LFM3-Omni-2B vs Ming-3.0-audio-flash: โทรศัพท์เครื่องเดียวปะทะแร็ค

บิลออฟแมทีเรียลเป็นตัวตัดสินการเปรียบเทียบนี้ตั้งแต่ก่อนที่ผลเบนช์มาร์กจะได้มีบทบาท Ming-3.0-audio-flashมี 126,000 ล้านพารามิเตอร์ หรือน้ำหนัก bfloat16 ราว 259 GB และมีโปรไฟล์การให้บริการอ้างอิงที่สร้างบน H800 ขนาด 80 GB ในแบบ tensor parallel — สี่การ์ดในคอนฟิกูเรชัน 128K และแปดการ์ดเมื่อเสียงยาวจนหน่วยความจำไม่พอ LFM3-Omni-2Bมี 2,170 ล้านพารามิเตอร์ ส่งมอบเป็นน้ำหนัก BF16 ธรรมดา และถูกออกแบบมาให้รันบนมือถือ ทั้งคู่รับเสียงเข้า ทั้งคู่ตอบกลับออกมาเป็นเสียงได้ ตัวหนึ่งเป็นสินทรัพย์ของศูนย์ข้อมูล อีกตัวเป็นฟีเจอร์ที่คุณใส่ลงในแอปได้ และแทบทุกอย่างที่เหลือเกี่ยวกับทั้งสองก็เป็นผลสืบเนื่องมาจากข้อเท็จจริงข้อเดียวนี้

ทั้งสองก็เปิดตัวมาแบบไม่พิธีรีตองมากนัก Liquid AI ประกาศตระกูล LFM3 เมื่อวันที่ 27 ตุลาคม 2026 โดยมี LFM3-Omni-2B เป็นหนึ่งในหกโมเดลระดับ 2B ในโพสต์เดียว; รีโพซิทอรีของมันเปิดเป็นสาธารณะมาตั้งแต่วันที่ 21 ตุลาคม inclusionAI อัปโหลด Ming-3.0-audio-flash เมื่อวันที่ 3 กันยายน 2026 โดยแทบไม่มีเอกสารประกอบ และไม่ได้เผยแพร่การ์ดโมเดลจริงจนถึงวันที่ 19 ตุลาคม ซึ่งเป็นเวลาหกสัปดาห์ให้หลัง ทั้งสองผู้ขายไม่มีเบนช์มาร์กอิสระ และทั้งสองโมเดลก็ไม่มีเอนด์พอยต์แบบโฮสต์ที่คุณเช่าใช้ตามโทเค็นได้

สองวิธีในการใส่ปากให้โมเดล

ความแตกต่างทางสถาปัตยกรรมไม่ได้อยู่ที่ขนาด แต่อยู่ที่ว่าเสียงนั้นอยู่ตรงไหน

Ming-3.0-audio-flash เก็บเสียงไว้ในรูปแบบเสียงให้นานที่สุดเท่าที่จะเป็นไปได้ เอนโคเดอร์แบบ Whisper — 32 เลเยอร์ ความกว้าง 1,280 ไบนเมล 128 ช่อง — เปลี่ยนเสียงให้เป็นตัวแทนที่ป้อนเข้าสู่แบ็กโบนแบบ mixture-of-experts จำนวน 42 เลเยอร์ ซึ่งมีผู้เชี่ยวชาญ 512 ตัว และเลือก 8 ตัวต่อโทเคน เสียงพูดจะถูกส่งกลับผ่านโมดูล Talker แบบเลือกใช้ได้ พร้อมเสียงภาษาจีนในตัวและการพรอมป์เสียงด้วยคลิปอ้างอิง บริบทที่ประกาศไว้คือ 128K ซึ่งเป็นตัวเลขที่คอนฟิกไม่ได้ระบุไว้จนกระทั่งคอมมิตเมื่อวันที่ 13 ตุลาคมได้เพิ่มโพซิชันเอ็มเบดดิงจาก 8,192 เป็น 131,072

LFM3-Omni-2B แปลงทุกอย่างให้เป็นสตรีมเดียว วิดีโอถูกสุ่มตัวอย่างที่ 2 เฟรมต่อวินาที แพตช์ภาพขนาด 2×2 แต่ละแพตช์กลายเป็นโทเคนภาษาหนึ่งโทเคน และเสียงจะผ่านเอนโคเดอร์เสียงแบบ causal ของ LFM3 เข้าสู่คำศัพท์ 128,000 โทเคนเดียวกับข้อความ เอาต์พุตเสียงพูดคือ LiquidCodec ที่ 24 kHz; อินพุตเสียงเป็น 16 kHz โมโน โมเดลทั้งหมดอยู่ในหน้าต่าง 32K

นั่นเป็นข้อโต้แย้งเรื่องการบีบอัด และมันมีผลได้ผลเสียทั้งสองทาง วิธีของ LFM3-Omni-2B คือสิ่งที่ทำให้โมเดลขนาด 2.17B ใช้งานได้จริงบนมือถือ — ทุกอย่างเป็นโทเค็นชนิดเดียวกัน ดังนั้นทุกอย่างจึงมีต้นทุนถูกแบบเดียวกัน วิธีของ Ming คือสิ่งที่ทำให้โมเดลขนาด 126B เก็บข้อมูลบันทึกเสียงยาวหนึ่งชั่วโมงไว้ในความจำได้โดยไม่ทิ้งท่วงทำนองเสียง ทั้งสองทางไม่มีอะไรฟรี

ตัวเลขที่ควรนำมาเปรียบเทียบกัน

• พารามิเตอร์ทั้งหมด — LFM3-Omni-2B ขนาด 2.17B แบบ dense; Ming-3.0-audio-flash ขนาด 126B ในรูปแบบผสมผู้เชี่ยวชาญ 512 ตัว

• พารามิเตอร์ที่ใช้งาน — ประมาณ 2.17B เทียบกับ 6.5B ต่อขั้นตอนการอนุมาน

• น้ำหนักบนดิสก์ — เพียงไม่กี่กิกะไบต์ เมื่อเทียบกับชาร์ด bfloat16 ประมาณ 259 GB บวกกับ Talker

• ฮาร์ดแวร์อ้างอิง — โทรศัพท์ แล็ปท็อป หรือบอร์ด edge เทียบกับ H800 ขนาด 80 GB จำนวนสี่ตัวในโหมด tensor parallel สำหรับโปรไฟล์ 128K และแปดตัวเมื่อประมวลผลเสียงยาวจนหน่วยความจำไม่พอ

• คอนเท็กซ์ — 32K โทเค็น ครอบคลุมทั้งอินพุตและเอาต์พุต เทียบกับที่ประกาศไว้ 128K

• เอาต์พุตเสียง — LiquidCodec 24 kHz พร้อมภาษาเสียงพูด 19 ภาษา; Ming ส่งคืนข้อความหรือข้อความพร้อมเสียงผ่าน Talker โดยมีเสียงในตัวและการโคลนจากคลิปอ้างอิง

• สัญญาอนุญาต — LFM Open License v1.0 ซึ่งเป็นสัญญาอนุญาตแบบกำหนดเกณฑ์รายได้ เทียบกับ MIT

• ราคา — ไม่มีราคาต่อโทเคนจากทั้งสองฝ่าย เพราะไม่มีผู้ขายรายใดขายบริการอนุมานสำหรับเช็กพอยต์เหล่านี้

พารามิเตอร์ที่ใช้งานอยู่ไม่ใช่มาตรวัดความเร็ว

เป็นเรื่องชวนให้เข้าใจผิดที่จะอ่าน "6.5B active" ควบคู่กับ "2.17B dense" แล้วสรุปว่า Ming มีต้นทุนต่อโทเคนสูงกว่าเพียงสามเท่า การตีความเช่นนั้นผิดทั้งสองทาง

โมเดลแบบผสมผู้เชี่ยวชาญใช้แบนด์วิดท์หน่วยความจำ ไม่ใช่แค่การคำนวณ การให้บริการพารามิเตอร์ที่ใช้งานจริง 6.5B จาก 126B หมายถึงต้องย้ายน้ำหนักของผู้เชี่ยวชาญเข้าแคชในทุกเลเยอร์ และที่ขนาดแบตช์หนึ่ง ซึ่งเป็นสภาพการณ์ที่ผู้ช่วยเสียงดำเนินอยู่ นั่นใกล้เคียงกับการอ่านสัดส่วนจำนวนมากของ 259 GB สำหรับทุกโทเคน โปรไฟล์แปด H800 ไม่ใช่คำแนะนำสำหรับปริมาณงานสูงสุด แต่เป็นสิ่งที่จำเป็นเพื่อเก็บน้ำหนักไว้ LFM3-Omni-2B ที่ 2.17B มีปัญหาตรงกันข้าม: ไม่มีผลประโยชน์จาก sparsity แต่ก็ไม่มีอะไรต้องสลับเช่นกัน ซึ่งเป็นโปรไฟล์ที่ทำให้โทรศัพท์เป็นไปได้จริง

ผลลัพธ์ในทางปฏิบัติคือโมเดลทั้งสองมีเส้นโค้งการขยายขนาดที่ต่างกัน Ming มีต้นทุนต่อโทเคนถูกลงเมื่อเพิ่มขนาดแบทช์ ซึ่งเหมาะกับไปป์ไลน์การถอดเสียงที่ไล่ประมวลผลคิวของสายที่บันทึกไว้ LFM3-Omni-2B มีต้นทุนต่อหนึ่งคำพูดคงที่โดยประมาณ ซึ่งเหมาะกับการสนทนาแบบสดที่ขนาดแบทช์เป็นหนึ่งและงบประมาณความหน่วงอยู่ที่เพียงไม่กี่ร้อยมิลลิวินาที

126 พันล้านซื้ออะไรได้บ้าง

inclusionAI เผยแพร่การประเมินของตนเป็นภาพแทนที่จะเป็นตาราง ซึ่งก็เป็นการประกาศในแบบของมันเอง แต่ตัวเลขนั้นอ่านออกได้ บนฮาร์เนสของตัวเอง Ming-3.0-audio-flash รายงานอัตราความผิดพลาดเฉลี่ยของ ASR ภาษาจีนที่ 3.45 ภาษาอังกฤษ 3.69 ค่าเฉลี่ยภาษาถิ่นที่ 9.40 จากภาษากวางตุ้ง เซี่ยงไฮ้ หูหนาน และฮกเกี้ยน และอัตราความผิดพลาดในการแยกผู้พูดที่ 8.58 บน AISHELL-4 แถวการให้เหตุผลด้านเสียง شامل BigBenchAudio ที่ 99.40 และ MMAU ที่ 82.00 เหล่านี้เป็นตัวเลขของผู้ขายบนฮาร์เนสของผู้ขาย โดยมีเครื่องหมายดอกจันกำกับแถวที่ประเมินเอง ยังไม่มีใครทำซ้ำตัวเลขเหล่านี้ได้

จุดอ่อนที่ผู้ขายพิมพ์ไว้เองคือการให้เหตุผลกับเสียงยาว: คะแนน Long-audio Chain อยู่ที่ 12.31 และ LongAudioSpan อยู่ที่ 41.12 ซึ่งทั้งคู่ตามหลังโมเดลแบบโฮสต์ในตารางเปรียบเทียบของตัวเองอยู่มาก ดังนั้น 126B จึงไม่ได้ดีกว่าแบบสม่ำเสมอในเรื่อง "การเข้าใจเสียง" มันเก่งกว่าในการได้ยินอย่างแม่นยำว่ามีการพูดอะไร ด้วยสำเนียงใด โดยผู้พูดคนไหน — และด้อยกว่าอย่างชัดเจนในการเก็บ recording ยาว ๆ ไว้ในความจำและให้เหตุผลข้ามเนื้อหาทั้งหมด

2.17 พันล้านซื้ออะไรได้

LFM3-Omni-2B รายงานอัตราความผิดพลาดระดับคำของ ASR ภาษาอังกฤษที่ 6.36 และอัตราภาษาหลายภาษาที่ 6.72, TTS UTMOSv2 ที่ 3.80, VoiceBench 64.73, MMAR 51.40 และคะแนนการเรียกใช้เครื่องมือที่ 52.20 อินพุตเสียงถูกจำกัดที่ 16 kHz โมโน ซึ่งเหมาะสำหรับเสียงพูดและไร้ประโยชน์สำหรับดนตรี

อย่าเผลอเปรียบเทียบ 6.36 กับ 3.69 ของ Ming ทั้งสองไม่ใช่การทดสอบเดียวกัน ค่าเฉลี่ยภาษาอังกฤษของ Ming คำนวณจากชุด benchmark ภาษาอังกฤษของมันเอง ส่วน 6.36 ของ Liquid เป็นตัวเลขเดียวจากการประเมินครั้งเดียว ซึ่งรันด้วย prompt ของตัวเองและการถอดรหัสแบบ greedy ข้อความเดียวที่ปกป้องได้คือเชิงทิศทาง: ASR ของ Ming น่าจะดีกว่า เพราะโมเดล audio-native ขนาด 126B ที่มี tower สไตล์ Whisper มีพื้นที่ให้ดีกว่าได้มากกว่า และเพราะการจัดการภาษาถิ่นเป็นสิ่งที่ inclusionAI เลือกนำเสนอเป็นจุดเด่น จะดีกว่ากันสองจุดหรือครึ่งจุดนั้นไม่อาจรู้ได้จากการ์ดข้อมูลสองใบนี้

สิ่งที่ LFM3-Omni-2B ให้มาไม่ใช่ความแม่นยำ แต่คือการที่โมเดลทำงานในที่ที่ไมโครโฟนตั้งอยู่ สำหรับไปป์ไลน์บันทึกเสียงสนทนา สิ่งนี้ไม่มีความหมายอะไรเลย แต่สำหรับทุกสิ่งที่มีผู้ใช้แบบเรียลไทม์ มันเปลี่ยนสถาปัตยกรรมทั้งหมด: ไม่มีการอัปโหลด ไม่มี round trip ไม่มีค่าบริการรายนาที และไม่มีเสียงออกจากอุปกรณ์

ใบอนุญาตคือความแตกต่างที่เงียบงัน

Ming-3.0-audio-flash ใช้สัญญาอนุญาต MIT ซึ่งถือว่าเปิดกว้างที่สุดเท่าที่จะเป็นไปได้: ใช้เชิงพาณิชย์ แก้ไข กระจายต่อได้ ไม่มีเกณฑ์ทดสอบรายได้ ไม่มีข้อจำกัดด้านขอบเขตการใช้งาน LFM3-Omni-2B เผยแพร่ภายใต้ LFM Open License v1.0 ซึ่งเป็นสัญญาอนุญาตระดับตระกูลที่ Liquid ใช้กับ LFM3 ทั้งหมด และเป็นสัญญาอนุญาตแบบกำหนดเกณฑ์รายได้ ไม่ใช่สัญญาอนุญาตโอเพนซอร์สที่ได้รับการอนุมัติจาก OSI โปรดอ่านก่อนนำไปสร้างผลิตภัณฑ์ สำหรับสตาร์ทอัพที่อยู่ต่ำกว่าเกณฑ์ ความแตกต่างนี้เป็นเพียงเชิงทฤษฎี แต่สำหรับบริษัทที่อยู่เหนือเกณฑ์ MIT มีมูลค่าเป็นเงินจริง

การบูรณาการคือจุดที่เอกสารจะเผยให้เห็น

เรื่องราวการให้บริการของ Ming ยังอยู่ในระหว่างดำเนินการ กรอบการเปิดตัวของ inclusionAI ชี้ว่าคุณสามารถให้บริการตระกูลนี้ด้วย vLLM-Omni ได้ตั้งแต่วันนี้ แต่สิ่งที่รีโพซิทอรีแสดงจริงคือ pull request ที่ยังเปิดอยู่ — อันหนึ่งครอบคลุมเช็กพอยต์ tts-tiny อีกอันเพิ่มการรองรับ audio-flash จนกว่าสิ่งเหล่านั้นจะถูก merge การรัน Ming-3.0-audio-flash หมายถึงการใช้ Transformers บนเครื่องที่มีหน่วยความจำเพียงพอ หรือเส้นทาง SGLang-Omni ที่ผู้ขายจัดทำเอกสารไว้ ทำได้ และไม่ใช่แค่ `pip install`

เรื่องราวของ LFM3-Omni-2B ตรงกันข้าม: การ์ด Hugging Face ที่บันทึกสูตรการ fine-tuning และบิลด์ Ollama ที่ออกใช้งานแล้วในโลกภายนอก บิลด์นั้นระบุ context 125K เทียบกับการ์ดที่ 32K ซึ่งบอกคุณว่าการแพ็กเกจเดินหน้าเร็วกว่าเอกสาร — เรื่องเล็กๆ ที่สำคัญถ้าคุณวางแผนจะป้อนเสียงยาวให้มัน

ถ้าไม่มีตัวใดในสองตัวนี้ที่มีรูปแบบเหมาะกับคุณ ทางเลือกก็คือการเช่าความสามารถนั้นแทนการเป็นเจ้าของ ซึ่งเป็นงบประมาณอีกบรรทัดหนึ่งที่แตกต่างกัน OrcaRouter คือฝั่งโฮสต์ของทางเลือกนั้น — API เดียวที่ครอบคลุมโมเดลกว่า 200 รุ่น โดยบวกเพิ่ม 0% จากราคาตามรายการของผู้ให้บริการ พร้อมการสลับไปใช้ระบบสำรองอัตโนมัติเมื่อผู้ให้บริการล่ม — และทั้ง LFM3-Omni-2B และ Ming-3.0-audio-flash ต่างก็ไม่ได้อยู่ในแคตตาล็อกนั้นในปัจจุบัน นี่คือการวางกรอบอย่างตรงไปตรงมา: บทความนี้พูดถึงสองโมเดลที่คุณดาวน์โหลดได้ ไม่ใช่สองโมเดลที่คุณเรียกใช้ได้

ใครควรเลือกอันไหน

เลือก Ming-3.0-audio-flash หากคุณมี GPU ที่ไม่ได้ใช้งานทำอย่างอื่น เสียงของคุณเป็นภาษาจีนหรือภาษาอังกฤษที่มีสำเนียงและมีผู้พูดหลายคน และงานของคุณคือการสร้างบทถอดความที่แม่นยำหรือคำตอบที่มีเหตุผลเกี่ยวกับไฟล์บันทึกเสียงที่ยาว สัญญาอนุญาต MIT ทำให้มันเป็นตัวเลือกที่ปลอดภัยกว่าของทั้งสองตัวสำหรับการนำไปสร้างผลิตภัณฑ์เชิงพาณิชย์ และบริบท 128K ทำให้มันเป็นตัวเดียวในสองตัวนี้ที่สามารถรองรับการประชุมทั้งหมดได้ในครั้งเดียว

เลือก LFM3-Omni-2B หากเสียงถูกสร้างที่ edge ผู้ใช้กำลังรออยู่ และจำเป็นต้องพูดคำตอบกลับมาทันทีในจังหวะเดียวกัน ยอมรับว่าคุณจะได้ความแม่นยำของโมเดลที่เล็กกว่า รายการภาษาที่แคบกว่า และสัญญาอนุญาตที่มีข้อกำหนดเรื่องรายได้ แลกมากับการติดตั้งใช้งานที่พอดีกับแอปหนึ่งตัว

คำถามที่ต้องถามก่อนจะเลือกทางใดทางหนึ่ง: ข้อมูลเสียงไปที่ใด? หากคำตอบคือ “ไม่มีที่ไหนเลย” การเปรียบเทียบก็สิ้นสุด