Ett genererat titelkort med texten 'Ming-3.0-audio-flash toppar talresonemang på 99,8 %', med en underrubrik som noterar förstaplatsen i Artificial Analysis Big Bench Audio den 18 november 2026 och att checkpointen släpptes den 3 september utan prislista. Fyra statistikchips visar '99,8 % Big Bench Audio', '#1 av 42 modeller', '1,12 s till första ljudet' och 'inget pris publicerat'. Sidfoten lyder 'Poäng enligt Artificial Analysis, 18 november 2026.'
Engineering & Research

Ming-3.0-audio-flash toppar Artificial Analysis Speech Reasoning med 99,8 % – en poäng före, och fortfarande inget pris

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Artificial Analysis listar nu Ming-3.0-audio-flash högst upp på sin resultattavla för Speech Reasoning, utvärderingen Big Bench Audio, med 99,8 % noggrannhet, före StepAudio 3 Realtime med 99,7 %, Q​wen Audio 3.0 Realtime Plus med 99,2 %, Eleven Realtime v1 Max med 98,8 %, G​rok Voice 3.0 med 98,5 %, G​emini 3.8 Live Extended Thinking (High) med 97,7 % och GPT-Realtime-2.1 High med 95,8 %. Påståendet gick ut från Ant Ling den 18 november 2026 kl. 08:37 UTC, nitton minuter efter att modellens eget kodförråd hade redigerats för att lägga till samma siffra och en bild av resultattavlan. Den tajmingen är hela historien: en modell som lanserades i september utan någon poäng från tredje part har nu en, och siffran ligger mycket nära taket.

För att vara exakt om vad som är nytt och vad som inte är det – eftersom det här inte är en lansering. inclusionAI laddade upp vikterna för Ming-3.0-audio-flash till Hugging Face den 3 september 2026 och sade ingenting om det på sex veckor; modellkortet, serveringsprofilerna och exempelkoden kom först mellan 15 och 19 oktober. Det som förändrades i dag är utvärderingen, inte checkpointen. Safetensors-shardarna är samma byte som i september. Så den ärliga formuleringen är att en sju veckor gammal ljudmodell med öppna vikter precis har utvärderats av någon annan än sin upphovsman, och att den visade sig vara bäst.

Vad Big Bench Audio faktiskt ber en modell att göra

Det är värt att vara konkret kring testet, eftersom "talresonemang" låter som något en röstagent gör i en konversation, men oftast inte är det. Big Bench Audio är en uppsättning flervalsfrågor som levereras som ljud: modellen hör en inspelning, hör eller läser en fråga om den och väljer ett svar. Det belönar förmågan att hålla en talad passage i kontexten och tillämpa vanligt resonemang på den. Det belönar inte turtagning, hantering av avbrott, backchannel-signaler eller förmågan att låta som en person. Dessa finns på en annan resultattavla från Artificial Analysis, Full Duplex Bench, där Ming-3.0-audio-flash för närvarande inte har någon publicerad poäng alls.

Den distinktionen spelar större roll än vanligt här, eftersom mätvärdet vid 99,8 % nästan har nått taket. På en resultattavla med 42 modeller är skillnaden mellan första och femte plats en procentenhet. Mellan förstaplatsen och modellen på trettonde plats – GPT-Realtime-2.1 High – är den fyra punkter. Ett test som nästan allt modernt får poäng i nittiotalen på är ett test som har slutat skilja ut toppen av fältet, och en enpoängsledning över StepAudio 3 Realtime är en handfull uppgifter på ett benchmark vars antal uppgifter ingen utanför Artificial Analysis kan kontrollera. Läs rankningen som ”den här modellen hör till toppgruppen”, vilket är genuint användbart, snarare än ”den här modellen är mätbart bättre på att höra än allt annat”, vilket siffran inte kan stödja.

Styrelsen i ordning, för den som vill ha fältets form snarare än rubriken:

• 1 — Ming-3.0-audio-flash, 99,8 %

• 2 — StepAudio 3 Realtime, 99,7%

• 3 — Q​wen Audio 3.0 Realtime Plus, 99,2%

• 4 — Phonic 1 (Hög), 98,9 %

• 5 — Eleven Realtime v1 Max, 98,8 %

• 7 — G​rok Voice 3.0, 98.5%

• 8 — Gemini 3.8 Live Extended Thinking (High), 97,7 %

• 13 — GPT-Realtime-2.1 High, 95,8 %

A screenshot of the Artificial Analysis Speech to Speech page, showing the site navigation, the page heading, a blurb describing comparison of speech-to-speech models across reasoning quality, conversational dynamics, generation time and price, and two chart panels labelled Speech to Speech Index and Speed & Cost per Hour of Input Audio, plus a Related Links rail. The per-model rows inside the charts are not legible at this size.

En detalj i leverantörens egen dokumentation är värd att uppmärksamma, eftersom det är sådant som lätt tystas ned. Utvärderingsbilderna på inclusionAI:s modellkort, uppladdade i oktober, visar flash-modellen på 99,40 i "BigBenchAudio". Artificial Analysis rapporterar nu 99,8. Det är två olika körningar av ett liknande riktmärke, och skillnaden är inte ett fel i någon av dem – det är den normala spridning man får när testramverket, promptformatet och delmängden av uppgifter inte är identiska. Det är också en påminnelse om att leverantörens oktoberstabell och dagens tredjepartstavla inte är utbytbara siffror, även när de bär nästan samma etikett.

Vad styrelsen inte säger

Tre saker saknas i posten om Artificial Analysis, och var och en av dem är viktigare för ett driftsättningsbeslut än noggrannhetssiffran.

Det första är priset. Ming-3.0-audio-flash har ingen taxa per token eller per minut hos Artificial Analysis eftersom det inte finns något att köpa: det är en checkpoint för mixture-of-experts med 126 miljarder parametrar under MIT, med 6,5 miljarder parametrar aktiva per steg. Kostnaden är vad hårdvaran kostar. inclusionAI:s egna driftsättningsanteckningar anger att referensprofilen för 128K-servering använder tensorparallellism över fyra H800 med 80 GB, med en reservlösning på åtta GPU:er för långt ljud, och en validerad SGLang-profil på fyra GPU:er som endast returnerar text. Varje modell ovanför den på topplistan utom den själv är ett API med förbrukningsmätning. Att jämföra dem enbart utifrån noggrannhet jämför en benchmarkpoäng med en benchmarkpoäng och bortser från att den ena sidan av tabellen är ett köp och den andra en prenumeration.

Det andra är latens. Artificial Analysis mäter faktiskt tid till första ljud, och Ming-3.0-audio-flash ligger på 1,12 sekunder. Eleven Realtime v1 Max ligger på 0,57 sekunder – ungefär hälften. Om din applikation är en röstagent som måste svara inom en samtalspaus, kompenserar en benchmarkvinst inte för en sekund av död luft, och ordningen på resultattavlan säger ingenting om vilket av dessa två värden du kan leva med.

Det tredje är samtalsbeteende. Full Duplex Bench-poäng finns för Eleven Realtime v1 Max (0,941 totalt, med avbrottshantering på 0,99 och turtagning på 1,0) och för flera Gemini- och GPT-realtidsmodeller. Ming-3.0-audio-flash har ingen FDB-poäng, ingen uppdelning av samtalsdynamik och ingen publicerad mätning av hur den hanterar att bli avbruten. En modell kan klara flervalsfrågor om ljud med glans och ändå prata över dig.

Och leverantörens egna oktoberiffror är det minst smickrande beviset i hela bilden. På samma kort som gör reklam för talresonemangssegern publicerade inclusionAI en kedjepoäng för långt ljud på 12,31 mot 34,54 för Qwen3.8-Omni Flash och 49,63 för Gemini 3.8 Flash, en LongAudioSpan på 41,12 mot 66,40 samt talardiarsiseringsfel på AMI på 25,29 mot 11,16 för MiMo-V2.6 Pro. Det är leverantörens siffror, på de uppgifter leverantören valt, och de beskriver en modell som är utmärkt på korta fråge- och svarsljud och svag på resonemang över en lång inspelning. Inget med ett 99,8 på Big Bench Audio ändrar det, eftersom Big Bench Audio inte är ett långljudstest.

Det sjutton minuter långa glappet mellan kort och tweet

Commiten i repositoryt har tidsstämpeln 08:26:48 UTC den 18 november och titeln lyder delvis ”Uppdatera Flash BBA-poängen till 99,8 % och lägg till den övergripande #1-topplistans resultat…”. Inlägget från Ant Ling följde kl. 08:37:02. Samma commit rörde det lilla syskonets kort fyrtioåtta sekunder senare och lade till samma mening – ett gemensamt benchmark-avsnitt, kopierat till båda repositorierna, och ytterligare ett skäl att kontrollera vilken checkpoint ett nummer faktiskt tillhör innan man citerar det.

A generated single-column scoreboard titled 'Ming-3.0-audio-flash - the scoreboard'. Rows read 'Big Bench Audio: 99.8%, rank 1 of 42', 'Vendor card, October: 99.40, self-evaluated', 'Time to first audio: 1.12 s', 'Full Duplex Bench: not published', 'Price: no rate card' and 'Reference hardware: 4 x 80GB H800'. The footer reads 'Big Bench Audio score, rank and latency per Artificial Analysis, 18 November 2026; the 99.40 figure is vendor-reported and unaudited.'

Vad den sekvensen säger dig är att modellkortet nu ligger nedströms topplistan i stället för tvärtom. I sex veckor var det enda prestationsbeviset för Ming-3.0-audio-flash en uppsättning PNG-bilder i en assets/-mapp, producerade av teamet som tränade den. Det är inte ingenting – leverantörsutvärderingar är vanligtvis ärliga, bara optimistiska när det gäller uppgiftsurval – men det är en annan typ av bevis än en tredje part som kör sin egen testrigg och publicerar en rangordning. Det intressanta med i dag är inte att leverantören hävdar förstaplatsen. Det är att en organisation utan intresse i resultatet placerade modellen där.

A screenshot of the inclusionAI Ming-3.0-audio-flash model card on Hugging Face, showing the audio-to-audio pipeline tag, the MIT licence badge, a reported model size of 128B params, a downloads-last-month figure of 2,572, the headline 'Hear clearly. Understand deeply. Act intelligently.', and a model summary table listing the developer as inclusionAI, the model type as a native audio-language mixture-of-experts, and 126B total parameters with 6.5B activated per inference step.

Var en router passar in, och var den inte gör det

OrcaRouter tillhandahåller inte Ming-3.0-audio-flash. Den finns inte i vår katalog, vi kan inte ge dig någon endpoint för den, och ingenting här ska läsas som ett erbjudande. Om du vill köra den klonar du repositoryt, installerar Transformers 5-kodvägen eller en av serveringsprofilerna för SGLang-Omni och riktar minst fyra 80 GB-kort mot den. Det är infrastruktur, och en router sysslar inte med infrastruktur.

Det en router faktiskt gör är den andra halvan av varje talpipeline. En röstapplikation som bygger på en självhostad ljudmodell är fortfarande mest textarbete: prompten som avgör vad som ska frågas till inspelningen, efterbearbetningen som omvandlar en tabbavgränsad språketikett till strukturerad utdata, sammanfattningen som skrivs utifrån transkriptionen, klassificeraren som skickar ett brusigt samtal till en människa. Det är vanliga chattanrop, och ett API för fler än 200 modeller med 0 % påslag – leverantörens listpris förs vidare, så att en leverantörs prissänkning slår igenom hos oss samma dag – är enklare att koppla in än ett andra och ett tredje leverantörsavtal. Automatisk failover är det som gör att du kan sätta en oprövad modell med öppna vikter bakom en del av din trafik utan att satsa hela vägen på den.

Gränsen är själva poängen. Ett checkpoint på 259 GB som du kör på dina egna GPU:er är ett kapitalbeslut; en router dirigerar anrop. Den förvandlar inte en klustermodell till en hostad sådan, och den gör inte 99,8 % på ett flervalsbenchmark till bevis om din produkt.

Vad skulle få detta att betyda något?

Tre mätningar skulle förvandla dagens rubrik till ett beslutsunderlag, och alla tre är sådant som Artificial Analysis eller en arena skulle kunna publicera utan att be inclusionAI om något. Ett Full Duplex Bench-resultat skulle visa om det samtalsmässiga beteendet matchar förståelsen. Ett långljudsresultat på en offentlig uppsättning skulle testa den enda axel där leverantörens egen tabell är svagast. Och en andra oberoende körning av Big Bench Audio – en annan testram, ett annat urval av uppgifter – skulle visa om 99,8 är en takeffekt eller en verklig skillnad.

Fram till dess är den korrekta meningen snäv och värd att säga rakt ut: en audiomodell med öppna vikter från Ant Group, släppt i september och dokumenterad i oktober, rankas nu först i ett tredjepartsbenchmark för talresonemang med en marginal på en procentenhet över nästa modell, utan publicerat pris, med dubbelt så lång tid till första ljudet som den snabbaste konkurrenten i den tabellen och inget samtalsbetyg alls. Det är ett verkligt resultat. Det är också ett mycket mindre påstående än "bästa röstmodellen", och skillnaden mellan de två meningarna är där det mesta av det användbara tänkandet om den här modellen fortfarande måste ske.

Jämförda i den här artikeln1

Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen