LFM3-Audio-2B กับ Ming-3.0-audio-flash: เช็กพอยต์แล็ปท็อปเทียบกับหูแบบแปด GPU

ตัวเลขตัวแรกที่แยกLFM3-Audio-2BออกจากMing-3.0-audio-flashไม่ใช่ผลจาก benchmark แต่คือเลขแปด Ming-3.0-audio-flash โมเดล mixture-of-experts แบบ audio-language ขนาด 126B พารามิเตอร์ของ InclusionAI ที่มีพารามิเตอร์ทำงานจริง 6.5B ต้องใช้ tensor parallelism บน H800 80 GB จำนวนแปดตัวเพื่อให้บริการโปรไฟล์บริบท 128K เต็มรูปแบบพร้อมเอาต์พุตเสียง — สี่ GPU ให้เส้นทาง SGLang ที่ผ่านการตรวจสอบซึ่งรองรับเฉพาะข้อความ เพราะโมดูล Talker ไม่พอดี ส่วน LFM3-Audio-2B ซึ่ง Liquid AI เปิดตัวเมื่อ 27 ตุลาคม 2026 ในตระกูล LFM3 ที่มีหกโมเดล เป็น checkpoint ขนาด 2B ที่มาในรูปแบบดาวน์โหลด Ollama ขนาด 2.1 GB ทั้งสองเป็น open weights แต่มีเพียงตัวเดียวที่เป็นการตัดสินใจที่นักพัฒนาคนเดียวสามารถทำได้ในบ่ายนี้

ช่องว่างนั้นคือหัวใจของการเปรียบเทียบทั้งหมด และคุ้มค่าที่จะต้านทานความผิดพลาดที่เห็นได้ชัด คือการมองมันเป็นการจัดอันดับคุณภาพ Ming-3.0-audio-flash ได้ยินได้มากกว่า LFM3-Audio-2B มาก: การบันทึกเสียงยาว ผู้พูดหลายคน ดนตรี ฉากเสียง เสียงที่ไม่ใช่คำพูด LFM3-Audio-2B ถูกสร้างมาสำหรับลูปเสียงบนแล็ปท็อป — การรู้จำ การสังเคราะห์ การแปล และการเรียกเครื่องมือด้วยเสียงใน 18 ภาษา Ming เป็นหูที่มีปากติดอยู่ ส่วนโมเดลของ Liquid เป็นปากที่มีหูติดอยู่ คำถามคือคุณมีงานแบบไหนจริง ๆ

เรือเงียบสองลำ กับความเงียบสองแบบที่ต่างกัน

ทั้งสองโมเดลไม่ได้เปิดตัวแบบปกติ และความแตกต่างในการที่ทั้งสองปรากฏตัวบอกคุณได้ว่าควรคาดหวังอะไรจากรีโพซิทอรีแต่ละแห่ง

Ming-3.0-audio-flash ถูกอัปโหลดขึ้น Hugging Face เมื่อวันที่ 3 กันยายน 2026 โดยไม่มีการประกาศ จากนั้นก็อยู่ในสภาพใช้งานไม่ได้เป็นเวลาหกสัปดาห์ จนกระทั่งโค้ดสำหรับให้บริการ ตัวอย่าง และการ์ดที่เขียนใหม่ถูกเผยแพร่ระหว่างวันที่ 15 ถึง 19 ตุลาคม รีโพซิทอรี GitHub ถูกสร้างขึ้นเมื่อวันที่ 15 ส่วนการ์ดยังคงถูกแก้ไขอยู่เมื่อวันที่ 19 หน้า HF แสดงจำนวนดาวน์โหลด 22 ครั้งเมื่อเดือนที่แล้ว โครงการนี้ใช้สัญญาอนุญาต MIT และไฟล์ YAML สำหรับการติดตั้งใช้งานอ้างอิงอยู่ในรีโพซิทอรี

LFM3-Audio-2B เปิดตัวเมื่อวันที่ 27 ตุลาคม ในฐานะหนึ่งในหกโมเดลของการเปิดตัวชุดโมเดลของ Liquid โดยใช้โครงหลัก LFM3-1.7B-Base ร่วมกัน สาขาเสียงได้เพียงหนึ่งย่อหน้าในโพสต์เปิดตัวชุดโมเดลพร้อมการ์ดโมเดล ไม่มีประกาศเฉพาะสำหรับเสียง และไม่มีรายการราคาสำหรับโมเดลนี้บนเว็บไซต์ของ Liquid ภายในหนึ่งวันก็มี pull request ของ llama.cpp ที่ถูก merge แล้ว (#31257) และบิลด์ Ollama ความแตกต่างคือความเร็วของเครื่องมือ ไม่ใช่ความลึกของเอกสารประกอบ: Ming มีแผงเกณฑ์มาตรฐานเป็นรูปภาพ ขณะที่ Liquid มีตารางหกแถวโดยไม่มีชื่อชุดทดสอบที่ระบุ

แต่ละคนได้ยินอะไร

• อินพุต — LFM3-Audio-2B: ข้อความหรือเสียง 16 kHz Ming-3.0-audio-flash: เสียงพร้อมคำสั่งแบบข้อความ

• เอาต์พุต — LFM3-Audio-2B: ข้อความ, เสียงพูด 24 kHz, หรือข้อความและเสียงพูดแบบสลับกัน Ming-3.0-audio-flash: ข้อความ, หรือข้อความพร้อมเสียงพูดสังเคราะห์ผ่าน Talker ซึ่งเป็นอุปกรณ์เสริม

• บริบท — LFM3-Audio-2B: 32K โทเคน นับรวมอินพุตและเอาต์พุต Ming-3.0-audio-flash: 128K โทเคน เพิ่มขึ้นจาก 8,192 ในการคอมมิตเมื่อเดือนตุลาคม

• ภาษา — LFM3-Audio-2B: 18 ภาษาที่ระบุเป็น 19 โลแคล เนื่องจากภาษาอังกฤษปรากฏเป็นรุ่นย่อย US และ UK; ASR แบบเรียลไทม์รองรับเฉพาะภาษาอังกฤษ Ming-3.0-audio-flash: จีนและอังกฤษ รวมถึงสำเนียงและภาษาถิ่น — กวางตุ้ง เซี่ยงไฮ้ หูหนาน และฮกเกี้ยน ถูกระบุชื่อไว้ในขอบเขตความครอบคลุมของตระกูลนี้

• สัญญาอนุญาต — LFM3-Audio-2B: LFM Open License v1.0 ใช้งานเชิงพาณิชย์ได้ฟรีเมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐ Ming-3.0-audio-flash: MIT

• ข้อกำหนดฮาร์ดแวร์ขั้นต่ำ — LFM3-Audio-2B: ทำงานบน CPU ได้ผ่าน GGUF, 2.1 GB. Ming-3.0-audio-flash: ใช้ H800 ขนาด 80 GB จำนวนแปดตัวสำหรับโปรไฟล์เสียงแบบเต็ม และสี่ตัวสำหรับเฉพาะข้อความ

จุดที่คนมักเข้าใจผิดเกี่ยวกับสองระบบนี้บ่อยที่สุดคือประเด็นด้านภาษา การมี 18 ภาษาฟังดูครอบคลุมกว่าการมี 2 ภาษา และสำหรับงานสังเคราะห์เสียงก็เป็นเช่นนั้นจริง แต่ 18 ภาษานั้นส่วนใหญ่เป็นภาษายุโรป บวกกับญี่ปุ่น เกาหลี และจีน และ Liquid จำกัดการใช้ ASR แบบเรียลไทม์ไว้ที่ภาษาอังกฤษอย่างชัดเจน ส่วน 2 ภาษาของ Ming มาพร้อมความครอบคลุมของสำเนียงท้องถิ่น ซึ่งมีความสำคัญในศูนย์ติดต่อลูกค้าจีนมากกว่ารายการภาษาท้องถิ่นที่ยาวเหยียด หากเสียงของคุณเป็นภาษาจีนกลางที่มีการสลับภาษา คำกล่าวอ้างเรื่องภาษาที่ดูแคบของ Ming ก็ถือว่าแข็งแกร่งกว่า และหากคุณต้องการเสียงภาษาดัตช์หรือสวีเดนบนแล็ปท็อป LFM3-Audio-2B คือระบบเดียวในสองระบบนี้ที่อ้างว่าทำได้

ตัวเลขเพียงตัวเดียวที่ตรงกัน และเหตุใดจึงยังไม่ใช่คำตัดสิน

ผู้จำหน่ายทั้งสองรายเผยแพร่ตัวเลข VoiceBench ซึ่งทำให้มันเป็นสิ่งที่ใกล้เคียงที่สุดกับแกนอ้างอิงร่วมในที่นี้ Ming-3.0-audio-flash รายงาน 86.74 LFM3-Audio-2B รายงาน 73.13 เมื่อมองเผินๆ นั่นคือช่องว่าง 13.6 จุดที่เป็นผลดีต่อ Ming

ให้ถือเป็นสมมติฐาน ไม่ใช่ผลลัพธ์ ตัวเลขทั้งสองมาจากฮาร์เนสเวอร์ชันที่ต่างกัน พรอมต์ที่ต่างกัน และการตั้งค่าการถอดรหัสที่ต่างกัน และไม่มีรีโพซิทอรีใดระบุการกำหนดค่าที่แน่นอน เอกสารของ Ming เองเตือนว่าโมเดลสำหรับเปรียบเทียบถูกทำซ้ำภายใต้การตั้งค่าการประเมินของ inclusionAI และอาจแตกต่างจากรายงานทางการเนื่องจากพรอมต์ การถอดรหัส เวอร์ชัน และไปป์ไลน์ ตารางของ Liquid ไม่ได้ระบุชุดทดสอบเลย ตัวเลขจากผู้ขายรายหนึ่งเมื่อเทียบกับตัวเลขจากผู้ขายอีกรายหนึ่งเป็นการจัดลำดับข้อกล่าวอ้างสองข้อ ไม่ใช่การวัดโมเดลสองตัว

ข้อควรระวังเดียวกันนี้ใช้กับส่วนที่เหลือของแผงข้อมูลของ Ming ด้วย: ค่าเฉลี่ย CER ของ ASR ภาษาจีน 3.45, WER ภาษาอังกฤษ 3.69, CER ของภาษาถิ่น 9.40, BigBenchAudio 99.40, MMAU 82.00 — ทั้งหมดเป็นข้อมูลที่ผู้ให้บริการรายงานเอง และใช้เพื่อการแสดงผลเท่านั้น เมื่อเทียบกับ WER ภาษาอังกฤษ 6.23 และ MMAR 50.60 ของ LFM3-Audio-2B ทิศทางก็สอดคล้องกัน: Ming เป็นผู้ฟังที่แข็งแกร่งกว่า แต่ขนาดของความแตกต่างยังไม่ได้รับการยืนยันจากสิ่งใดที่ทั้งสองแล็บเผยแพร่ออกมา

สิ่งที่ใบอนุญาตให้อะไร และต้องแลกมาด้วยอะไร

MIT เป็นสัญญาอนุญาตที่สะอาดกว่าและชัดเจนมากจนไม่ใช่เรื่องที่ต้องเทียบกันเลย LFM Open License v1.0 ใช้ฟรีเมื่อรายได้ต่ำกว่าเกณฑ์หนึ่ง และต้องซื้อสัญญาอนุญาตเชิงพาณิชย์เมื่อรายได้เกินเกณฑ์นั้น ส่วน MIT ไม่มีเกณฑ์ดังกล่าว สำหรับบริษัทที่คาดว่าจะเติบโตเกิน $10M ความแตกต่างนี้คือรายการจัดซื้อจัดจ้างรายการหนึ่ง ไม่ใช่แค่หมายเหตุท้ายเอกสาร

ค่าลิขสิทธิ์ยังเป็นครึ่งที่เล็กกว่าของต้นทุนอีกด้วย พื้นขั้นต่ำแบบแปด GPU ของ Ming คือการตัดสินใจด้านเงินทุนที่มีตารางค่าเสื่อมราคา มีแร็ก และมีเพจเจอร์ ไฟล์ดาวน์โหลดขนาด 2.1 GB ของ Liquid ทำงานบน CPU ของแล็ปท็อปผ่าน GGUF โดยใช้ MLX 4-bit สำหรับ Apple silicon และ ONNX Runtime เพื่อความสะดวกในการพอร์ต ต้นทุนส่วนเพิ่มของชั่วโมงเสียงที่หนึ่งพันนั้นเกือบเป็นศูนย์ในทั้งสองแบบ ส่วนต้นทุนคงที่นั้นต่างกันถึงสามลำดับขนาด

นั่นไม่ได้ทำให้ Ming แพง แต่มันทำให้ Ming เป็นการซื้อที่แตกต่างออกไป หากภาระงานของคุณคงที่และข้อมูลเสียงของคุณออกนอกองค์กรไม่ได้ การเป็นเจ้าของหู 126B อาจถูกกว่าการจ่ายรายนาทีไปหลายปี — จุดคุ้มทุนคือการคำนวณอัตราการใช้งาน ไม่ใช่เบนช์มาร์ก หากภาระงานของคุณเป็นโปรโตไทป์ เดโม หรือผลิตภัณฑ์ที่ปริมาณเสียงยังไม่แน่นอน โปรไฟล์แปด GPU คือการเดิมพันที่วางไว้ก่อนหลักฐานจะมาถึง

ลองก่อนซื้อ

ปัญหาด้านการปฏิบัติของทั้งสองโมเดลเหมือนกัน: คุณไม่สามารถบอกได้จาก model card ว่าโมเดลใดโมเดลหนึ่งจะทำงานกับไฟล์บันทึกเสียงของคุณได้หรือไม่ เส้นทางการให้บริการของ Ming สมมติว่ามีฮาร์ดแวร์ที่ทีมส่วนใหญ่ไม่มี ส่วนของ Liquid ทำงานได้ทุกที่แต่ไม่มีการประเมินที่เป็นอิสระ วิธีที่ประหยัดในทั้งสองกรณีคือการวัดผลบนตัวอย่างเล็ก ๆ ก่อนตัดสินใจ

OrcaRouter ไม่ได้โฮสต์เช็กพอยต์ทั้งสองตัวนี้ ดังนั้นข้อเสนอเรื่องการจัดเส้นทางจึงใช้ไม่ได้กับเลเยอร์เสียงโดยตรง แต่ใช้ในระดับที่สูงขึ้นไปหนึ่งชั้นไปป์ไลน์เสียงคือโมเดลเสียงบวกกับโมเดลข้อความที่จำแนก สรุป หรือจัดเส้นทางสิ่งที่ได้ยิน และการเรียกครั้งที่สองนี่เองที่เราเตอร์พิสูจน์คุณค่าได้: โมเดลมากกว่า 200 โมเดลอยู่เบื้องหลังคีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม มีระบบสลับอัตโนมัติเมื่อเกิดข้อขัดข้องข้ามผู้ให้บริการ และมี DSL สำหรับการจัดเส้นทางหากคุณต้องการประกอบหลายโมเดลเป็นการเรียกครั้งเดียว ลองนำไฟล์บันทึกเสียงที่แย่ที่สุดยี่สิบไฟล์ของคุณมาผ่านโมเดลเสียง แล้วนำข้อความที่ถอดได้ผ่านโมเดลปลายทางเดียวกันบนปลายทางเดียวกัน — วิธีนี้ทำให้การเปรียบเทียบสะอาดและแทบไม่มีค่าใช้จ่ายเลย

เลือกอันไหนดี

เลือก LFM3-Audio-2B หากโมเดลต้องทำงานบนเครื่องที่คุณมีอยู่แล้ว หากคุณต้องการเอาต์พุตเสียงพูดในภาษาที่ Ming ไม่รองรับ หรือหากคุณกำลังสร้างต้นแบบลูปการเรียกเครื่องมือด้วยเสียงและต้องการให้โมเดลอยู่บนเครื่องเดียวกับเครื่องมือเหล่านั้น ยอมรับว่าครึ่งด้านการรู้จำเสียงอยู่ในระดับกลางตาราง และ ASR แบบเรียลไทม์รองรับเฉพาะภาษาอังกฤษและยังเป็น pull request ที่จะตามมาใน llama.cpp

เลือก Ming-3.0-audio-flash หากงานนั้นเป็นการทำความเข้าใจมากกว่าการสนทนา เช่น การประชุมยาว การบันทึกเสียงที่มีผู้พูดหลายคนและมีเสียงรบกวน การให้เหตุผลจากเสียง หรือภาระงานภาษาจีนที่ความครอบคลุมของภาษาถิ่นมีความสำคัญ จัดงบสำหรับ GPU แปดตัว หรือยอมรับโปรไฟล์ข้อความอย่างเดียวแบบ GPU สี่ตัวและปล่อย Talker ไป แล้วทดสอบประเมินด้วยตัวเองก่อนที่จะเชื่อผลประเมินของผู้ขายรายใดรายหนึ่ง

เลือกไม่เอาทั้งคู่ไปก่อน หากคุณยังระบุไม่ได้ว่าคุณมีงานแบบไหนในสองงานนั้น โมเดลทั้งสองมีอายุ 4 วันและ 6 สัปดาห์ตามลำดับ เอกสารของทั้งคู่ยิ่งบางกว่าข้ออ้างเรื่องความสามารถของพวกมัน และการเปรียบเทียบกันแบบตัวต่อตัวครั้งแรกที่เป็นอิสระบนคลังข้อมูลร่วมกันจะมีค่ามากกว่าตัวเลขทุกตัวในบทความนี้ จนกว่าสิ่งนั้นจะมีอยู่ ข้อกำหนดฮาร์ดแวร์ขั้นต่ำคือตัวตัดสินที่ซื่อสัตย์ที่สุดที่มีอยู่: ตัวหนึ่งรันได้บนแล็ปท็อปของคุณ ส่วนอีกตัวต้องใช้แร็ก