การ์ดชื่อเรื่องที่สร้างขึ้นซึ่งระบุว่า 'Ming-3.0-audio-flash ครองอันดับสูงสุดด้านการให้เหตุผลด้านเสียงพูดที่ 99.8%' พร้อมคำบรรยายใต้ภาพที่ระบุถึงการอยู่ในอันดับหนึ่งบน Artificial Analysis Big Bench Audio เมื่อวันที่ 18 พฤศจิกายน 2026 และเช็กพอยต์ดังกล่าวเผยแพร่เมื่อวันที่ 3 กันยายน โดยไม่มีตารางราคา ชิปสถิติสี่ชิ้นระบุว่า '99.8% Big Bench Audio', 'อันดับ 1 จาก 42 โมเดล', '1.12 วินาทีถึงเสียงแรก' และ 'ไม่มีการเผยแพร่ราคา' ส่วนท้ายระบุว่า 'คะแนนตามข้อมูลของ Artificial Analysis วันที่ 18 พฤศจิกายน 2026'
Engineering & Research

Ming-3.0-audio-flash ขึ้นแท่นอันดับหนึ่งด้านการให้เหตุผลเสียงของ Artificial Analysis ที่ 99.8% — นำอยู่หนึ่งจุด และยังไม่มีราคา

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

ตอนนี้ Artificial Analysis จัดให้ Ming-3.0-audio-flashอยู่อันดับหนึ่งบนบอร์ด Speech Reasoning ของตน ซึ่งคือการประเมิน Big Bench Audio ด้วยความแม่นยำ 99.8% นำหน้า StepAudio 3 Realtime ที่ 99.7%, Qwen Audio 3.0 Realtime Plus ที่ 99.2%, Eleven Realtime v1 Max ที่ 98.8%, Grok Voice 3.0 ที่ 98.5%, Gemini 3.8 Live Extended Thinking (High) ที่ 97.7% และ GPT-Realtime-2.1 High ที่ 95.8% คำกล่าวอ้างนี้เผยแพร่ออกมาจาก Ant Ling เมื่อวันที่ 18 พฤศจิกายน 2026 เวลา 08:37 UTC ซึ่งเป็นเวลาสิบเก้านาทีหลังจากที่รีโพซิทอรีของโมเดลเองถูกแก้ไขเพื่อเพิ่มตัวเลขเดียวกันนี้และภาพลีดเดอร์บอร์ด จังหวะเวลานี้คือเรื่องทั้งหมด: โมเดลที่เปิดตัวในเดือนกันยายนโดยไม่มีคะแนนจากบุคคลที่สาม ตอนนี้มีแล้ว และตัวเลขนั้นใกล้เพดานมาก

เพื่อความชัดเจนว่าอะไรคือของใหม่และอะไรไม่ใช่ — เพราะนี่ไม่ใช่การเปิดตัว inclusionAI อัปโหลดน้ำหนักของ Ming-3.0-audio-flash ไปยัง Hugging Face เมื่อวันที่ 3 กันยายน 2026 และไม่พูดถึงเรื่องนี้เลยเป็นเวลาหกสัปดาห์; การ์ดโมเดล โปรไฟล์การให้บริการ และโค้ดตัวอย่างเพิ่งเผยแพร่ระหว่างวันที่ 15 ถึง 19 ตุลาคม สิ่งที่เปลี่ยนไปในวันนี้คือการประเมิน ไม่ใช่เช็กพอยต์ ชาร์ด safetensors เป็นไบต์เดียวกันกับเมื่อเดือนกันยายน ดังนั้นกรอบที่ตรงไปตรงมาคือ โมเดลเสียงแบบเปิดน้ำหนักที่อายุเจ็ดสัปดาห์เพิ่งได้รับการวัดผลโดยคนอื่นที่ไม่ใช่ผู้เขียนของมัน และมันได้ผลออกมาเป็นอันดับหนึ่ง

Big Bench Audio จริง ๆ แล้วขอให้โมเดลทำอะไร

ควรกล่าวถึงการทดสอบนี้อย่างเป็นรูปธรรม เพราะ "speech reasoning" ฟังดูเหมือนสิ่งที่ voice agent ทำในการสนทนา แต่โดยส่วนใหญ่แล้วไม่ใช่ Big Bench Audio คือชุดคำถามแบบเลือกตอบที่นำเสนอในรูปแบบเสียง: โมเดลจะได้ยินไฟล์บันทึกเสียง ได้ยินหรืออ่านคำถามเกี่ยวกับไฟล์นั้น แล้วเลือกคำตอบ มันให้คะแนนความสามารถในการจดจำข้อความที่พูดไว้ในบริบทและนำการให้เหตุผลทั่วไปมาใช้กับข้อความนั้น มันไม่ให้คะแนนการผลัดกันพูด การจัดการการขัดจังหวะ การส่งเสียงตอบรับ หรือความสามารถในการฟังดูเหมือนคน สิ่งเหล่านี้อยู่ในกระดานจัดอันดับอีกแห่งของ Artificial Analysis คือ Full Duplex Bench ซึ่งปัจจุบัน Ming-3.0-audio-flash ยังไม่มีคะแนนที่เผยแพร่เลย

ความแตกต่างนั้นสำคัญกว่าปกติในที่นี้ เพราะที่ 99.8% เมตริกแทบจะไม่มีช่องให้ขยับแล้ว บนบอร์ดจัดอันดับ 42 โมเดล ความต่างระหว่างอันดับหนึ่งกับอันดับห้าคือหนึ่งจุดเปอร์เซ็นต์ ระหว่างอันดับหนึ่งกับโมเดลในอันดับสิบสาม — GPT-Realtime-2.1 High — ห่างกันสี่จุด การทดสอบที่โมเดลสมัยใหม่แทบทุกตัวได้คะแนนในหลักเก้าสิบ เป็นการทดสอบที่เลิกแยกแยะหัวแถวของวงการแล้ว และการนำอยู่หนึ่งจุดเหนือ StepAudio 3 Realtime ก็คือรายการเพียงไม่กี่ข้อบนเบนช์มาร์กที่จำนวนข้อซึ่งไม่มีใครนอก Artificial Analysis ตรวจสอบได้ ควรอ่านอันดับนี้ว่า "โมเดลนี้อยู่ในกลุ่มท็อป" ซึ่งมีประโยชน์จริง มากกว่าจะอ่านว่า "โมเดลนี้ได้ยินดีกว่าทุกสิ่งอื่นอย่างวัดผลได้" ซึ่งตัวเลขไม่สามารถสนับสนุนได้

ตารางคะแนนตามลำดับ สำหรับใครก็ตามที่อยากเห็นภาพรวมของสนามแข่งขันมากกว่าพาดหัวข่าว:

• 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 (สูง), 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.

รายละเอียดหนึ่งในเอกสารของทางผู้ขายเองน่าจะถูกชี้ให้เห็น เพราะเป็นเรื่องประเภทที่มักถูกมองข้ามไปอย่างเงียบ ๆ ภาพผลการประเมินบนการ์ดโมเดลของ inclusionAI ซึ่งอัปโหลดในเดือนตุลาคม แสดงว่าโมเดล flash ได้ 99.40 ใน “BigBenchAudio” ตอนนี้ Artificial Analysis รายงานว่า 99.8 สองค่านี้เป็นการรันที่แตกต่างกันของเบนช์มาร์กที่คล้ายกัน และช่องว่างดังกล่าวไม่ใช่ข้อผิดพลาดในค่าใดค่าหนึ่ง แต่เป็นความแปรปรวนปกติที่เกิดขึ้นเมื่อชุดทดสอบ รูปแบบพรอมป์ต์ และชุดย่อยของข้อคำถามไม่เหมือนกันทุกประการ นอกจากนี้ยังเป็นเครื่องเตือนใจว่าตารางเดือนตุลาคมของผู้ขายกับบอร์ดบุคคลที่สามในวันนี้เป็นตัวเลขที่ใช้แทนกันไม่ได้ แม้ว่าจะมีป้ายชื่อเกือบเหมือนกันก็ตาม

สิ่งที่คณะกรรมการไม่ได้บอก

มีสามสิ่งที่ขาดหายไปจากรายการของ Artificial Analysis และแต่ละอย่างมีความสำคัญต่อการตัดสินใจนำไปใช้งานมากกว่าตัวเลขความแม่นยำ

อย่างแรกคือราคา Ming-3.0-audio-flash ไม่มีอัตราคิดตามโทเคนหรือตามนาทีบน Artificial Analysis เพราะไม่มีอะไรให้ซื้อ: มันเป็นเช็กพอยต์แบบ mixture-of-experts ขนาด 126 พันล้านพารามิเตอร์ภายใต้ MIT โดยมี 6.5 พันล้านพารามิเตอร์ที่ทำงานในแต่ละสเต็ป ค่าใช้จ่ายคือต้นทุนฮาร์ดแวร์เท่าไรก็เท่านั้น บันทึกการปรับใช้ของ inclusionAI ระบุว่าโปรไฟล์การให้บริการ 128K อ้างอิงใช้ tensor parallelism บน H800 ขนาด 80 GB สี่ตัว โดยมีแผนสำรองแบบแปด GPU สำหรับเสียงยาว และมีโปรไฟล์ SGLang ที่ผ่านการตรวจสอบแล้วบนสี่ GPU ซึ่งคืนค่าเฉพาะข้อความ ทุกโมเดลที่อยู่เหนือมันบน leaderboard ยกเว้นตัวมันเองเป็น API แบบคิดตามการใช้งาน การเปรียบเทียบเฉพาะความแม่นยำเป็นการเทียบคะแนน benchmark กับคะแนน benchmark และมองข้ามว่าด้านหนึ่งของตารางคือการซื้อ ขณะที่อีกด้านคือการสมัครสมาชิก

อย่างที่สองคือความหน่วง Artificial Analysis วัดเวลาถึงเสียงแรกจริง และ Ming-3.0-audio-flash อยู่ที่ 1.12 วินาที ส่วน Eleven Realtime v1 Max อยู่ที่ 0.57 วินาที — ประมาณครึ่งหนึ่ง หากแอปพลิเคชันของคุณเป็น voice agent ที่ต้องตอบภายในจังหวะหยุดพูดของการสนทนา การชนะบน benchmark ไม่สามารถชดเชยความเงียบหนึ่งวินาทีได้ และลำดับบน leaderboard ก็ไม่ได้บอกอะไรเลยว่าคุณจะอยู่กับตัวเลขใดในสองตัวนั้นได้

ข้อที่สามคือพฤติกรรมการสนทนา Full Duplex Bench มีคะแนนสำหรับ Eleven Realtime v1 Max (ภาพรวม 0.941 โดยการจัดการการขัดจังหวะอยู่ที่ 0.99 และการผลัดกันพูดอยู่ที่ 1.0) และสำหรับโมเดลเรียลไทม์ของ Gemini และ GPT หลายรุ่น Ming-3.0-audio-flash ไม่มีคะแนน FDB ไม่มีรายละเอียดแยกของพลวัตการสนทนา และไม่มีการวัดที่เผยแพร่เกี่ยวกับวิธีการรับมือเมื่อถูกขัดจังหวะ โมเดลสามารถทำข้อสอบปรนัยเกี่ยวกับเสียงได้เต็ม แต่ก็ยังอาจพูดทับคุณได้

และตัวเลขเดือนตุลาคมของผู้ขายเองคือหลักฐานที่ดูดีน้อยที่สุดในภาพรวมทั้งหมดนี้ บนเอกสารสเปกเดียวกันกับที่โฆษณาชัยชนะด้านการให้เหตุผลเกี่ยวกับเสียงพูด inclusionAI เผยแพร่คะแนน long-audio chain ที่ 12.31 เทียบกับ 34.54 ของ Qwen3.8-Omni Flash และ 49.63 ของ Gemini 3.8 Flash, LongAudioSpan ที่ 41.12 เทียบกับ 66.40 และอัตราความผิดพลาดในการแยกผู้พูดบน AMI ที่ 25.29 เทียบกับ 11.16 ของ MiMo-V2.6 Pro นี่คือตัวเลขของผู้ขายเอง บนงานที่ผู้ขายเลือกเอง และตัวเลขเหล่านี้อธิบายโมเดลที่เก่งมากกับเสียงสั้นแบบถามตอบและอ่อนด้อยในการให้เหตุผลข้ามการบันทึกเสียงยาว การได้ 99.8 ใน Big Bench Audio ไม่ได้เปลี่ยนแปลงสิ่งนั้น เพราะ Big Bench Audio ไม่ใช่การทดสอบเสียงยาว

ช่องว่างสิบเจ็ดนาทีระหว่างการ์ดกับทวีต

คอมมิตในรีโพซิทอรีมีเวลาประทับ 08:26:48 UTC ของวันที่ 18 พฤศจิกายน และมีชื่อ (บางส่วน) ว่า “Update Flash BBA score to 99.8% and add the overall #1 leaderboard res…” โพสต์จาก Ant Ling ตามมาที่ 08:37:02 คอมมิตเดียวกันได้แตะการ์ดของโมเดลน้องตัวจิ๋วอีกสี่สิบแปดวินาทีต่อมา โดยเพิ่มประโยคเดียวกันเข้าไป — ย่อหน้า benchmark ที่ใช้ร่วมกัน ซึ่งถูกคัดลอกไปยังทั้งสองรีโพซิทอรี และเป็นอีกเหตุผลหนึ่งที่ต้องตรวจสอบว่าตัวเลขหนึ่ง ๆ เป็นของ checkpoint ใดกันแน่ก่อนจะนำไปอ้างอิง

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.'

สิ่งที่ลำดับเหตุการณ์นั้นบอกคุณก็คือ ตอนนี้การ์ดโมเดลอยู่ปลายน้ำของกระดานผู้นำ ไม่ใช่กลับกัน เป็นเวลาหกสัปดาห์ที่หลักฐานด้านประสิทธิภาพเพียงอย่างเดียวของ Ming-3.0-audio-flash คือชุดภาพ PNG ในโฟลเดอร์ชื่อ assets/ ซึ่งผลิตโดยทีมที่ฝึกมันมา นั่นไม่ใช่เรื่องเล็กน้อย — การประเมินจากผู้ขายมักซื่อสัตย์ เพียงแต่มองโลกในแง่ดีเกินไปเรื่องการเลือกงาน — แต่มันเป็นหลักฐานคนละประเภทกับการที่บุคคลที่สามรันชุดทดสอบของตัวเองและเผยแพร่อันดับ สิ่งที่น่าสนใจของวันนี้ไม่ใช่ที่ผู้ขายอ้างว่าครองอันดับหนึ่ง แต่คือองค์กรที่ไม่มีความได้เสียในผลลัพธ์เป็นผู้วางโมเดลไว้ตรงนั้น

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.

จุดที่เราเตอร์เหมาะ และจุดที่มันไม่เหมาะ

OrcaRouter ไม่ให้บริการ Ming-3.0-audio-flash มันไม่อยู่ในแคตตาล็อกของเรา เราให้ endpoint สำหรับมันไม่ได้ และไม่ควรตีความสิ่งใดที่นี่ว่าเป็นข้อเสนอ หากคุณต้องการรันมัน คุณต้องโคลน repository ติดตั้งโค้ดพาธ Transformers 5 หรือหนึ่งในโปรไฟล์การให้บริการของ SGLang-Omni และชี้การ์ด 80 GB อย่างน้อยสี่ใบไปที่มัน นั่นคือโครงสร้างพื้นฐาน และเราเตอร์ไม่ได้ทำโครงสร้างพื้นฐาน

สิ่งที่เราเตอร์ทำก็คืออีกครึ่งหนึ่งของไปป์ไลน์เสียงพูดใด ๆ แอปพลิเคชันเสียงที่สร้างบนโมเดลเสียงแบบโฮสต์เองยังคงเป็นงานข้อความเป็นส่วนใหญ่: พร้อมต์ที่ตัดสินใจว่าจะถามอะไรจากการบันทึกเสียง การประมวลผลหลังที่เปลี่ยนป้ายกำกับภาษาที่คั่นด้วยแท็บให้เป็นเอาต์พุตแบบมีโครงสร้าง สรุปที่เขียนจากข้อความถอดเสียง ตัวจำแนกที่ส่งต่อสายที่มีเสียงรบกวนไปยังเจ้าหน้าที่ สิ่งเหล่านี้คือการเรียกแชตธรรมดา และ API เดียวสำหรับกว่า 200 โมเดลโดยคิดมาร์กอัป 0% — ราคาตามรายการของผู้ให้บริการถูกส่งผ่านมาที่คุณโดยตรง ดังนั้นเมื่อผู้ขายลดราคา ฝั่งเราก็มีผลในวันเดียวกัน — เป็นสิ่งที่ต่อเชื่อมได้ง่ายกว่าการทำสัญญากับผู้ขายรายที่สองและรายที่สาม การสลับสำรองอัตโนมัติคือสิ่งที่ช่วยให้คุณวางโมเดล open-weights ที่ยังไม่ผ่านการพิสูจน์ไว้เบื้องหลังทราฟฟิกบางส่วนของคุณ โดยไม่ต้องเดิมพันทั้งเส้นทางไว้กับมัน.

เส้นแบ่งนั่นแหละคือประเด็นสำคัญ เช็กพอยต์ขนาด 259 GB ที่คุณรันบน GPU ของตนเองคือการตัดสินใจลงทุนในระดับทุน ส่วนเราเตอร์ก็เพียงกำหนดเส้นทางการเรียกใช้เท่านั้น มันไม่ได้เปลี่ยนโมเดลบนคลัสเตอร์ให้กลายเป็นโมเดลแบบโฮสต์ และมันไม่ได้ทำให้คะแนน 99.8% บนแบบทดสอบปรนัยกลายเป็นหลักฐานเกี่ยวกับผลิตภัณฑ์ของคุณ

อะไรจะทำให้สิ่งนี้มีความหมาย

การวัดสามอย่างจะเปลี่ยนพาดหัวข่าววันนี้ให้เป็นการตัดสินใจได้ และทั้งสามอย่างเป็นสิ่งที่ Artificial Analysis หรืออารีนาสามารถเผยแพร่ได้โดยไม่ต้องขออะไรจาก inclusionAI คะแนน Full Duplex Bench จะบอกว่าพฤติกรรมการสนทนาสอดคล้องกับความเข้าใจหรือไม่ ผลลัพธ์เสียงยาวบนชุดข้อมูลสาธารณะจะทดสอบแกนเดียวที่ตารางของบริษัทผู้พัฒนาเองอ่อนแอที่สุด และการรัน Big Bench Audio ครั้งที่สองอย่างเป็นอิสระ — ด้วยฮาร์เนสอื่นและตัวอย่างข้อสอบชุดอื่น — จะบอกคุณว่า 99.8 เป็นเอฟเฟกต์เพดานหรือช่องว่างจริง

จนถึงตอนนั้น ประโยคที่ตรงความจริงก็แคบและคุ้มค่าที่จะพูดให้ตรงไปตรงมา: โมเดลเสียงแบบ open-weights จาก Ant Group ซึ่งเปิดตัวในเดือนกันยายนและมีเอกสารเผยแพร่ในเดือนตุลาคม ตอนนี้ถูกจัดอันดับแรกบนเบนช์มาร์กการให้เหตุผลด้านเสียงของบุคคลที่สาม โดยนำโมเดลถัดไปอยู่หนึ่งเปอร์เซ็นต์เต็ม ทั้งที่ยังไม่มีราคาเผยแพร่ ใช้เวลาถึงเสียงแรกเป็นสองเท่าของคู่แข่งที่เร็วที่สุดบนบอร์ดนั้น และไม่มีคะแนนด้านการสนทนาเลย นั่นเป็นผลลัพธ์จริง แต่มันก็เป็นข้ออ้างที่เล็กกว่าคำว่า "โมเดลเสียงที่ดีที่สุด" มาก และความแตกต่างระหว่างสองประโยคนั้นคือจุดที่ความคิดที่มีประโยชน์ส่วนใหญ่เกี่ยวกับโมเดลนี้ยังต้องเกิดขึ้น

การเปรียบเทียบในบทความนี้2

ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube