Ming-3.0-audio-flash vs Qwen-Audio-3.1: En mapp du kan ladda ner mot en katalog du bara kan anropa

Det finns en version av den här jämförelsen som skulle vara lätt att skriva, och den skulle vara fel. Den skulle ställa upp Ming-3.0-audio-flash och Q​wen-Audio-3.1 som två kinesiska ljudmodeller, rada upp deras parameterantal och utropa en vinnare. Problemet är att Q​wen-Audio-3.1 inte finns som en checkpoint man kan väga. Det finns som en uppsättning hostade modell-ID:n i A​libaba's Model Studio-katalog – qwen-audio-3.1-realtime-plus, qwen-audio-3.1-asr-flash-streaming, qwen-audio-3.1-asr-flash-filetrans – utan publicerade vikter på Hugging Face och utan ett offentligt parameterantal. Ming-3.0-audio-flash är motsatsen: 126 miljarder parametrar totalt, 6,5 miljarder aktiva, MIT-licens, i ett repository som man klonar. Den ena är en mapp. Den andra är en produktlinje man hyr per anrop. Varje meningsfull fråga om dessa två följer av den asymmetrin, och ingen av de vanliga benchmarktabellfrågorna kan besvaras överhuvudtaget. De dokumenterade AI-felen och agentincidenterna bakom releaser som den här samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Släktskapen är värd ett stycke, eftersom den förklarar varför de två känns jämförbara när de inte är det. Ming-3.0-audio-flash kom med vikterna först: uppladdades till Hugging Face den 3 september 2026 utan något tillkännagivande och lämnades sedan oanvändbar i sex veckor tills koden för att köra modellen och exemplen pushades mellan 15 och 19 oktober. Q​wen-Audio-3.1 kom med katalogen först: tre modell-ID:n listade i A​libaba Clouds Model Studio-dokumentation under taligenkänning och tal-till-tal, beskrivna med en rad var, medan detaljsidorna inte innehöll specifikationerna. Det är de två dominerande utgivningsmönstren 2026 i en enda duell – det öppna labbet som släpper ett kodförråd och låter världen lägga märke till det, och molnet som släpper SKU:er och låter dokumentationen vara lanseringen.

Vad var och en faktiskt ger dig

• Vad du får — Ming: ungefär en MoE-checkpoint med 126B parametrar, processor, tokenizer, Talker-tillgångar, serveringsskript och exempel. Qwen-Audio-3.1: API-autentiseringsuppgifter och tre slutpunktsnamn.

• Vad du kan granska — Ming: arkitektur, licens, benchmarkpaneler, driftsättnings-YAML, röstförinställningar. Qwen-Audio-3.1: en kategorietikett och en beskrivning på en mening per SKU.

• Licens — Ming: MIT, vikter och kod. Q​wen-Audio-3.1: de kommersiella villkoren för Model Studio; det finns ingen licens för vikter eftersom det inte finns några vikter.

• Var den körs — Ming: dina GPU:er, ditt rack, ditt luftgap. Q​wen-Audio-3.1: A​libabas infrastruktur, i de regioner den betjänar.

• Felmod — Ming: du ansvarar för personsökaren. Q​wen-Audio-3.1: ett kvot-, region- eller kontoproblem är ett supportärende.

• Pris — Ming: hårdvara. Q​wen-Audio-3.1: publiceras inte i modellindexet; du behöver detaljsidorna eller konsolen.

Den sista raden är inte en undanflykt. Modellindexet i Model Studio listar de tre ID:na för Q​wen-Audio-3.1 under deras kategorier och innehåller inte priser, kontextfönster eller språktäckning på den sidan. Den länkade detaljdokumentationen gick inte att slå upp när den kontrollerades. Att säga "Q​wen-Audio-3.1 kostar X" skulle vara att hitta på en siffra, och produktens utformning gör att siffran skulle ändras ändå.

De tre SKU:erna är inte en modell, och det spelar roll

Det här är delen som de flesta jämförelser missar. Q​wen-Audio-3.1 är inte en enda sak som du benchmarkar. Katalogen delar upp det i tre delar:

qwen-audio-3.1-asr-flash-streaming är taligenkänning som levereras som en ström – det ärliga användningsfallet är liveundertexter eller en samtalsutskrift som anländer medan samtalet pågår.

qwen-audio-3.1-asr-flash-filetrans är samma igenkänningsuppgift som körs i batch mot en fil. "Flash" i båda namnen antyder en nivå för hastighet och kostnad snarare än en kvalitetsnivå, även om Alibaba inte dokumenterar den skillnaden på indexet.

qwen-audio-3.1-realtime-plus är den intressanta. Indexet beskriver den som "end-to-end-röstkonversation utan separata ASR- och TTS-anrop" — en tal-till-tal-slutpunkt, och plus antyder att den är den mer omfattande av två realtidsnivåer.

Ming-3.0-audio-flash slår samman dessa till en enda artefakt. Igenkänning, förståelse av långt ljud, ljudresonemang och valfri talutmatning är lägen i samma checkpoint, valda via prompt och via serving-profil snarare än genom att välja en annan SKU. Repositoriet levererar en ASR-profil, en textprofil och en ljudutmatningsprofil; ASR-prompten ber modellen att ange det talade språket och sätta en tabb mellan etiketten och transkriptionen.

Vilket upplägg som är bättre beror på vad du bygger. Tre SKU:er innebär att du betalar för igenkänning när du bara behöver igenkänning och inte bär en 126B-modells inferenskostnad för ett transkriberingsjobb. En checkpoint innebär att transkriptet och analysen av transkriptet kommer från samma modell, utan serialiseringsförlust mellan dem – inget felmönster där ”ASR sade 'their', resonemangsmodellen gissade fel”, eftersom det inte finns någon andra modell.

Varför finns det ingen ärlig benchmark här?

Ming-3.0-audio-flash publicerar tre utvärderingspaneler – taligenkänning, ljudintelligens, text – som bilder i sitt GitHub-förråd. Alla värden är procenttal, högre är bättre utom där en pil anger annat, och stjärnmärkta resultat är teamets egna. Förrådet tillägger en not om att jämförelsemodellerna har reproducerats under inclusionAIs utvärderingsupplägg och kan skilja sig från dessa modellers officiella rapporter på grund av promptar, avkodningsinställningar, versioner och pipelines.

Qwen-Audio-3.1 publicerar ingen benchmarktabell på sin indexsida. Inte heller dess detaljerade dokumentation visar någon sådan. Därför finns det ingen gemensam testmängd, ingen gemensam avkodningskonfiguration och ingen oberoende part som har betygsatt båda.

Det enda försvarbara påståendet är negativt: ingen av sidorna har en siffra som den andra kan jämföras mot. Om en jämförelseartikel visar dig Ming-3.0-audio-flash och Q​wen-Audio-3.1 i intilliggande kolumner med procenttal, har den kombinerat en leverantörs självutvärdering med ett omätt API, och det är kolumnernas uppställning som står för övertalningen.

Kostnadsfrågan, omformulerad

Eftersom Q​wen-Audio-3.1:s priser per token eller per sekund inte finns med i det offentliga indexet, är den användbara jämförelsen inte pris mot pris utan kostnadsstruktur mot kostnadsstruktur.

Prissättning per anrop har en enorm fördel: den följer din användning exakt och är noll när din användning är noll. För en produkt med ojämn trafik – ett regelefterlevnadsteam som transkriberar tusen samtal på kvartalets sista dag och ingenting under elva veckor – är det avgörande. Du kan inte slå fakturering per anrop med egna GPU:er vid en ojämn arbetsbelastning, eftersom GPU:erna fortsätter att kosta under de veckor de står stilla.

Egenägda vikter har den spegelvända fördelen: marginalkostnaden för den tusende timmen är nästan noll, och den ändras inte när en leverantör ändrar pris. För en produkt med jämn belastning – ett kontaktcenter som körs på 60 % kapacitet varje vardag – amorteras den fasta kostnaden och timkostnaden faller under alla prislistor. Brytpunkten är en utnyttjandekalkyl, inte ett riktmärke, och den är olika för varje team.

Mings hårdvarugolv är siffran som avgör det. Referensprofilen för hela 128K-kontexten med taloutput är tensorparallelism över åtta 80 GB H800:or. Det finns en validerad SGLang-profil på fyra GPU:er, men den är endast för text – du förlorar Talker. På fyra GPU:er är jämförelsen Ming som transkriberare mot Qwens ASR-SKU:er; på åtta är det Ming som samtalsmodell mot qwen-audio-3.1-realtime-plus. Det är två olika beslut och de bör fattas separat.

Där en router gör verklig nytta här är i testfasen. Du vill inte upptäcka att en öppen checkpoint presterar sämre på din ljudfil efter att du redan har köpt racket. Genom att köra de hostade SKU:erna och den självhostade kandidaten bakom en och samma endpoint kan du A/B-testa dem på samma trafik: fler än 200 modeller på en och samma nyckel, leverantörens listpris vidarebefordrat utan påslag, automatisk failover om en väg försämras. När den självhostade sidan vinner på dina egna inspelningar flyttar du procentandelen; när den inte gör det går inget sönder.

Språk, dialekter och det som båda korten säger

Ming-3.0-audio-flash listar kinesiska och engelska, "inklusive varierande accenter och dialekter", och dess höjdpunkter lyfter fram inspelningar med flera talare och bullriga miljöer. Den formuleringen är tillräckligt specifik för att vara kontrollerbar och tillräckligt vag för att du bör kontrollera den: "varierande accenter och dialekter" i en kinesisk ljudmodell brukar betyda regionala mandarinaccenter och åtminstone en eller två yue-varieteter, men modellkortet räknar inte upp dem.

Qwen-Audio-3.1:s språktäckning anges inte i indexposten. Alibabas bredare ljudserie har historiskt täckt en lång rad språk och kinesiska dialekter, men en systerprodukts täckning är inte den här produktens dokumentation, och den rimliga hållningen är att antalet är okänt tills detaljsidan säger något annat.

Båda modellerna kommer från kinesiska labb och båda kommer att vara starkast där deras träningsdata var tätast. Inget av korten gör något påstående som du kan falsifiera utan att köra ljud genom det. Det är testet: ta tjugo minuter av dina egna sämsta inspelningar – den brusiga, den med kodväxling, den där tre personer pratar i munnen på varandra – och kör dem genom båda. Det kommer att säga dig mer än något diagram som något av labben publicerar.

Vad skulle förändra bilden

Två händelser. För det första: om Alibaba publicerar vikterna för Qwen-Audio-3.1 – Qwen-serien har upprepade gånger släppt öppna vikter för text- och visionsmodeller, så det här är ingen fantasi – kollapsar hela jämförelsen till "två checkpoints under MIT eller Apache, jämför dem på din hårdvara", och katalog-mot-mapp-ramen dör. För det andra: om en leverantör av serving listar Ming-3.0-audio-flash bakom en OpenAI-kompatibel endpoint med en publicerad taxa, upphör golvet på åtta GPU:er att vara läsarens problem, och de två produkterna blir direkt jämförbara i pris per timme ljud.

Inget av detta har inträffat. I skrivande stund går Q​wen-Audio-3.1-familjen att anropa men saknar tillgängliga vikter; Ming-3.0-audio-flash har tillgängliga vikter men går inte att anropa, utom på hårdvara som du tillhandahåller. Det är hela jämförelsen, och det är en jämförelse om distribution, inte om ljudkvalitet.

Hur man fattar beslut den här veckan

Om du behöver en slutpunkt för tal-till-text idag och redan finns på Alibaba Cloud, är Qwen-Audio-3.1 ASR-SKU:erna den kortaste vägen och driftsrisken är en kvot snarare än en pager. Om du behöver tal-till-tal i samma stack, qwen-audio-3.1-realtime-plus är det dokumenterade alternativet och prissättningen är en fråga för konsolen, inte en fråga för bloggen.

Om du behöver äga modellen – av regulatoriska skäl, för luftgapade miljöer eller helt enkelt av övertygelsen att ditt ljud är tillgången och att modellen inte bör hyras – är Ming-3.0-audio-flash den enda av dessa två som låter dig göra det. Budgetera åtta H800:or för fullständig profil, fyra för endast text och en vecka för din egen utvärdering innan du tror på något i benchmarkbilderna.

Och om du inte är säker på vilken av dem du är, är svaret ingen av dem – ännu. Kör ditt ljud genom en hostad slutpunkt, mät den felfrekvens du kan leva med och låt den siffran tala om för dig om hårdvaran är värd att köpa. Modellvalet kommer efter den mätningen, inte före den.