Ming-3.0-audio-flash против Qwen3.8-Omni-Flash: собственная таблица вендора уже определила победителя

Есть таблица сравнения, которая разрешает большую часть этого спора, и её опубликовал один из двух поставщиков. На собственных оценочных изображениях inclusionAI для Ming-3.0-audio-flash эталонный столбец — это Qwen3.8-Omni-Flash — закрытая omni-модель Alibaba, доступная API-клиентам с 18 сентября 2026 года — и результаты идут в обе стороны. Ming выигрывает строки с диалектами с большим отрывом и проигрывает строки рассуждений по длинному аудио почти в три раза. Это необычайно полезно, потому что означает, что вопрос не «какая модель лучше», а «какой из этих двух режимов отказа выдержит ваша нагрузка». Ming-3.0-audio-flash — это аудио-языковой чекпойнт inclusionAI на 126B всего и 6,5B активных параметров, загруженный 3 сентября 2026 года и задокументированный 19 октября; Qwen3.8-Omni-Flash — это хостируемая модель только с текстовым выводом, с контекстом в один миллион токенов и без весов. Одной вы владеете, другую арендуете, и их опубликованные сильные стороны почти не пересекаются. Задокументированные сбои ИИ и споры вокруг вендорских бенчмарков, стоящие за подобными сравнениями, собраны в OrcaRouter AI Incident Archive, где каждая запись имеет собственные источники, уровень серьёзности, степень уверенности и флаг спорности.

Два способа прочитать час аудиозаписи

Обе модели принимают аудио и текст и возвращают текст. Это утверждение верно для обеих моделей и вводит в заблуждение относительно обеих, потому что масштаб, в котором они работают, совершенно разный.

Qwen3.8-Omni-Flash принимает на вход текст, изображения, аудио и видео, обрабатывает до часа непрерывного аудиовидео в рамках одного вызова, несёт контекст в миллион токенов (максимальный ввод — около 991K, вывод — до 131K при бюджете рассуждений 262K) и отвечает только текстом. Подача запуска от Alibaba строилась вокруг счёта, а не оценки: на 98% дешевле за час аудиовхода, чем Qwen3.5-Omni-Plus, и на 93% дешевле за час аудиовидео, причём почасовые цифры получены путём оценки двухминутного образца и умножения на тридцать, видео сэмплировалось в 720p и один кадр в секунду. Международные цены — $0.15 за миллион входных токенов, $0.016 за кэшированные, $0.47 за выходные.

Ming-3.0-audio-flash принимает аудио и текст, возвращает текст или текст вместе с речью через опциональный Talker и имеет контекст 128K — цифру, которую его конфигурация не заявляла до 13 октября, когда коммит с одним файлом поднял max_position_embeddings с 8 192 до 131 072. Его эталонный профиль обслуживания — тензорный параллелизм на восьми 80-ГБ H800, а объём загрузки — примерно 259 ГБ. Цены за токен нет, потому что нет эндпоинта.

Итак, единица Qwen — это вызов; единица Ming — это узел. Это первое решение, и обычно оно определяет всё остальное.

Что говорит собственная таблица inclusionAI, строка за строкой

Каждое число в этом разделе взято из трёх PNG-файлов в папке assets/ репозитория Ming — собственный прогон inclusionAI, на собственном харнессе, со звёздочками, отмечающими строки, которые он оценивал сам. Ничто из этого не было воспроизведено. Читайте это как публичное описание вендором самого себя — больше, чем делают большинство вендоров.

• Средний показатель ASR для китайского языка — Ming с коэффициентом ошибок 3,45 против 3,54 у Qwen3.8-Omni-Flash и 9,83 у Gemini 3.8 Flash. Незначительная победа.

• Среднее значение ASR для английского — 3,69 против 4,02 и 5,05. Также небольшой.

• Среднее по диалектам — 9,40 против 11,58. Разрыв шире, и это главное утверждение: кантонский — 4,09 против 4,76, шанхайский — 11,15 против 21,10, хуннаньский — 8,76 против 17,11, хоккиен — 12,84 против 26,32.

• Хубэй — 9,46 против 7,75. Q​wen выигрывает эту строку, и inclusionAI всё равно её опубликовала — это главная причина доверять остальной таблице.

• Диаризация спикеров, AISHELL-4: частота ошибок диаризации у Ming — 8.58 против 2.80 у Q​wen. На AMI — 25.29 у Ming против 11.16 у MiMo-V2.6 Pro.

• Оценка Long-audio Chain — Ming 12.31 против Q​wen 34.54, Q​wen в режиме размышления 48.70 и Gemini 3.8 Flash 49.63. Это четырёхкратный разрыв, и он касается метрики, которую вендор решил опубликовать.

• LongAudioSpan — 41,12 против 66,40. MMAR — 74,40 против 77,70. MMSU — 78,82 против 82,10.

• Ключевые строки по аудио-рассуждению — Ming набирает 99.40 в BigBenchAudio и 82.00 в MMAU; вызов инструментов в BFCL-v3 Audio — 81.40 против 86.68 у Gemini 3.8 Flash.

Эта закономерность не случайна. Ming наиболее силён, когда задача — «что именно было сказано, включая акцент», и наиболее слаб, когда задача — «удерживать в уме длинную запись и рассуждать по ней». Q​wen — наоборот: окно в миллион токенов и бюджет на рассуждения — это ровно тот механизм для второй задачи, и ничто в его материалах запуска не указывает на настройку под каждый диалект.

Утверждение о диалекте — это вся суть дела, и оно уже, чем кажется.

Если вы возьмёте из таблицы поставщиков что-то одно, пусть это будет вот что: разрыв, который выдерживает проверку, — это распознавание китайской речи с диалектными особенностями и акцентами, а не общий аудиоинтеллект. Для шанхайского диалекта 11,15 против 21,10 — это примерно вдвое меньшая частота ошибок. Для хунаньского диалекта 8,76 против 17,11 — примерно вдвое. Для хоккиен 12,84 против 26,32 — примерно вдвое. Это большие и стабильные расхождения по пяти строкам с диалектами, и это именно тот результат, который возникает из решения на этапе обучения, а не из трюка с бенчмарком.

Оговорки важны не меньше, чем цифры. Тестовые наборы — собственный выбор поставщика; тестовый стенд — поставщика; эталонные значения для Qwen3.8-Omni-Flash были получены inclusionAI при запуске модели Alibaba, а не самой Alibaba. То, что конкурент оценивает модель соперника, — обычная практика, и это также конфигурация, которая с наибольшей вероятностью может случайно дать лестный результат. Единственная строка, выбивающаяся в другую сторону, — Hubei — является самым сильным доказательством того, что таблица не была просто отредактирована.

А четырёхкратный разрыв на длинных аудио — это не погрешность округления, которую можно обойти при проектировании. Если ваша рабочая нагрузка — девяностоминутный звонок по финансовым результатам, и вам нужна сводка с перекрёстными ссылками, собственные цифры Ming указывают, что режим мышления Qwen — лучший инструмент вчетверо по метрике, которая измеряет именно это.

Доступность решает больше, чем бенчмарки

У Qwen3.8-Omni-Flash есть только один дом: платформа Qianwen от A​libaba и A​libaba Cloud Model Studio — с отдельными международными эндпоинтами и эндпоинтами для материкового Китая, отдельным биллингом и отдельной валютой. Он обрабатывает запросы в формате OpenAI, поэтому клиентский код в основном переносится, но эндпоинт непереносим, и резервной цели для переключения при сбое нет. Веса не выпущены, и об их выпуске не объявлено. OrcaRouter его не обслуживает.

У Ming-3.0-audio-flash вообще нет endpoint. Это веса под лицензией MIT с карточкой модели, репозиторием GitHub, созданным 15 октября, YAML-файлами развёртывания для трёх профилей, двумя примерами клиентов и голосовым руководством на 150 КБ. Проект vLLM-Omni поддерживает предыдущее поколение Ming и имеет открытый pull request для модели Ming TTS 7.9B, но для этого аудио-языкового чекпойнта ничего не смержено; практический путь сегодня — Transformers с trust_remote_code=True, что нормально для оценки и слабо для сервиса.

Поставьте эти два абзаца рядом — и компромисс станет очевиден. Q​wen даёт вам продакшен-эндпоинт без резервного варианта и без видимости. Ming даёт вам чекпоинт с полной видимостью и без эндпоинта. Команда с GPU-узлом и требованием соответствия выбирает Ming. Команда с дедлайном выбирает Q​wen и принимает риск единственного источника.

Как выглядит срединный путь

Есть третий вариант, который не описан в документации ни у одного из поставщиков, и о нём стоит сказать прямо, потому что именно так на практике поступает большинство команд: использовать облачную модель для той работы, в которой она сильнее, а открытые веса — для той работы, в которой сильнее они, в одном и том же конвейере.

Конкретно — организация поддержки, обрабатывающая звонки на мандаринском языке от людей, говорящих на диалектах. Поступает аудио, и лёгкий классификатор решает, является ли речь звонящего стандартной или с сильным акцентом. Стандартное аудио направляется в Qwen3.8-Omni-Flash для долгоконтекстного резюме с рассуждением по всему звонку. Аудио с акцентом направляется в Ming-3.0-audio-flash для транскрипции, и транскрипт возвращается в текстовый конвейер для суммирования. Ни одна из моделей не видит весь объём работы; каждая видит ту часть, в которой выигрывает.

Эта архитектура требует больше работы, чем выбор одного поставщика, и это единственная, которая честно использует таблицу поставщиков, потому что сама таблица говорит, что две модели дают сбой на разных входных данных.

Где именно находится OrcaRouter

В этой статье мы не предоставляем ни одну из этих моделей. Qwen3.8-Omni-Flash размещена в A​libaba и отсутствует в нашем каталоге; Ming-3.0-audio-flash имеет открытые веса и отсутствует в нашем каталоге. Читатель, который зарегистрируется в ожидании любой из них, будет разочарован, поэтому лучше сказать об этом здесь, чем в конце формы регистрации.

Конвейеру классификации и суммирования, описанному выше, нужно именно то, что даёт маршрутизатор: единый ключ для текстовой части цепочки, правило маршрутизации, которое направляет стандартное аудио в одну сторону, а аудио с акцентом — в другую, и резервный путь на случай деградации провайдера. Один API для более чем 200 моделей с нулевой наценкой — цена из прайс-листа провайдера передаётся как есть, поэтому снижение цены поставщиком в тот же день действует и на нашей стороне — это проще эксплуатировать, чем три контракта и две биллинговые системы, и автоматическое переключение при сбое является ответом на риск единственного источника, свойственный любой хостинговой omni-модели. DSL маршрутизации — это то, где фактически выражается речевой конвейер с двумя ветвями. Он не является и не может быть заменой чекпоинта размером 259 ГБ.

Для двух типов команд

Если вы в этом квартале делаете продукт со звуком и без бюджета на GPU, то ответ — Qwen3.8-Omni-Flash, с той оговоркой, что вы арендуете у одного поставщика и стоит написать клиент так, чтобы эндпоинт был значением конфигурации, а не константой. Его контекстное окно и бюджет на рассуждения действительно больше, чем может предложить любая открытая альтернатива.

Если вы строите инфраструктуру — сервис транскрипции, локальный конвейер для комплаенса, что угодно, где вендорский эндпоинт — это обуза, а не удобство, — Ming-3.0-audio-flash является серьёзным открытым вариантом, и причина именно в показателях по диалектам. Заложите в бюджет один узел, месяц на интеграцию и прочитайте строки диаризации, прежде чем кому-либо обещать метки говорящих.

Неброский вывод состоит в том, что эти две модели — не столько соперники, сколько разделение труда, которое ни один из поставщиков не имеет стимула описывать. inclusionAI опубликовала таблицу, которая это показывает. Это ценнее, чем пост о запуске.