LFM3-Omni-2B vs Ming-3.0-audio-flash: En telefon mot ett rack

Stycklistan avgör den här jämförelsen innan benchmarkarna ens får komma till tals. Ming-3.0-audio-flash har 126 miljarder parametrar, ungefär 259 GB bfloat16-vikter och en referensprofil för servering byggd på 80 GB H800:or med tensorparallellism – fyra i 128K-konfigurationen, åtta när långa ljudklipp får minnet att ta slut. LFM3-Omni-2B har 2,17 miljarder parametrar, levereras som vanliga BF16-vikter och är utformad för att köras på en telefon. Båda tar emot ljud. Båda kan svara högt. Den ena är en datacenterresurs och den andra är en funktion du kan lägga in i en app, och nästan allt annat om dem följer av detta enda faktum.

De anlände också utan större ceremonier. Liquid AI tillkännagav LFM3-familjen den 27 oktober 2026, med LFM3-Omni-2B som en av sex modeller i 2B-klassen i ett enda inlägg; dess repository hade varit offentligt sedan den 21 oktober. inclusionAI laddade upp Ming-3.0-audio-flash den 3 september 2026 med nästan ingen dokumentation och publicerade inte ett riktigt modellkort förrän den 19 oktober, sex veckor senare. Ingen av leverantörerna har något oberoende benchmark, och ingen av modellerna har en hostad slutpunkt som du kan hyra per token.

Två sätt att sätta en mun på en modell

Den arkitektoniska skillnaden handlar inte om storlek. Den handlar om var ljudet bor.

Ming-3.0-audio-flash behåller ljud som ljud så länge som möjligt. En encoder i Whisper-stil – 32 lager, bredd 1 280, 128 mel-bins – omvandlar ljud till en representation som matar en 42-lagers mixture-of-experts-backbone med 512 experter och 8 valda per token. Talet kommer tillbaka genom en valfri Talker-modul med inbyggda kinesiska röster och röstpromptning via referensklipp. Det deklarerade kontextfönstret är 128K, en siffra som konfigurationen inte angav förrän en commit den 13 oktober höjde positionsinbäddningarna från 8 192 till 131 072.

LFM3-Omni-2B tokeniserar allt till en enda ström. Video samplas med 2 bildrutor per sekund, varje 2×2-bildruta blir en språktoken, och ljud passerar genom en LFM3-kausal ljudkodare in i samma vokabulär på 128 000 token som texten. Tal ut är LiquidCodec vid 24 kHz; ljud in är 16 kHz mono. Hela modellen ryms i ett 32K-fönster.

Det är ett komprimeringsargument, och det har två sidor. LFM3-Omni-2B:s angreppssätt är det som gör en 2,17B-modell användbar på en mobil – allt är samma sorts token, så allt är samma sorts billigt. Mings angreppssätt är det som låter en 126B-modell hålla en timslång inspelning i minnet utan att kasta bort prosodin. Ingen av dem är gratis.

Siffrorna som är värda att ställas sida vid sida

• Totalt antal parametrar — LFM3-Omni-2B 2,17B dense; Ming-3.0-audio-flash 126B i en blandning med 512 experter.

• Aktiva parametrar – cirka 2,17B mot 6,5B per inferenssteg.

• Vikter på disk – några gigabyte jämfört med cirka 259 GB bfloat16-shards plus Talker.

Referenshårdvara – en telefon, bärbar dator eller edge-board mot fyra 80 GB H800 i tensorparallellism för 128K-profilen, åtta när långt ljud tar slut på minnet.

• Kontext — 32K tokens som omfattar indata och utdata, mot en deklarerad 128K.

Talutdata – 24 kHz LiquidCodec med 19 språk för tal; Ming returnerar text eller text plus tal via Talker, med inbyggda röster och kloning av referensklipp.

• Licens — LFM Open License v1.0, en licens med intäktströskel, jämfört med MIT.

• Pris — inget pris per token hos någon av parterna, eftersom ingen av leverantörerna säljer inferens för dessa checkpoints.

Aktiva parametrar är inte en hastighetsmätare.

Det är frestande att läsa "6,5B aktiva" bredvid "2,17B dense" och dra slutsatsen att Ming bara är tre gånger dyrare per token. Den tolkningen är fel åt båda hållen.

Ett mixture of experts förbrukar minnesbandbredd, inte bara beräkningskraft. Att servera 6,5B aktiva parametrar av 126B innebär att flytta expertvikter in i cachen på varje lager, och vid batchstorlek ett – det läge en röstassistent lever i – är det nära att läsa en stor del av 259 GB för varje token. Profilen med åtta H800 är inte en rekommendation för maximal genomströmning; det är vad som krävs för att hålla vikterna. LFM3-Omni-2B med 2,17B har det motsatta problemet: ingen vinst från gleshet, men inget att växla ut heller, vilket är precis den profil som gör en telefon möjlig.

Den praktiska konsekvensen är att de två modellerna har olika skalningskurvor. Ming blir billigare per token när du batchar, vilket passar transkriberingspipelines som tuggar sig igenom en kö av inspelade samtal. LFM3-Omni-2B förblir ungefär konstant per yttrande, vilket passar ett live-samtal där batchstorleken är ett och latensbudgeten är några hundra millisekunder.

Vad 126 miljarder köper

inclusionAI publicerar sina utvärderingar som bilder i stället för tabeller, vilket i sig är ett slags uttalande, men siffrorna går att läsa. På sitt eget ramverk rapporterar Ming-3.0-audio-flash en genomsnittlig felfrekvens för kinesisk ASR på 3,45, engelsk på 3,69, ett dialektgenomsnitt på 9,40 för kantonesiska, shanghainesiska, hunanesiska och hokkien samt en diariseringsfelfrekvens på 8,58 på AISHELL-4. Raderna för ljudresonemang omfattar BigBenchAudio på 99,40 och MMAU på 82,00. Detta är leverantörssiffror på ett leverantörsramverk med asterisker som markerar de självutvärderade raderna. Ingen har reproducerat dem.

Svagheten som leverantören ändå redovisade är resonemang över långa ljudinspelningar: en Long-audio Chain-poäng på 12,31 och LongAudioSpan på 41,12, båda långt efter de hostade modellerna i dess egen jämförelse. Så 126B är inte genomgående bättre på att "förstå ljud". Den är bättre på att höra exakt vad som sades, med vilken accent, av vilken talare – och betydligt sämre på att hålla en lång inspelning i minnet och resonera utifrån den.

Vad de 2,17 miljarderna köper

LFM3-Omni-2B rapporterar en engelsk ASR-ordfelsfrekvens på 6,36 och en flerspråkig frekvens på 6,72, ett TTS-UTMOSv2 på 3,80, VoiceBench 64,73, MMAR 51,40 och en verktygsanropspoäng på 52,20. Dess ljudingång är begränsad till 16 kHz mono, vilket är bra för tal och oanvändbart för musik.

Stå emot impulsen att jämföra 6.36 med Mings 3.69. De är inte samma test. Mings engelska genomsnitt beräknas över dess egen uppsättning engelska benchmarks; Liquids 6.36 är ett enda tal från en enda utvärdering, körd med sina egna promptar och greedy-avkodning. Det enda försvarbara påståendet är riktningsvis: Mings ASR är sannolikt bättre, eftersom en audionativ modell på 126B med ett Whisper-liknande torn har större utrymme att vara bättre, och eftersom dialekthantering är det som inclusionAI valde att lyfta fram. Om den är bättre med två punkter eller med en halv punkt går inte att veta utifrån dessa två kort.

Det LFM3-Omni-2B ger är inte noggrannhet. Det är att modellen körs där mikrofonen finns. För en pipeline för samtalsinspelning är det irrelevant. För allt med en levande användare förändrar det arkitekturen: ingen uppladdning, ingen tur och retur, ingen kostnad per minut och inget ljud som lämnar enheten.

Licensen är den tysta skillnaden

Ming-3.0-audio-flash är MIT. Det är ungefär så tillåtande det kan bli: kommersiell användning, modifiering, vidaredistribution, inget intäktstest, ingen begränsning av användningsområde. LFM3-Omni-2B distribueras under LFM Open License v1.0, den familjelicens som Liquid tillämpar över LFM3, vilket är en licens med intäktströskel snarare än en OSI-godkänd öppen källkodslicens. Läs den innan du bygger en produkt på den. För en startup under tröskeln är skillnaden akademisk; för ett företag över den är MIT värt riktiga pengar.

Integration är där pappersarbetet visar sig

Mings serving-historia är fortfarande i görningen. inclusionAIs lanseringsformulering antydde att du kunde servera familjen med vLLM-Omni redan i dag; vad repositoryt faktiskt visar är öppna pull requests – en som täcker tts-tiny-checkpointen, en annan som lägger till audio-flash-stöd. Tills de har landat innebär det att köra Ming-3.0-audio-flash att använda Transformers på en maskin med tillräckligt mycket minne, eller SGLang-Omni-vägen som leverantören dokumenterar. Det är genomförbart och det är inte ett `pip install`.

LFM3-Omni-2B:s historia är den motsatta: ett Hugging Face-kort som dokumenterar finjusteringsreceptet, och ett Ollama-bygge som redan finns ute. Det bygget anger en kontext på 125K mot kortets 32K, vilket säger dig att paketeringen gick snabbare än dokumentationen – en liten sak som spelar roll om du planerade att mata den med långt ljud.

Om ingen av dessa har rätt form för dig är alternativet att hyra kapaciteten i stället för att äga den, och det är en annan budgetpost. OrcaRouter är den värdbaserade sidan av det valet – ett API över 200+ modeller med 0 % påslag på leverantörens listpris, med automatisk failover när en leverantör faller bort – och varken LFM3-Omni-2B eller Ming-3.0-audio-flash finns i den katalogen i dag. Det är den ärliga formuleringen: den här texten handlar om två modeller du laddar ner, inte två du kan anropa.

Vem ska välja vilken

Välj Ming-3.0-audio-flash om du har GPU:er som du inte använder till annat, ditt ljud är kinesiska eller engelska med accenter och flera talare, och din uppgift är att ta fram en korrekt transkription eller ett välgrundat svar om en lång inspelning. MIT-licensen gör den till det säkrare av de två alternativen att bygga en kommersiell produkt på, och 128K-kontexten gör den till den enda av de två som kan rymma ett möte i ett svep.

Välj LFM3-Omni-2B om ljudet genereras vid nätets kant, användaren väntar och svaret behöver talas tillbaka i samma andetag. Acceptera att du får en mindre modells noggrannhet, en snävare språklista och en licens med en intäktsklausul, i utbyte mot en driftsättning som får plats i en app.

Frågan att ställa innan något av alternativen: vart tar ljudet vägen? Om svaret är "ingenstans" är jämförelsen över.