Ming-3.0-audio-flash vs Qwen3.8-Omni-Flash: Leverantörens egen tabell har redan utsett en vinnare

Det finns en jämförelsetabell som avgör det mesta av den här diskussionen, och den publicerades av en av de två leverantörerna. På inclusionAIs egna utvärderingsbilder för Ming-3.0-audio-flash är referenskolumnen Qwen3.8-Omni-Flash — Alibabas slutna omni-modell, öppen för API-kunder sedan den 18 september 2026 — och resultaten går i båda riktningarna. Ming vinner dialektraderna med bred marginal och förlorar raderna för resonemang om långt ljud med en faktor på nästan tre. Det är ovanligt användbart, eftersom det innebär att frågan inte är "vilken modell som är bättre" utan "vilket av dessa två felsätt din arbetsbelastning kan tolerera." Ming-3.0-audio-flash är inclusionAIs checkpoint för ljud och språk med 126B totalt och 6,5B aktiva, uppladdad den 3 september 2026 och dokumenterad den 19 oktober; Qwen3.8-Omni-Flash är en hostad modell som endast ger text som utdata, med en kontext på en miljon token och inga vikter. Den ena äger du, den andra hyr du, och deras publicerade styrkor överlappar inte särskilt mycket. De dokumenterade AI-felen och leverantörsbenchmark-tvisterna bakom jämförelser som den här samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.

Två sätt att läsa en timmes ljud

Båda modellerna tar emot ljud och text och returnerar text. Den meningen är sann om båda och missvisande om båda, eftersom skalan de arbetar i är helt annorlunda.

Qwen3.8-Omni-Flash tar emot text, bilder, ljud och video, hanterar upp till en timme kontinuerlig ljudvideo i ett enda anrop, har en kontext på en miljon tokens (maximal indata cirka 991K, utdata upp till 131K med en resonemangsbudget på 262K) och svarar endast i text. Alibabas lansering ramades in som en nota snarare än en poäng: 98 % billigare per timme ljudindata än Qwen3.5-Omni-Plus, 93 % billigare per timme ljudvideo, där timsiffrorna togs fram genom att prissätta ett tvåminutersprov och multiplicera med trettio, med video samplad i 720p och en bildruta per sekund. Internationell prissättning är 0,15 USD per miljon indatatokens, 0,016 USD för cachade och 0,47 USD för utdata.

Ming-3.0-audio-flash tar emot ljud och text, returnerar text eller text plus tal via en valfri Talker och har en kontext på 128K – en siffra som dess konfiguration inte angav förrän den 13 oktober, då en commit med en enda fil höjde max_position_embeddings från 8 192 till 131 072. Dess referensserveringsprofil är tensorparallelism över åtta 80 GB H800 och nedladdningen är cirka 259 GB. Det finns inget pris per token eftersom det inte finns någon endpoint.

Så Qwens enhet är anropet; Mings enhet är noden. Det är det första beslutet och det avgör vanligtvis resten.

Vad inclusionAI:s egen tabell säger, rad för rad

Varje siffra i det här avsnittet kommer från de tre PNG-filerna i mappen assets/ i Ming-repot – inclusionAI:s egen körning, i deras egen testrigg, med asterisker som markerar raderna som de själva utvärderade. Inget av det har reproducerats. Läs det som en leverantör som beskriver sig själv offentligt, vilket är mer än vad de flesta leverantörer gör.

• Kinesisk ASR i genomsnitt — Ming 3,45 felfrekvens mot Qwen3.8-Omni-Flash 3,54 och Gemini 3.8 Flash 9,83. En knapp seger.

• Genomsnitt för engelsk ASR — 3,69 mot 4,02 och 5,05. Även snävt.

• Dialektgenomsnitt — 9,40 mot 11,58. Större spridning, och det är huvudpåståendet: kantonesiska 4,09 mot 4,76, shanghainesisk 11,15 mot 21,10, hunanesiska 8,76 mot 17,11, hokkien 12,84 mot 26,32.

• Hubei — 9,46 mot 7,75. Q​wen vinner den här raden och inclusionAI publicerade den ändå, vilket är huvudskälet till att lita på resten av tabellen.

• Talardiarisering, AISHELL-4 — Ming 8,58 i diariseringsfelkvot mot Qwen 2,80. På AMI: 25,29 för Ming mot 11,16 för MiMo-V2.6 Pro.

• Poäng för långljudskedja — Ming 12,31 mot Q​wen 34,54, Q​wen thinking-läge 48,70 och Gemini 3.8 Flash 49,63. Det är fyrafaldigt gap, och det gäller ett mätvärde som leverantören själv valt att publicera.

• LongAudioSpan — 41.12 mot 66.40. MMAR — 74.40 mot 77.70. MMSU — 78.82 mot 82.10.

• Rubrikrader för ljudresonemang – Ming tar BigBenchAudio på 99,40 och MMAU på 82,00; verktygsanrop på BFCL-v3 Audio är 81,40 mot 86,68 för Gemini 3.8 Flash.

Mönstret är inte slumpmässigt. Ming är starkast när uppgiften är "exakt vad som sades, inklusive accenten", och svagast när uppgiften är att "hålla en lång inspelning i minnet och resonera utifrån den". Q​wen är det omvända: ett fönster på en miljon token och en resonemangsbudget är precis maskineriet för den andra uppgiften, och inget i dess lanseringsmaterial tyder på dialektvis finjustering.

Dialektpåståendet är hela målet, och det är snävare än det låter.

Om du tar med dig en sak från leverantörstabellen, låt det vara detta: gapet som håller för granskning är dialektal och accentpräglad kinesisk taligenkänning, inte allmän ljudintelligens. Shanghainesiska på 11,15 mot 21,10 är ungefär halva felfrekvensen. Hunan på 8,76 mot 17,11 är ungefär hälften. Hokkien på 12,84 mot 26,32 är ungefär hälften. Det är stora, konsekventa skillnader över fem dialektrader, och det är den typen av resultat som kommer från ett träningsbeslut snarare än ett benchmarkknep.

Förbehållen är lika viktiga som siffrorna. Testseten är leverantörens eget urval; testharnessen är leverantörens; referensvärdena för Qwen3.8-Omni-Flash togs fram av inclusionAI som körde A​libabas modell, inte av A​libaba. Att en konkurrent poängsätter en rivals modell är normal praxis och det är också upplägget som mest sannolikt av misstag ger ett smickrande resultat. Den enda raden som går åt andra hållet, Hubei, är det starkaste beviset för att tabellen inte helt enkelt hade redigerats.

Och det fyrdubbla gapet för långt ljud är inte ett avrundningsfel som du kan designa runt. Om din arbetsbelastning är ett nittio minuter långt rapportssamtal och du behöver en sammanfattning med korsreferenser, säger Mings egna siffror att Q​wens tankeläge är det bättre verktyget med en faktor fyra på det mått som mäter exakt det.

Tillgänglighet avgör mer än vad benchmarkarna gör

Qwen3.8-Omni-Flash har ett enda hem: A​libabas Qianwen-plattform och A​libaba Cloud Model Studio, med separata internationella slutpunkter och slutpunkter för det kinesiska fastlandet, separat fakturering och separat valuta. Den svarar på en OpenAI-formad förfrågan, så klientkoden kan till stor del porteras, men slutpunkten är inte portabel och det finns inget mål för redundansväxling. Inga vikter har släppts och inga är aviserade. OrcaRouter tillhandahåller den inte.

Ming-3.0-audio-flash har ingen slutpunkt alls. Det är vikter under MIT-licens med ett modellkort, ett GitHub-förråd skapat den 15 oktober, driftsättnings-YAML:er för tre profiler, två exempelklienter och en röstguide på 150 KB. Projektet vLLM-Omni stöder den föregående Ming-generationen och har en öppen pull request för 7.9B Ming TTS-modellen, men inget har slagits samman för denna checkpoint för ljud och språk; den praktiska vägen i dag är Transformers med trust_remote_code=True, vilket är okej för utvärdering men tunt för en tjänst.

Ställer man de två styckena bredvid varandra blir avvägningen skarp. Q​wen ger dig en produktionsslutpunkt utan reservlösning och utan insyn. Ming ger dig en checkpoint med full insyn och ingen slutpunkt. Ett team med en GPU-nod och krav på regelefterlevnad väljer Ming. Ett team med en deadline väljer Q​wen och tar risken med en enda källa.

Hur en medelväg ser ut

Det finns ett tredje alternativ som ingen av leverantörerna dokumenterar, och det är värt att förtydliga eftersom det är vad de flesta team faktiskt gör: använd den hostade modellen för det arbete den är bättre på och de öppna vikterna för det arbete de är bättre på, i samma pipeline.

Konkret – en supportorganisation som hanterar mandarinsamtal med dialekttalande personer. Ljudet anländer, och en lättviktsklassificerare avgör om den som ringer talar standardmandarin eller med kraftig brytning. Standardljud går till Qwen3.8-Omni-Flash för en sammanfattning med lång kontext och resonemang över hela samtalet. Ljud med brytning går till Ming-3.0-audio-flash för transkribering, och transkriptionen går tillbaka in i textpipelines för sammanfattning. Ingen av modellerna ser hela arbetsbelastningen; båda ser den del de vinner.

Den arkitekturen är mer arbete än att välja en enda leverantör, och det är den enda som använder leverantörstabellen ärligt, eftersom tabellen själv säger att de två modellerna misslyckas på olika indata.

Exakt var OrcaRouter befinner sig

Vi erbjuder ingen av modellerna i den här artikeln. Qwen3.8-Omni-Flash hostas av A​libaba och finns inte i vår katalog; Ming-3.0-audio-flash har öppna vikter och finns inte i vår katalog. En läsare som registrerar sig i förväntan på någon av dem kommer att bli besviken, så det är bättre att säga det här än i slutet av en registreringsruta.

Det som klassificerings- och sammanfattningspipelinen ovan behöver är precis det som en router erbjuder: en enda nyckel för textsidan av kedjan, en routingregel som skickar standardljud åt ena hållet och accenterat ljud åt det andra, och en failover-väg när en leverantör försämras. Ett API för fler än 200 modeller med 0 % påslag — leverantörens listpris förs vidare, så en leverantörs prissänkning är aktiv hos oss samma dag — är en mindre sak att driva än tre avtal och två faktureringssystem, och automatisk failover är svaret på risken med en enda källa som följer med alla hostade omni-modeller. Routing-DSL:en är där en talpipeline med två grenar faktiskt kommer till uttryck. Den är inte, och kan inte vara, en ersättning för en checkpoint på 259 GB.

För två typer av team

Om du bygger en produkt det här kvartalet med ljud i och ingen GPU-budget är Qwen3.8-Omni-Flash svaret, med förbehållet att du hyr från en enda leverantör och bör skriva din klient så att endpointen är ett konfigurationsvärde i stället för en konstant. Dess kontextfönster och resonemangsbudget är verkligen större än något som alternativet med öppna vikter erbjuder.

Om du bygger infrastruktur – en transkriptionstjänst, en on-premise-pipeline för regelefterlevnad, vad som helst där en leverantörsendpoint är en belastning snarare än en bekvämlighet – är Ming-3.0-audio-flash det seriösa öppna alternativet, och dialektsiffrorna är anledningen. Budgetera för en nod, budgetera för en månads integration, och läs diariseringsraderna innan du lovar någon talaretiketter.

Den oglamorösa slutsatsen är att de två modellerna inte så mycket är rivaler som en arbetsfördelning som ingen av leverantörerna har incitament att beskriva. inclusionAI publicerade tabellen som visar det. Det är värt mer än ett lanseringsinlägg.