LFM3-Audio-2B vs Ming-3.0-audio-flash: Ett laptop-checkpoint mot ett öra med åtta GPU:er

Det första talet som skiljer LFM3-Audio-2B från Ming-3.0-audio-flash är inte ett benchmark. Det är åtta. Ming-3.0-audio-flash, InclusionAI:s ljudspråkliga mixture-of-experts-modell med 126B parametrar och 6,5B aktiva, kräver tensorparallellism över åtta 80 GB H800:or för att serva sin fullständiga 128K-kontextprofil med talutdata — fyra GPU:er ger dig en validerad SGLang-väg som enbart hanterar text, eftersom Talker-modulen inte får plats. LFM3-Audio-2B, som Liquid AI släppte den 27 oktober 2026 inom den sex modeller stora LFM3-familjen, är en 2B-checkpoint som kommer som en Ollama-nedladdning på 2,1 GB. Båda har öppna vikter. Bara en av dem är ett beslut som en enskild utvecklare kan fatta i eftermiddag.

Det gapet är hela jämförelsen, och det är värt att motstå det uppenbara misstaget att behandla det som en kvalitetsranking. Ming-3.0-audio-flash hör mycket mer än LFM3-Audio-2B gör: långa inspelningar, flera talare, musik, akustiska scener, icke-talljud. LFM3-Audio-2B är byggd för en röstloop på en laptop – igenkänning, syntes, översättning och talade verktygsanrop på 18 språk. Ming är ett öra med en mun fäst vid sig; Liquids modell är en mun med ett öra fäst vid sig. Frågan är vilket jobb du faktiskt har.

Två tysta skepp, två olika slags tystnad

Ingen av modellerna hade en konventionell lansering, och skillnaden i hur de framträdde säger dig vad du kan förvänta dig av varje repository.

Ming-3.0-audio-flash laddades upp till Hugging Face den 3 september 2026 utan något tillkännagivande och förblev sedan oanvändbar i sex veckor tills serveringskoden, exemplen och det omskrivna modellkortet publicerades mellan 15 och 19 oktober. GitHub-repot skapades den 15:e; modellkortet redigerades fortfarande den 19:e. HF-sidan visar 22 nedladdningar förra månaden. Den är MIT-licensierad, och referensdistributions-YAML:erna finns i repot.

LFM3-Audio-2B dök upp den 27 oktober som en av sex modeller i Liquids familjelansering och delar LFM3-1.7B-Base-stommen. Ljudgrenen fick ett stycke i familjeinlägget plus ett modellkort; det finns inget fristående ljudtillkännagivande och ingen prisuppgift för den på Liquids webbplats. Inom ett dygn hade den en mergad pull request för llama.cpp (#31257) och en Ollama-build. Skillnaden är verktygens snabbhet, inte dokumentationens djup: Ming har benchmarkpaneler som bilder, Liquid har en sexradig tabell utan namngiven testharness.

Vad var och en kan höra

• Indata — LFM3-Audio-2B: text eller 16 kHz-ljud. Ming-3.0-audio-flash: ljud plus en textinstruktion.

• Utdata — LFM3-Audio-2B: text, 24 kHz-tal eller interfolierad text och tal. Ming-3.0-audio-flash: text, eller text med syntetiserat tal via den valfria Talker.

• Kontext – LFM3-Audio-2B: 32K tokens, indata plus utdata. Ming-3.0-audio-flash: 128K tokens, höjt från 8 192 i en commit i oktober.

• Språk — LFM3-Audio-2B: 18 språk listas som 19 lokaler eftersom engelska förekommer som US- och UK-varianter; live-ASR är endast på engelska. Ming-3.0-audio-flash: kinesiska och engelska, inklusive accenter och dialekter — kantonesiska, shanghainesiska, hunanesiska och hokkien nämns i familjens täckning.

• Licens — LFM3-Audio-2B: LFM Open License v1.0, gratis kommersiellt under $10M årlig intäkt. Ming-3.0-audio-flash: MIT.

• Maskinvaruminimum — LFM3-Audio-2B: kan köras på CPU via GGUF, 2,1 GB. Ming-3.0-audio-flash: åtta H800:or på 80 GB för den fullständiga ljudprofilen, fyra för endast text.

Språkraden är där de två oftast misstolkas. Arton språk låter bredare än två, och för syntes är det det. Men de 18 är mestadels europeiska plus japanska, koreanska och kinesiska, och Liquid begränsar uttryckligen live-ASR till engelska. Mings två språk kommer med dialekttäckning som betyder mer i ett kinesiskt kontaktcenter än en lång lista över språkvarianter gör. Om din ljudinspelning är mandarin med kodväxling är Mings till synes snäva språkpåstående det starkare; om du behöver en nederländsk eller svensk röst på en bärbar dator är LFM3-Audio-2B den enda av de två som hävdar det.

Det enda numret som stämmer – och varför det fortfarande inte är ett avgörande

Båda leverantörerna publicerar en VoiceBench-siffra, vilket gör den till det närmaste vi kommer en gemensam axel här. Ming-3.0-audio-flash rapporterar 86,74. LFM3-Audio-2B rapporterar 73,13. Vid första anblick är det en skillnad på 13,6 punkter till fördel för Ming-3.0-audio-flash.

Behandla det som en hypotes, inte ett resultat. De två siffrorna kommer från olika harnessversioner, olika promptar och olika avkodningsinställningar, och inget av kodförråden anger den exakta konfigurationen. Mings egna material varnar för att jämförelsemodellerna återskapades under inclusionAI:s utvärderingsupplägg och kan skilja sig från officiella rapporter på grund av promptar, avkodning, versioner och pipelines. Liquids tabell namnger inte alls sin testuppsättning. Ett leverantörstal jämfört med en annan leverantörs tal är en ordning av två påståenden, inte en mätning av två modeller.

Samma försiktighet gäller resten av Mings panel: kinesisk ASR har genomsnittlig CER 3.45, engelsk WER 3.69, dialekt-CER 9.40, BigBenchAudio 99.40, MMAU 82.00 – alla leverantörsrapporterade, alla endast för visning. Jämfört med LFM3-Audio-2B:s engelska WER 6.23 och MMAR 50.60 är riktningen konsekvent: Ming är den starkare lyssnaren. Storleken fastställs inte av något som något av labben har publicerat.

Vad licensen ger, och vad den kostar

MIT är en renare licens, och det är inte ens nära. LFM Open License v1.0 är gratis under en intäktströskel och kräver en betald kommersiell licens över den; MIT har ingen tröskel. För ett företag som förväntar sig att växa förbi $10M är den skillnaden en budgetpost i inköpsprocessen, inte en fotnot.

Licensen är också den mindre hälften av kostnaden. Mings lägstanivå med åtta GPU:er är ett kapitalbeslut med avskrivningsplan, rack och personsökare. Liquids nedladdning på 2,1 GB körs på en laptop-CPU via GGUF, med MLX 4-bit för Apple silicon och ONNX Runtime för portabilitet. Marginalkostnaden för den tusende timmen ljud är nästan noll för båda; den fasta kostnaden skiljer sig med tre storleksordningar.

Det gör inte Ming dyrt. Det gör Ming till ett annat köp. Om din arbetsbelastning är stadig och ditt ljud inte kan lämna byggnaden kan det vara billigare att äga ett 126B-öra än att betala per minut i åratal – brytpunkten är en utnyttjandekalkyl, inte ett benchmark. Om din arbetsbelastning är en prototyp, en demo eller en produkt vars ljudmängd fortfarande är okänd, är profilen med åtta GPU:er ett vad som ingås innan bevisen har kommit.

Prova innan du köper

Det praktiska problemet med båda modellerna är detsamma: utifrån ett modellkort kan du inte avgöra om någon av dem fungerar på dina inspelningar. Mings serveringsväg förutsätter hårdvara som de flesta team inte har; Liquids körs var som helst men har ingen oberoende utvärdering. Det billiga draget i båda fallen är att mäta på ett litet urval innan du bestämmer dig.

OrcaRouter är inte värd för någon av dessa checkpoints, så routingargumentet gäller inte för själva ljudlagret. Det gäller en nivå upp. En röstpipeline består av en ljudmodell plus en textmodell som klassificerar, sammanfattar eller dirigerar det som hördes, och det är i det andra anropet som en router gör sig förtjänt av sin plats: fler än 200 modeller bakom en enda nyckel till leverantörens listpris utan påslag, automatisk redundansväxling mellan leverantörer, och ett routing-DSL om du vill kombinera flera till ett anrop. Kör dina tjugo sämsta inspelningar genom ljudmodellen och kör sedan transkriptionerna genom samma nedströmsmodell på samma endpoint – det håller jämförelsen ren och kostar nästan ingenting.

Vilken ska man välja?

Välj LFM3-Audio-2B om modellen måste köra på en maskin du redan äger, om du behöver talutmatning på ett språk som Ming inte täcker, eller om du prototypar en röstbaserad loop för verktygsanrop och vill ha modellen på samma maskin som verktygen. Acceptera att igenkänningsdelen är medelmåttig och att live-ASR endast fungerar för engelska och fortfarande är en uppföljande pull request i llama.cpp.

Välj Ming-3.0-audio-flash om jobbet handlar om förståelse snarare än samtal: långa möten, brusiga inspelningar med flera talare, ljudresonemang eller en arbetsbelastning på kinesiska där dialekttäckning spelar roll. Budgetera för de åtta GPU:erna, eller acceptera textprofilen med fyra GPU:er och ge upp Talker. Kör sedan din egen utvärdering innan du tror på någon av leverantörernas panel.

Välj ingen av dem ännu, om du inte kan ange vilket av de två jobben du har. Modellerna är fyra dagar respektive sex veckor gamla, dokumentationen för båda är tunnare än deras kapacitetspåståenden, och den första oberoende direktjämförelsen på en delad korpus kommer att vara värd mer än varje siffra i den här artikeln. Tills den finns är hårdvarugolvet den mest ärliga utslagsgivaren som finns: en av dem får plats på din laptop, och den andra får plats i ett rack.