LFM3-Omni-2B vs Ming-3.0-audio-tiny: Một bản thay thế cả stack đối đầu với một mô hình chuyên dụng

Hai mô hình, cả hai đều được quảng bá là nhỏ, cả hai đều có thể trả lời thành tiếng, và gần như không có điểm gì chung. LFM3-Omni-2B là một checkpoint dense 2,17 tỷ tham số từ Liquid AI, nhận văn bản, hình ảnh, video và âm thanh và trả về văn bản hoặc giọng nói 24 kHz. Ming-3.0-audio-tiny là một mô hình mixture-of-experts 9,3 tỷ tham số từ inclusionAI với 2,7 tỷ tham số hoạt động mỗi bước, và nó nhận âm thanh và văn bản và trả về văn bản hoặc giọng nói 44,1 kHz. Một mô hình đang cố thay thế toàn bộ hệ thống trợ lý. Mô hình kia đang cố trở thành "tai" tốt nhất có thể. Một mô hình chuyên biệt và một mô hình tổng quát có thể nằm chung sau một khóa. một endpoint Các yêu cầu được định tuyến theo quy tắc, với chuyển đổi dự phòng tự động nếu một đường dẫn gặp lỗi.

Cách đặt tên khiến việc này khó hơn mức cần thiết. “Tiny” trong dòng Ming ám chỉ vị trí của nó so với Ming-3.0-audio-flash, chứ không phải kích thước tuyệt đối: với tổng cộng 9,3B tham số, nó có số tham số nhiều hơn gấp bốn lần mô hình Liquid. Và LFM3-Omni-2B không phải là một mô hình âm thanh được gắn thêm thị giác — nó là một mô hình đa phương thức tổng quát tình cờ có một nhánh âm thanh. So sánh chúng theo từng hàng sẽ bất công cho cả hai. So sánh chúng theo công việc mà chúng đảm nhận là cách so sánh duy nhất có ý nghĩa.

Thực tế mỗi thứ là gì

Ming-3.0-audio-tiny là một mô hình âm thanh-ngôn ngữ gốc: một bộ mã hóa âm thanh và bộ chiếu đưa vào backbone ngôn ngữ MoE thưa, cùng một giai đoạn Talker riêng tạo ra giọng nói khi bạn yêu cầu. Mô hình xử lý tiếng Trung và tiếng Anh, bao gồm cả giọng vùng miền và phương ngữ, đồng thời hỗ trợ nhân bản giọng nói từ một đoạn âm thanh tham chiếu kèm bản ghi lời. Trọng số được cấp phép MIT và có sẵn trên Hugging Face và ModelScope; đã có các bản lượng tử hóa do cộng đồng thực hiện cho MLX và GGUF, và có một bản demo ROCm đang hoạt động về trợ lý giọng nói độ trễ thấp được xây dựng trên mô hình này. Kho lưu trữ được tải lên vào đầu tháng 9 năm 2026 và model card cùng config được làm mới vào giữa tháng 10, thời điểm nó thực sự trở nên hữu dụng.

LFM3-Omni-2B có cấu trúc ngược lại. Một thân mạng dense duy nhất với bộ mã hóa thị giác, bộ mã hóa âm thanh nhân quả và LiquidCodec cho đầu ra giọng nói, được huấn luyện để một bộ trọng số xử lý bốn phương thức đầu vào và hai phương thức đầu ra. Nó được công bố vào ngày 27 tháng 10 năm 2026 như một nhánh trong họ LFM3 sáu mô hình của Liquid, không có thông báo riêng và không có đánh giá độc lập. Thẻ mô hình báo cáo 2,17 tỷ tham số, ngữ cảnh 32.768 token và LFM Open License v1.0.

• Kiến trúc — 2.17B dense any-to-any so với tổng 9.3B với 2.7B hoạt động trên mỗi token, MoE thưa cùng một Talker giọng nói riêng biệt.

• Đầu vào — văn bản, hình ảnh, video có âm thanh nền, âm thanh 16 kHz so với chỉ âm thanh và văn bản.

• Đầu ra giọng nói — 24 kHz qua LiquidCodec, được truyền phát nhanh hơn thời gian thực so với 44,1 kHz mono qua Talker, với các giọng đặt sẵn có tên và tính năng nhân bản.

• Ngôn ngữ — 16 ngôn ngữ văn bản và 19 vùng ngôn ngữ nói so với tiếng Trung và tiếng Anh, bao gồm cả phương ngữ.

• Ngữ cảnh — 32,768 token, được nêu trên thẻ so với không có cửa sổ ngữ cảnh nào được nêu trên thẻ; cấu hình đã công bố mô tả ngân sách vị trí 131,072 token.

• Giấy phép — LFM Open License v1.0 với ngưỡng doanh thu so với MIT.

• Mức chiếm dụng bộ nhớ — khoảng 4,3 GB ở BF16 so với khoảng 21 GB ở BF16, với lượng tử hóa chuyên gia int8 đưa nó xuống khoảng 12,5 GB.

Hai hàng thực sự chồng lên nhau

Các bảng so sánh chuẩn giữa các phòng thí nghiệm phần lớn chỉ là màn kịch, vì mỗi phòng thí nghiệm tự chọn bộ khung đánh giá riêng. Ở đây, phần trùng lặp nhỏ đến mức có thể nói chính xác: hai bộ dữ liệu xuất hiện trong cả hai báo cáo của nhà cung cấp, và cả hai đều là tác vụ âm thanh, nơi phương pháp luận khá chuẩn mực.

• Tỷ lệ lỗi từ của ASR tiếng Anh — 6,36 đối với LFM3-Omni-2B so với 4,36 đối với Ming-3.0-audio-tiny. Càng thấp càng tốt, và Ming dẫn trước hai điểm tuyệt đối, tức là ít lỗi hơn khoảng một phần ba.

• VoiceBench — 64,73 so với 74,29. Ming dẫn trước 9,6 điểm về khả năng làm theo chỉ dẫn bằng giọng nói và hành vi trợ lý giọng nói.

Trên các tác vụ mà cả hai mô hình đều được đo lường, mô hình chuyên dụng giành chiến thắng, và đó là kết quả như mong đợi. Ming dành 2,7 tỷ tham số hoạt động cho việc nghe và nói. LFM3-Omni-2B dành 2,17 tỷ cho việc nghe, nói, nhìn và đọc cùng một lúc. Một mô hình không phải chia năng lực của mình theo bốn hướng đáng lẽ phải tốt hơn ở hướng duy nhất mà nó hoạt động, và đúng là như vậy.

Điều Ming báo cáo mà LFM3-Omni-2B không báo cáo là một danh sách dài hơn: tỷ lệ lỗi ký tự ASR tiếng Trung 3.79, tỷ lệ lỗi ký tự phương ngữ 10.29, BigBenchAudio 99.20, MMAU 75.90, MMAU-Pro 56.42, độ chính xác âm thanh dài 56.39 và BFCL-v3 Audio 79.80. Đó là những con số mạnh đối với một mô hình cỡ này, và chúng mô tả một hệ thống được đánh giá cụ thể về suy luận âm thanh thay vì như một cột trong bảng đa phương thức. Các mục tương đương gần nhất trên thẻ của Liquid là MMAR hiểu âm thanh 51.40 và điểm gọi công cụ 52.20 — nhưng bài đánh giá gọi công cụ không phải cùng một bài kiểm tra với BFCL-v3 Audio, và đặt hai con số đó cạnh nhau sẽ là kiểu so sánh mà blog này tồn tại để tránh.

Thước đo mà cuộc so tài này không thể phân định.

Câu hỏi thú vị không phải là mô hình nào nghe tốt hơn. Mà là liệu một mô hình omni duy nhất có thể thực hiện lý luận âm thanh-hình ảnh mà một pipeline không thể hay không. Ming-3.0-audio-tiny hoàn toàn không có nhánh thị giác: nó không thể nhìn vào một khung hình và mô tả điều gì đang diễn ra, và nó không thể trả lời câu hỏi về âm thanh của video trong khi xem video. LFM3-Omni-2B có thể làm được cả hai, và Liquid báo cáo Daily-Omni 70.09 và {{1}}WorldSense 47.10{{/1}} cho đúng năng lực đó.

Những con số đó không có đối ứng trong hồ sơ của Ming vì Ming không thử sức với tác vụ này. Vì vậy, cuộc so tài trở thành một câu hỏi về phạm vi chứ không phải về chất lượng: nếu ứng dụng của bạn là giao diện giọng nói cho một luồng âm thanh, thì Ming là đôi tai năng lực hơn và có mức tính toán hoạt động nhỏ hơn. Nếu ứng dụng của bạn gồm camera cộng micrô cộng loa, thì LFM3-Omni-2B đang làm điều mà Ming không thể làm ở bất kỳ kích cỡ nào, và khoảng cách về âm thanh chính là cái giá bạn phải trả cho camera.

Cái giá phải trả không hề nhỏ. Hai điểm tỷ lệ lỗi từ tiếng Anh trên giao diện giọng nói chính là ranh giới giữa một bản chép lời bạn có thể đọc lướt và một bản bạn phải chỉnh sửa. Nếu luồng âm thanh là sản phẩm chính và thị giác chỉ là phần cộng thêm, thì khuyến nghị trung thực là dùng Ming cho âm thanh và một mô hình thị giác riêng cho các khung hình, dù điều đó đồng nghĩa với hai checkpoint.

Hóa đơn bộ nhớ quyết định nhiều lần triển khai hơn là benchmark.

Ming-3.0-audio-tiny cần khoảng 21 GB trọng số ở BF16, hoặc khoảng 12,5 GB với lượng tử hóa chuyên gia int8, và một triển khai đầy đủ có đầu ra âm thanh có thể tách Thinker và Talker trên hai GPU. LFM3-Omni-2B cần khoảng 4,3 GB. Đó không phải là một khác biệt nhỏ: đó là sự khác biệt giữa một GPU tầm trung và một cỗ máy mà bạn phải tính toán kỹ lưỡng, và là sự khác biệt giữa một chiếc điện thoại và một máy chủ.

Việc so sánh sẽ đảo ngược tùy theo bạn đang đo cái gì. 2,7B tham số hoạt động của Ming khiến nó rẻ trên mỗi token bất chấp tổng kích thước, và đó chính là điểm mấu chốt của một MoE thưa. LFM3-Omni-2B là dense, nên mỗi token tốn đủ 2,17B — nhưng toàn bộ mô hình vừa trong một phần nhỏ bộ nhớ và chạy trên phần cứng mà Ming không thể chạm tới.

Đây là lúc bài toán kinh tế của việc định tuyến trở nên cụ thể. OrcaRouter chuyển nguyên giá niêm yết của nhà cung cấp mà không cộng thêm khoản nào, nhờ đó một mô hình chuyên biệt rẻ hơn và một mô hình tổng quát đắt hơn có thể nằm sau cùng một khóa mà không cần hợp đồng thứ hai, và khi nhà cung cấp thay đổi giá, hóa đơn của bạn nhận thay đổi ngay trong ngày thay vì đến kỳ gia hạn tiếp theo. Hiện cả LFM3-Omni-2B lẫn Ming-3.0-audio-tiny đều chưa có trong danh mục của chúng tôi, nên đây là phát biểu về cách nền tảng định giá mọi thứ, không phải tuyên bố rằng bạn có thể gọi một trong hai mô hình qua chúng tôi ngay bây giờ. Nhưng kiểu mẫu mà hai mô hình này tạo ra — một mô hình chuyên biệt rẻ cho trường hợp phổ biến, một mô hình tổng quát cho trường hợp khó — chính là kiểu mẫu mà một bộ định tuyến sinh ra để phục vụ.

Câu hỏi về giấy phép, đó mới là ngã rẽ thực sự.

Ming-3.0-audio-tiny dùng giấy phép MIT. LFM3-Omni-2B thuộc LFM Open License v1.0, một thỏa thuận tùy chỉnh có ngưỡng doanh thu quyết định liệu việc sử dụng thương mại có cần một thỏa thuận riêng hay không. Đối với một nguyên mẫu nghiên cứu, sự khác biệt này chỉ mang tính lý thuyết. Đối với một sản phẩm, đó là điều đầu tiên mà bộ phận pháp lý sẽ hỏi tới, và nó có thể lấn át khoảng cách benchmark ở bất kỳ mức nào.

MIT cũng giải thích lý do Ming đã có các bản port cộng đồng: {{1}}các bản dựng MLX, các bản lượng tử hóa GGUF, một bản demo trợ lý giọng nói ROCm{{/1}}. Chúng tồn tại vì giấy phép khiến chúng dễ thực hiện, và chúng là lý do Ming có thể được triển khai ngay hôm nay trên phần cứng mà Liquid chưa từng kiểm thử. {{2}}LFM3-Omni-2B đã được công bố vào ngày 27 tháng 10 với 83 lượt tải xuống, và nó có một đường phục vụ được ghi tài liệu chỉ cho đầu ra văn bản{{/2}}. Hệ sinh thái của nó vẫn chưa tồn tại.

Sự bất đối xứng thực tế là rõ rệt. Về độ chính xác âm thanh, hiệu quả bộ nhớ trên mỗi tham số hoạt động, phạm vi ngôn ngữ cho tiếng Trung và các phương ngữ, nhân bản giọng nói và quyền tự do cấp phép, Ming-3.0-audio-tiny là lựa chọn an toàn hơn hiện nay. Về độ bao phủ phương thức và kích thước thô, LFM3-Omni-2B là mô hình duy nhất trong hai mô hình có thể nhìn vào một căn phòng và nói về nó.

Ai nên nhặt cái nào?

Chọn Ming-3.0-audio-tiny nếu bạn đang xây dựng một sản phẩm giọng nói — chuyển lời nói thành văn bản, hội thoại bằng giọng nói, nhân bản giọng nói, phân tích cuộc gọi — và bạn hoặc không cần thị giác, hoặc sẵn sàng ghép nó với một mô hình thị giác riêng. Giấy phép MIT, các bản lượng tử hóa hiện có và lợi thế ASR hai điểm khiến đây là phương án triển khai ít rủi ro hơn, và kiến trúc thưa của nó giữ chi phí trên mỗi token ở mức thấp bất chấp tổng cộng 9,3B tham số.

Chọn LFM3-Omni-2B nếu thiết bị có camera và micrô và ràng buộc là bộ nhớ. Một checkpoint 4,3 GB biết nhìn, nghe và nói thuộc một loại đối tượng khác với một chuyên gia âm thanh 21 GB, và không mức độ chính xác ASR nào bù đắp được cho một mô hình không vừa. Hãy chấp nhận rằng bạn đang mua bề rộng, không phải chiều sâu, và rằng mọi con số âm thanh gắn với nó đều do nhà cung cấp báo cáo và chưa được tái lập.

Điều mà thẻ mô hình của cả hai đều không cho bạn biết là cách chúng hoạt động trong cùng một ứng dụng. Phép thử đó — cùng âm thanh, cùng thiết bị, cùng ngân sách độ trễ — chưa được bất kỳ ai bên ngoài hai công ty thực hiện. Cho đến khi nó được thực hiện, quyết định dựa vào phạm vi và cấp phép, những thứ có thể biết được ngay hôm nay, thay vì độ chính xác, thứ thì không.