LFM3-Audio-2B vs Ming-3.0-audio-flash: Checkpoint trên laptop đối đầu với tai tám GPU

Con số đầu tiên phân tách LFM3-Audio-2B khỏi Ming-3.0-audio-flash không phải là một điểm chuẩn. Đó là tám. Ming-3.0-audio-flash, mô hình mixture-of-experts âm thanh–ngôn ngữ 126 tỷ tham số của InclusionAI với 6,5 tỷ tham số hoạt động, cần song song tensor trên tám GPU H800 80 GB để phục vụ toàn bộ cấu hình ngữ cảnh 128K kèm đầu ra giọng nói — bốn GPU mang lại một đường SGLang đã được kiểm chứng là chỉ dành cho văn bản, vì mô-đun Talker không vừa. LFM3-Audio-2B, được Liquid AI phát hành vào ngày 27 tháng 10 năm 2026 trong dòng LFM3 gồm sáu mô hình, là một checkpoint 2B đi kèm dưới dạng bản tải xuống Ollama 2,1 GB. Cả hai đều là trọng số mở. Chỉ một trong số chúng là quyết định mà một nhà phát triển đơn lẻ có thể đưa ra vào chiều nay.

Khoảng cách đó chính là toàn bộ cuộc so tài, và đáng để tránh sai lầm hiển nhiên là coi nó như một bảng xếp hạng chất lượng. Ming-3.0-audio-flash nghe được nhiều hơn hẳn LFM3-Audio-2B: bản ghi dài, nhiều người nói, âm nhạc, cảnh âm thanh, âm thanh phi lời nói. LFM3-Audio-2B được xây dựng cho một vòng lặp giọng nói trên laptop — nhận dạng, tổng hợp, dịch và gọi công cụ bằng lời nói trong 18 ngôn ngữ. Ming là một đôi tai gắn kèm cái miệng; mô hình của Liquid là một cái miệng gắn kèm đôi tai. Câu hỏi là công việc bạn thực sự đang có là gì.

Hai con tàu lặng im, hai kiểu im lặng khác nhau

Cả hai mô hình đều không ra mắt theo cách thông thường, và sự khác biệt trong cách chúng xuất hiện cho bạn biết nên kỳ vọng điều gì từ mỗi kho lưu trữ.

Ming-3.0-audio-flash đã được tải lên Hugging Face vào ngày 3 tháng 9 năm 2026 mà không có thông báo nào, rồi nằm không dùng được trong sáu tuần cho đến khi mã phục vụ, các ví dụ và thẻ được viết lại được đưa lên từ ngày 15 đến ngày 19 tháng 10. Kho lưu trữ GitHub được tạo vào ngày 15; thẻ vẫn đang được chỉnh sửa vào ngày 19. Trang HF hiển thị 22 lượt tải xuống trong tháng trước. Dự án được cấp phép theo MIT và các tệp YAML triển khai tham chiếu nằm trong kho lưu trữ.

LFM3-Audio-2B xuất hiện vào ngày 27 tháng 10 với tư cách là một trong sáu mô hình trong đợt ra mắt dòng sản phẩm của Liquid, dùng chung xương sống LFM3-1.7B-Base. Nhánh audio chỉ nhận được một đoạn trong bài đăng về dòng sản phẩm cùng một model card; không có thông báo riêng cho audio và cũng không có mục giá cho nó trên trang web của Liquid. Trong vòng một ngày, nó đã có một pull request llama.cpp đã được hợp nhất (#31257) và một bản dựng Ollama. Khác biệt nằm ở tốc độ công cụ, không phải độ sâu tài liệu: Ming có các bảng benchmark dưới dạng hình ảnh, Liquid có một bảng sáu dòng không nêu tên harness.

Mỗi người có thể nghe được gì

• Đầu vào — LFM3-Audio-2B: văn bản hoặc âm thanh 16 kHz. Ming-3.0-audio-flash: âm thanh cùng với chỉ dẫn văn bản.

• Đầu ra — LFM3-Audio-2B: văn bản, giọng nói 24 kHz, hoặc văn bản và giọng nói xen kẽ. Ming-3.0-audio-flash: văn bản, hoặc văn bản kèm giọng nói tổng hợp thông qua Talker tùy chọn.

• Ngữ cảnh — LFM3-Audio-2B: 32K token, đầu vào cộng đầu ra. Ming-3.0-audio-flash: 128K token, được nâng từ 8.192 trong một commit tháng Mười.

• Ngôn ngữ — LFM3-Audio-2B: 18 ngôn ngữ được liệt kê thành 19 locale vì tiếng Anh xuất hiện dưới dạng biến thể Mỹ và Anh; ASR trực tiếp chỉ hỗ trợ tiếng Anh. Ming-3.0-audio-flash: tiếng Trung và tiếng Anh, bao gồm cả giọng điệu và phương ngữ — tiếng Quảng Đông, tiếng Thượng Hải, tiếng Hồ Nam và tiếng Phúc Kiến được nêu trong phạm vi bao phủ của dòng mô hình.

• Giấy phép — LFM3-Audio-2B: LFM Open License v1.0, miễn phí cho mục đích thương mại khi doanh thu hằng năm dưới 10 triệu USD. Ming-3.0-audio-flash: MIT.

• Mức phần cứng tối thiểu — LFM3-Audio-2B: chạy được trên CPU thông qua GGUF, 2.1 GB. Ming-3.0-audio-flash: tám GPU H800 80 GB cho cấu hình âm thanh đầy đủ, bốn GPU cho chế độ chỉ văn bản.

Dòng thông số ngôn ngữ là chỗ hai mẫu này thường bị hiểu sai nhất. Mười tám ngôn ngữ nghe có vẻ rộng hơn hai, và đối với tổng hợp giọng nói thì đúng là như vậy. Nhưng 18 ngôn ngữ đó chủ yếu là tiếng châu Âu cộng với tiếng Nhật, tiếng Hàn và tiếng Trung, và Liquid giới hạn rõ ràng ASR trực tiếp ở tiếng Anh. Hai ngôn ngữ của Ming đi kèm phạm vi bao phủ phương ngữ mà tại một trung tâm liên hệ tiếng Trung, điều này quan trọng hơn một danh sách locale dài. Nếu âm thanh của bạn là tiếng Quan Thoại có chuyển đổi ngôn ngữ, tuyên bố ngôn ngữ nghe có vẻ hẹp của Ming lại là mạnh hơn; nếu bạn cần giọng Hà Lan hoặc Thụy Điển trên laptop, LFM3-Audio-2B là mẫu duy nhất trong hai mẫu tuyên bố có điều đó.

Con số duy nhất khớp lại, và vì sao nó vẫn chưa phải là một phán quyết

Cả hai nhà cung cấp đều công bố một chỉ số VoiceBench, khiến nó trở thành thứ gần nhất với một trục chung ở đây. Ming-3.0-audio-flash báo cáo 86,74. LFM3-Audio-2B báo cáo 73,13. Nhìn bề ngoài, đó là khoảng cách 13,6 điểm nghiêng về phía Ming.

Hãy coi đó là một giả thuyết, không phải kết quả. Hai con số đến từ các phiên bản harness khác nhau, các prompt khác nhau và các cấu hình giải mã khác nhau, và cả hai kho lưu trữ đều không nêu rõ cấu hình chính xác. Tài liệu của chính Ming cảnh báo rằng các mô hình so sánh được tái tạo theo thiết lập đánh giá của inclusionAI và có thể khác với các báo cáo chính thức do prompt, giải mã, phiên bản và quy trình xử lý. Bảng của Liquid hoàn toàn không nêu tên tập kiểm thử của mình. Một con số của nhà cung cấp được so sánh với con số của một nhà cung cấp khác là việc xếp thứ tự hai tuyên bố, không phải phép đo hai mô hình.

Sự thận trọng tương tự cũng áp dụng cho phần còn lại trong bảng của Ming: CER trung bình của ASR tiếng Trung 3.45, WER tiếng Anh 3.69, CER phương ngữ 9.40, BigBenchAudio 99.40, MMAU 82.00 — tất cả đều do nhà cung cấp báo cáo, tất cả chỉ để hiển thị. So với WER tiếng Anh 6.23 và MMAR 50.60 của LFM3-Audio-2B, hướng đi là nhất quán: Ming là bên nghe tốt hơn. Độ lớn thì không được thiết lập bởi bất cứ điều gì mà cả hai phòng thí nghiệm đã công bố.

Giấy phép mang lại những gì và phải trả giá ra sao

MIT là giấy phép rõ ràng hơn và khoảng cách không hề nhỏ. LFM Open License v1.0 miễn phí dưới ngưỡng doanh thu và yêu cầu giấy phép thương mại trả phí khi vượt ngưỡng; MIT không có ngưỡng. Đối với một công ty dự kiến sẽ tăng trưởng vượt $10M, sự khác biệt đó là một mục chi phí trong quy trình mua sắm, không phải một chú thích nhỏ.

Giấy phép cũng là nửa nhỏ hơn của chi phí. Ngưỡng tám GPU của Ming là một quyết định vốn với lịch khấu hao, một rack và một máy nhắn tin. Bản tải xuống 2,1 GB của Liquid chạy trên CPU laptop thông qua GGUF, với MLX 4-bit cho Apple silicon và ONNX Runtime để đảm bảo tính di động. Chi phí biên của giờ âm thanh thứ một nghìn gần như bằng không ở cả hai; chi phí cố định chênh nhau ba bậc độ lớn.

Điều đó không làm Ming trở nên đắt. Nó làm Ming thành một kiểu mua khác. Nếu khối lượng công việc của bạn ổn định và âm thanh của bạn không thể rời khỏi tòa nhà, việc sở hữu một “tai” 126B có thể rẻ hơn so với trả tiền theo phút trong nhiều năm — điểm hòa vốn là một bài tính mức sử dụng, không phải một benchmark. Nếu khối lượng công việc của bạn là một nguyên mẫu, một bản demo, hoặc một sản phẩm mà lưu lượng âm thanh vẫn chưa biết, cấu hình tám GPU là một canh bạc được đặt trước khi bằng chứng xuất hiện.

Thử trước khi mua

Vấn đề thực tế với cả hai mô hình là như nhau: bạn không thể biết từ thẻ mô hình liệu mô hình nào có hoạt động trên các bản ghi âm của mình hay không. Lộ trình phục vụ của Ming giả định phần cứng mà hầu hết các nhóm không có; Liquid chạy được ở mọi nơi nhưng không có đánh giá độc lập. Cách làm ít tốn kém trong cả hai trường hợp là đo trên một mẫu nhỏ trước khi quyết định.

OrcaRouter không lưu trữ cả hai checkpoint này, vì vậy luận điểm định tuyến không áp dụng cho chính lớp âm thanh. Nó áp dụng ở một cấp cao hơn. Một pipeline giọng nói gồm một mô hình âm thanh cộng với một mô hình văn bản để phân loại, tóm tắt hoặc định tuyến những gì đã nghe được, và lệnh gọi thứ hai đó chính là nơi một router phát huy tác dụng: hơn 200 mô hình sau một khóa với giá niêm yết của nhà cung cấp, không tính thêm phí, tự động chuyển đổi dự phòng giữa các nhà cung cấp và một DSL định tuyến nếu bạn muốn kết hợp nhiều mô hình vào một lệnh gọi. Hãy chạy hai mươi bản ghi âm tệ nhất của bạn qua mô hình âm thanh, rồi chạy các bản chép lời qua cùng mô hình hạ nguồn trên cùng điểm cuối — điều đó giữ cho việc so sánh được nhất quán và gần như không tốn kém gì.

Chọn cái nào?

Chọn LFM3-Audio-2B nếu mô hình phải chạy trên một máy bạn đã sở hữu, nếu bạn cần đầu ra giọng nói bằng một ngôn ngữ mà Ming không hỗ trợ, hoặc nếu bạn đang tạo nguyên mẫu một vòng gọi công cụ bằng giọng nói và muốn mô hình nằm trên cùng một máy với các công cụ. Hãy chấp nhận rằng phần nhận dạng chỉ ở mức trung bình và rằng ASR trực tiếp chỉ hỗ trợ tiếng Anh và vẫn là một pull request tiếp theo trong llama.cpp.

Chọn Ming-3.0-audio-flash nếu công việc là hiểu chứ không phải hội thoại: các cuộc họp dài, bản ghi âm nhiều người nói ồn ào, suy luận âm thanh, hoặc khối lượng công việc tiếng Trung mà độ phủ phương ngữ quan trọng. Hãy dự trù {{1}}tám GPU{{/1}}, hoặc chấp nhận cấu hình chỉ văn bản bốn GPU và từ bỏ Talker. Sau đó, hãy tự đánh giá trước khi tin vào bảng đánh giá của một trong hai nhà cung cấp.

Khi đó hãy chọn không cái nào, nếu bạn không thể gọi tên mình đang đảm nhận công việc nào trong hai công việc đó. Hai mô hình lần lượt mới bốn ngày và sáu tuần tuổi, hồ sơ về cả hai đều mỏng hơn so với những tuyên bố về năng lực của chúng, và cuộc đối đầu trực tiếp độc lập đầu tiên trên một kho ngữ liệu chung sẽ đáng giá hơn mọi con số trong bài viết này. Cho đến khi có được kết quả đó, ngưỡng phần cứng tối thiểu là tiêu chí phân định trung thực nhất hiện có: một trong hai vừa với máy tính xách tay của bạn, còn cái kia vừa với một tủ rack.