указанную в нём ветку vLLM-Omni или SGLang и подготовьте GPU. В этом сравнении роутер полезен для другой стороны решения — той, где вы уже решили, что хостируемая аудиомодель обслуживает ваш боевой трафик, и вопрос становится в том, какую хостируемую модель выбрать, по какой цене и с каким резервным вариантом при сбое сеанса. Это задача маршрутизации в масштабе более 200 моделей за одним ключом, по прейскурантной цене провайдера без наценки, поэтому изменение цены у поставщика доходит до вас в тот же день, а не при следующем продлении контракта.

Для команды, проверяющей, заслуживает ли открытый аудиочекпоинт продакшен-трафика, полезен такой подход: оставить хостинговый вариант как резервный и постепенно переносить нагрузку на самостоятельно размещённый Ming. Автоматическое переключение при сбоях делает такую миграцию обратимой, а не ставкой.

Выбор

Выбирайте G​emini 3.8 Live, если вам нужен голосовой агент в продакшене в этом квартале, требуется поддержка более двух языков, нужны изображения в том же потоке или вы ожидаете менее двенадцати одновременных разговоров. Поминутная плата невелика, операционная нагрузка нулевая, а модель стабильна и задокументирована.

Выбирайте Ming-3.0-audio-flash, если вам нужно владеть весами, если нужно работать на собственных серверах или в изолированной среде, если нужны условия MIT, если вы работаете в основном с китайским и английским и располагаете восемью H800 или планировщиком, который может их вам выделить. Ожидайте, что оценку придётся делать самостоятельно, потому что никто не сделал её за вас. Ожидайте, что инструментарий появился всего несколько дней назад, потому что это так. И ожидайте, что карточка модели будет постоянно меняться у вас под руками: её последний коммит был в день написания этого текста.

Есть и третий случай, и он самый массовый. Если вы пока не знаете, к какому из этих двух относитесь, значит, вы ещё не готовы выбирать между API с оплатой по факту потребления и развёртыванием на восьми GPU. Сначала прогоните сто часов собственного аудио через модель, размещённую у провайдера, измерьте, какая точность вам действительно нужна, и пусть эта цифра решит, стоит ли открытый чекпоинт целой стойки.

Что посмотреть

То, что изменило бы это сравнение, — не бенчмарк. Это оператор. Как только провайдер инференса начнёт предлагать Ming-3.0-audio-flash через OpenAI-совместимый эндпоинт с почасовой ценой, аргумент о восьми GPU перестанет быть проблемой читателя, а у часа за $1.38 появится конкурент. До тех пор честный вывод таков: Google продаёт минуту, а inclusionAI отдаёт машину бесплатно, и они сопоставимы, только если машина у вас уже есть.