Ming-3.0-audio-flash กับ Qwen3.8-Omni-Flash: ตารางของผู้ขายเองก็เลือกผู้ชนะไปแล้ว

มีตารางเปรียบเทียบที่ยุติข้อโต้แย้งนี้เป็นส่วนใหญ่ และมันถูกเผยแพร่โดยหนึ่งในสองผู้จำหน่าย บนภาพการประเมินของ inclusionAI เองสำหรับ Ming-3.0-audio-flash คอลัมน์อ้างอิงคือ Qwen3.8-Omni-Flash — โมเดล omni แบบปิดของ A​libaba ที่เปิดให้ลูกค้า API ตั้งแต่ 18 กันยายน 2026 — และผลลัพธ์ก็เอนไปทั้งสองทาง Ming ชนะในแถวภาษาถิ่นด้วยส่วนต่างที่กว้าง และแพ้ในแถวการให้เหตุผลเสียงยาวด้วยปัจจัยเกือบสามเท่า นั่นมีประโยชน์อย่างผิดปกติ เพราะมันหมายความว่าคำถามไม่ใช่ "โมเดลไหนดีกว่า" แต่คือ "โหมดความล้มเหลวสองแบบนี้ แบบไหนที่งานของคุณทนได้" Ming-3.0-audio-flash เป็นเช็กพอยต์ภาษา-เสียงของ inclusionAI ขนาดรวม 126B และ active 6.5B อัปโหลดเมื่อ 3 กันยายน 2026 และมีเอกสารประกอบเมื่อ 19 ตุลาคม; Qwen3.8-Omni-Flash เป็นโมเดลแบบโฮสต์ที่ส่งออกเฉพาะข้อความ มีบริบทหนึ่งล้านโทเคน และไม่มีเวต ตัวหนึ่งคุณเป็นเจ้าของ อีกตัวคุณเช่า และจุดแข็งที่เผยแพร่ของทั้งสองไม่ทับซ้อนกันมากนัก ความล้มเหลวของ AI ที่มีเอกสารบันทึกไว้และข้อพิพาทเรื่องเกณฑ์มาตรฐานของผู้จำหน่ายที่อยู่เบื้องหลังการเปรียบเทียบแบบนี้ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้งของตัวเอง

สองวิธีในการอ่านไฟล์เสียงความยาวหนึ่งชั่วโมง

ทั้งสองโมเดลรับเสียงและข้อความและส่งคืนข้อความ ประโยคนั้นเป็นความจริงสำหรับทั้งคู่และชวนให้เข้าใจผิดเกี่ยวกับทั้งคู่ เพราะขนาดที่ทั้งสองทำงานนั้นแตกต่างกันอย่างสิ้นเชิง

Qwen3.8-Omni-Flash รับอินพุตเป็นข้อความ รูปภาพ เสียง และวิดีโอ รองรับออดิโอวิดีโอต่อเนื่องได้นานสูงสุดหนึ่งชั่วโมงภายในครั้งเดียว มีบริบทหนึ่งล้านโทเคน (อินพุตสูงสุดประมาณ 991K เอาต์พุตสูงสุด 131K พร้อมงบการให้เหตุผล 262K) และตอบกลับเป็นข้อความเท่านั้น การวางตำแหน่งเปิดตัวของ Alibaba เน้นเรื่องค่าใช้จ่ายมากกว่าคะแนนประสิทธิภาพ โดยถูกกว่าต่อชั่วโมงของอินพุตเสียงเมื่อเทียบกับ Qwen3.5-Omni-Plus 98% และถูกกว่าต่อชั่วโมงของออดิโอวิดีโอ 93% โดยตัวเลขต่อชั่วโมงคำนวณจากการคิดราคาตัวอย่างความยาวสองนาทีแล้วคูณด้วยสามสิบ โดยสุ่มตัวอย่างวิดีโอที่ 720p และหนึ่งเฟรมต่อวินาที ราคาระหว่างประเทศอยู่ที่ $0.15 ต่ออินพุตหนึ่งล้านโทเคน, $0.016 สำหรับแคช, $0.47 สำหรับเอาต์พุต

Ming-3.0-audio-flash รับเสียงและข้อความเป็นอินพุต ส่งคืนข้อความ หรือข้อความพร้อมเสียงผ่าน Talker ที่เป็นออปชัน และรองรับบริบท 128K ซึ่งเป็นตัวเลขที่คอนฟิกของมันไม่ได้ระบุไว้จนถึงวันที่ 13 ตุลาคม เมื่อคอมมิตไฟล์เดียวได้เพิ่มmax_position_embeddingsจาก 8,192 เป็น 131,072 โปรไฟล์การให้บริการอ้างอิงของมันคือ tensor parallelism บน H800 ขนาด 80 GB จำนวนแปดตัว และขนาดดาวน์โหลดประมาณ 259 GB ไม่มีราคาต่อโทเคนเพราะไม่มีเอนด์พอยต์

ดังนั้นหน่วยของ Qwen คือ call; หน่วยของ Ming คือ node นั่นคือการตัดสินใจแรก และโดยปกติมันจะกำหนดส่วนที่เหลือทั้งหมด

ตารางของ inclusionAI เองระบุไว้ว่าอะไร แถวต่อแถว

ตัวเลขทุกตัวในส่วนนี้มาจากไฟล์ PNG สามไฟล์ในโฟลเดอร์assets/ของรีโพซิทอรี Ming — เป็นการรันของ inclusionAI เอง บนฮาร์เนสของตัวเอง โดยมีเครื่องหมายดอกจันกำกับแถวที่มันประเมินตัวเอง ไม่มีส่วนใดได้รับการทำซ้ำ อ่านสิ่งนี้ในฐานะผู้ขายที่กำลังอธิบายตัวเองต่อสาธารณะ ซึ่งมากกว่าที่ผู้ขายส่วนใหญ่ทำ

• ค่าเฉลี่ย ASR ภาษาจีน — Ming อัตราข้อผิดพลาด 3.45 เทียบกับ Qwen3.8-Omni-Flash 3.54 และ Gemini 3.8 Flash 9.83 ถือเป็นชัยชนะที่เฉือนกันแค่นิดเดียว

• ค่าเฉลี่ย ASR ภาษาอังกฤษ — 3.69 เทียบกับ 4.02 และ 5.05 ยังแคบอีกด้วย

• ค่าเฉลี่ยภาษาถิ่น — 9.40 เทียบกับ 11.58 กว้างกว่า และนี่คือข้อกล่าวอ้างหลัก: กวางตุ้ง 4.09 เทียบกับ 4.76, เซี่ยงไฮ้ 11.15 เทียบกับ 21.10, หูหนาน 8.76 เทียบกับ 17.11, ฮกเกี้ยน 12.84 เทียบกับ 26.32

• หูเป่ย — 9.46 เทียบกับ 7.75 Qwen ชนะในแถวนี้ และ inclusionAI ก็ยังพิมพ์ออกมา ซึ่งเป็นเหตุผลหลักที่ทำให้เชื่อถือส่วนที่เหลือของตารางได้

• การแยกผู้พูด (Speaker diarization), AISHELL-4 — Ming มีอัตราความผิดพลาดในการแยกผู้พูด 8.58 เทียบกับ Q​wen 2.80 ใน AMI อยู่ที่ 25.29 สำหรับ Ming เทียบกับ 11.16 สำหรับ MiMo-V2.6 Pro

• คะแนน Long-audio Chain — Ming 12.31 เทียบกับ Q​wen 34.54, Q​wen โหมดคิด 48.70 และ Gemini 3.8 Flash 49.63 นี่คือช่องว่างสี่เท่า และเป็นตัวชี้วัดที่ผู้ขายเลือกเผยแพร่

• LongAudioSpan — 41.12 เทียบกับ 66.40 MMAR — 74.40 เทียบกับ 77.70 MMSU — 78.82 เทียบกับ 82.10

• แถวพาดหัวผลการให้เหตุผลด้านเสียง — Ming ทำคะแนน BigBenchAudio ได้ 99.40 และ MMAU 82.00; การเรียกใช้เครื่องมือบน BFCL-v3 Audio อยู่ที่ 81.40 เทียบกับ 86.68 ของ Gemini 3.8 Flash

รูปแบบนี้ไม่ได้เกิดขึ้นโดยบังเอิญ Ming แข็งแกร่งที่สุดเมื่องานคือ "สิ่งที่พูดออกมาอย่างแท้จริง รวมถึงสำเนียง" และอ่อนแอที่สุดเมื่องานคือ "จดจำบันทึกเสียงยาว ๆ ไว้ในใจและให้เหตุผลข้ามเนื้อหานั้น" Q​wen ตรงกันข้าม: หน้าต่างหนึ่งล้านโทเค็นและงบประมาณการให้เหตุผลคือกลไกที่เหมาะกับงานที่สองพอดี และไม่มีสิ่งใดในสื่อเปิดตัวที่บ่งชี้ว่ามีการปรับแต่งแยกตามภาษาถิ่น

ข้อกล่าวอ้างเรื่องภาษาถิ่นคือแก่นทั้งหมดของคดี และมันแคบกว่าที่ฟังดู

ถ้าคุณจะหยิบเพียงหนึ่งข้อจากตารางผู้ให้บริการ หยิบข้อนี้: ช่องว่างที่ยังคงอยู่แม้ผ่านการตรวจสอบอย่างเข้มงวดคือการรู้จำเสียงพูดภาษาจีนที่มีสำเนียงถิ่นและสำเนียงเฉพาะ ไม่ใช่ความสามารถด้านเสียงทั่วไป ภาษาเซี่ยงไฮ้อยู่ที่ 11.15 เทียบกับ 21.10 ซึ่งมีอัตราความผิดพลาดประมาณครึ่งหนึ่ง ภาษาหูหนานอยู่ที่ 8.76 เทียบกับ 17.11 ก็ประมาณครึ่งหนึ่ง ภาษาฮกเกี้ยนอยู่ที่ 12.84 เทียบกับ 26.32 ก็ประมาณครึ่งหนึ่ง นี่เป็นส่วนต่างที่มากและสม่ำเสมอในห้าแถวของภาษาถิ่น และเป็นผลลัพธ์แบบที่มาจากการตัดสินใจในการฝึกโมเดล มากกว่ากลอุบายในการทำ benchmark

ข้อควรระวังมีความสำคัญไม่แพ้ตัวเลข ชุดทดสอบเป็นสิ่งที่ผู้ขายเลือกเอง ฮาร์เนสก็เป็นของผู้ขาย ค่าอ้างอิงสำหรับ Qwen3.8-Omni-Flash ถูกสร้างโดย inclusionAI ที่รันโมเดลของ A​libaba ไม่ใช่โดย A​libaba การที่คู่แข่งให้คะแนนโมเดลของคู่แข่งเป็นแนวปฏิบัติปกติ และยังเป็นรูปแบบการทดสอบที่มีแนวโน้มที่สุดที่จะให้ผลลัพธ์ที่ดูดีเกินจริงโดยบังเอิญ แถวเดียวที่สวนทาง คือ Hubei ถือเป็นหลักฐานที่หนักแน่นที่สุดว่าตารางนี้ไม่ได้ถูกแก้ไขเฉย ๆ

และช่องว่างด้านเสียงยาวที่ต่างกันถึงสี่เท่านี้ ไม่ใช่ความคลาดเคลื่อนจากการปัดเศษที่คุณจะออกแบบเลี่ยงได้ หากภาระงานของคุณคือการประชุมรายงานผลประกอบการความยาวเก้าสิบนาที และคุณต้องสรุปพร้อมการอ้างอิงโยง ตัวเลขของ Ming เองบอกว่าโหมดคิดของ Qwen เป็นเครื่องมือที่ดีกว่าถึงสี่เท่าในตัวชี้วัดที่วัดเรื่องนี้โดยตรง

ความพร้อมใช้งานเป็นตัวตัดสินมากกว่าผลการทดสอบเบนช์มาร์ก

Qwen3.8-Omni-Flash มีบ้านเพียงแห่งเดียวเท่านั้น: แพลตฟอร์ม Qianwen ของ A​libaba และ A​libaba Cloud Model Studio โดยมี endpoint แยกกันสำหรับต่างประเทศและจีนแผ่นดินใหญ่ มีการเรียกเก็บเงินแยกกัน และใช้สกุลเงินแยกกัน มันตอบสนองต่อคำขอในรูปแบบ OpenAI ดังนั้นโค้ดฝั่งไคลเอนต์ส่วนใหญ่จึงพอร์ตมาใช้ได้ แต่ endpoint ไม่สามารถพอร์ตได้ และไม่มีเป้าหมายสำหรับ failover ยังไม่มีการเผยแพร่ weights และไม่มีการประกาศใด ๆ เกี่ยวกับเรื่องนี้ OrcaRouter ไม่ให้บริการมัน

Ming-3.0-audio-flash ไม่มี endpoint ใด ๆ เลย เป็นเวตโมเดลที่ได้รับอนุญาตแบบ MIT พร้อมการ์ดโมเดล ที่เก็บ GitHub ที่สร้างเมื่อวันที่ 15 ตุลาคม ไฟล์ YAML สำหรับการปรับใช้สามโปรไฟล์ ไคลเอนต์ตัวอย่างสองตัว และคู่มือเสียงขนาด 150 KB โปรเจกต์ vLLM-Omni รองรับ Ming รุ่นก่อนหน้า และมี pull request ที่เปิดอยู่สำหรับโมเดล Ming TTS ขนาด 7.9B แต่ยังไม่มีสิ่งใดถูก merge สำหรับเช็กพอยต์ด้านเสียงและภาษานี้ เส้นทางที่ใช้ได้จริงในวันนี้คือ Transformers ด้วย trust_remote_code=True ซึ่งใช้ประเมินผลได้ดี แต่ยังไม่เพียงพอสำหรับการให้บริการ

ลองวางสองย่อหน้านั้นไว้ข้างกัน แล้วจะเห็นการแลกเปลี่ยนได้ชัดเจน Q​wen ให้ production endpoint แก่คุณโดยไม่มี fallback และไม่มีความสามารถในการมองเห็น Ming ให้ checkpoint ที่มองเห็นได้เต็มที่แต่ไม่มี endpoint ทีมที่มี GPU node และมีข้อกำหนดด้าน compliance จะเลือก Ming ทีมที่มีเดดไลน์จะเลือก Q​wen และยอมรับความเสี่ยงจากการพึ่งพาแหล่งเดียว

เส้นทางสายกลางมีหน้าตาอย่างไร

ยังมีทางเลือกที่สามที่ผู้จำหน่ายทั้งสองรายไม่ได้ระบุไว้ในเอกสาร และควรค่าแก่การอธิบายให้ชัดเจน เพราะนี่คือสิ่งที่ทีมส่วนใหญ่ทำกันจริง ๆ นั่นคือ การใช้โมเดลแบบโฮสต์กับงานที่โมเดลทำได้ดีกว่า และใช้น้ำหนักแบบเปิดกับงานที่น้ำหนักแบบเปิดทำได้ดีกว่า ภายในไปป์ไลน์เดียวกัน

ยกตัวอย่างให้เห็นชัด ๆ — องค์กรสนับสนุนที่ดูแลสายภาษาจีนกลางจากผู้พูดภาษาถิ่น เมื่อเสียงเข้ามา ตัวจำแนกประเภทน้ำหนักเบาจะตัดสินว่าคำพูดของผู้โทรเป็นภาษามาตรฐานหรือมีสำเนียงหนัก เสียงมาตรฐานจะถูกส่งไปยัง Qwen3.8-Omni-Flash เพื่อสรุปแบบบริบทยาวพร้อมการให้เหตุผลครอบคลุมทั้งสาย ส่วนเสียงที่มีสำเนียงจะถูกส่งไปยัง Ming-3.0-audio-flash เพื่อถอดความ และข้อความถอดความจะถูกส่งกลับเข้าสู่ไปป์ไลน์ข้อความเพื่อทำการสรุป ไม่มีโมเดลใดเห็นภาระงานทั้งหมด ทั้งคู่เห็นเฉพาะส่วนที่ตนชนะ

สถาปัตยกรรมนั้นต้องใช้ความพยายามมากกว่าการเลือกผู้ขายรายเดียว และเป็นวิธีเดียวที่ใช้ตารางผู้ขายอย่างตรงไปตรงมา เพราะตัวตารางเองระบุว่าโมเดลทั้งสองล้มเหลวกับอินพุตที่ต่างกัน

OrcaRouter ตั้งอยู่ที่ใดกันแน่

ในบทความนี้ เราไม่ได้ให้บริการโมเดลใดจากสองโมเดลนี้ Qwen3.8-Omni-Flash โฮสต์โดย Alibaba และไม่ได้อยู่ในแคตตาล็อกของเรา ส่วน Ming-3.0-audio-flash เป็นโมเดลแบบ open weights และไม่ได้อยู่ในแคตตาล็อกของเรา ผู้อ่านที่สมัครโดยคาดหวังว่าจะได้โมเดลใดโมเดลหนึ่งจะผิดหวัง ดังนั้นควรบอกไว้ตรงนี้ดีกว่าบอกตอนท้ายช่องสมัคร

สิ่งที่ไปป์ไลน์จำแนกและสรุปข้างต้นต้องการก็คือสิ่งที่เราเตอร์มอบให้พอดี: คีย์เดียวสำหรับฝั่งข้อความของเชน, กฎการกำหนดเส้นทางที่ส่งเสียงมาตรฐานไปทางหนึ่งและเสียงที่มีสำเนียงไปอีกทางหนึ่ง, และเส้นทางสำรองเมื่อผู้ให้บริการมีประสิทธิภาพลดลง API เดียวสำหรับโมเดลกว่า 200 รายการโดยบวกกำไร 0% — ราคาตามรายการของผู้ให้บริการถูกส่งผ่านตรง ๆ ดังนั้นการลดราคาของผู้จำหน่ายจึงมีผลฝั่งเราในวันเดียวกัน — เป็นสิ่งที่ต้องดำเนินการน้อยกว่าสัญญาสามฉบับและระบบเรียกเก็บเงินสองระบบ และการสลับสำรองอัตโนมัติคือคำตอบสำหรับความเสี่ยงจากการพึ่งพาแหล่งเดียวที่มาพร้อมกับโมเดลออมนิโฮสต์ใด ๆ DSL สำหรับการกำหนดเส้นทางคือจุดที่ไปป์ไลน์เสียงแบบสองแขนงถูกแสดงออกมาจริง ๆ มันไม่ใช่ และไม่สามารถเป็นได้ สิ่งทดแทนเช็กพอยต์ขนาด 259 GB

สำหรับทีมสองประเภท

หากคุณกำลังสร้างผลิตภัณฑ์ที่มีเสียงในไตรมาสนี้และไม่มีงบประมาณสำหรับ GPU คำตอบคือ Qwen3.8-Omni-Flash โดยมีข้อแม้ว่าคุณกำลังเช่าจากผู้ให้บริการรายเดียว และควรเขียนไคลเอนต์ของคุณให้ endpoint เป็นค่าคอนฟิกูเรชันแทนที่จะเป็นค่าคงที่ หน้าต่างบริบทและงบประมาณการให้เหตุผลของมันใหญ่กว่าสิ่งที่ทางเลือกแบบโอเพนเวตใด ๆ มีให้จริง ๆ

หากคุณกำลังสร้างโครงสร้างพื้นฐาน — บริการถอดเสียง, ไปป์ไลน์ด้านการปฏิบัติตามข้อกำหนดแบบ on-premise หรืออะไรก็ตามที่ปลายทางของผู้ให้บริการกลายเป็นภาระมากกว่าความสะดวก — Ming-3.0-audio-flash คือตัวเลือกแบบเปิดที่จริงจัง และตัวเลขด้านภาษาถิ่นคือเหตุผล จองงบสำหรับโหนดหนึ่งโหนด จองงบสำหรับการผสานรวมหนึ่งเดือน และอ่านแถวการแยกผู้พูด (diarization) ก่อนสัญญากับใครเรื่องป้ายกำกับผู้พูด

ข้อสรุปที่ไม่มีอะไรน่าตื่นเต้นคือ โมเดลทั้งสองไม่ได้เป็นคู่แข่งกันมากเท่ากับเป็นการแบ่งงานกันทำ ซึ่งผู้ขายทั้งสองรายไม่มีแรงจูงใจจะอธิบาย inclusionAI เผยแพร่ตารางที่แสดงให้เห็นสิ่งนั้น ซึ่งมีค่ามากกว่าโพสต์เปิดตัว