Ming-3.0-audio-flash vs Qwen3.8-Omni-Flash: Bảng của chính nhà cung cấp đã chọn ra người thắng cuộc

Có một bảng so sánh giải quyết phần lớn tranh luận này, và nó được công bố bởi một trong hai nhà cung cấp. Trên chính các hình ảnh đánh giá của inclusionAI cho Ming-3.0-audio-flash, cột tham chiếu là Qwen3.8-Omni-Flash — mô hình omni đóng của A​libaba, mở cho khách hàng API từ ngày 18 tháng 9 năm 2026 — và kết quả nghiêng về cả hai phía. Ming thắng các hàng phương ngữ với cách biệt lớn và thua các hàng suy luận âm thanh dài gần gấp ba lần. Điều đó hữu ích một cách bất thường, vì nó có nghĩa câu hỏi không phải là "mô hình nào tốt hơn" mà là "bạn có thể chịu đựng chế độ lỗi nào trong hai chế độ lỗi này với khối lượng công việc của mình." Ming-3.0-audio-flash là checkpoint âm thanh-ngôn ngữ của inclusionAI với tổng 126B, 6,5B hoạt động, được tải lên ngày 3 tháng 9 năm 2026 và được ghi tài liệu vào ngày 19 tháng 10; Qwen3.8-Omni-Flash là một mô hình được lưu trữ, chỉ xuất văn bản, với ngữ cảnh một triệu token và không có trọng số. Một cái bạn sở hữu, một cái bạn thuê, và các điểm mạnh được công bố của chúng không trùng nhau nhiều. Các lỗi AI được ghi tài liệu và các tranh chấp điểm chuẩn của nhà cung cấp đằng sau những so sánh như thế này được tập hợp trong OrcaRouter AI Incident Archive nơi mỗi mục mang nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.

Hai cách để đọc một giờ âm thanh

Cả hai mô hình đều nhận đầu vào là âm thanh và văn bản, đồng thời trả về văn bản. Câu đó đúng với cả hai và cũng gây hiểu lầm về cả hai, bởi vì quy mô mà chúng vận hành hoàn toàn khác nhau.

Qwen3.8-Omni-Flash nhận đầu vào văn bản, hình ảnh, âm thanh và video, xử lý tới một giờ âm thanh-video liên tục trong một lần gọi duy nhất, mang ngữ cảnh một triệu token (đầu vào tối đa khoảng 991K, đầu ra tối đa 131K với ngân sách suy luận 262K), và chỉ trả lời bằng văn bản. Cách Alibaba định vị khi ra mắt là một hóa đơn chứ không phải điểm số: rẻ hơn 98% mỗi giờ đầu vào âm thanh so với Qwen3.5-Omni-Plus, rẻ hơn 93% mỗi giờ âm thanh-video, với các con số mỗi giờ được suy ra bằng cách tính giá một mẫu hai phút rồi nhân với ba mươi, video được lấy mẫu ở 720p và một khung hình mỗi giây. Giá quốc tế là $0.15 mỗi triệu token đầu vào, $0.016 cho token được lưu trong bộ nhớ đệm, $0.47 cho đầu ra.

Ming-3.0-audio-flash nhận âm thanh và văn bản đầu vào, trả về văn bản hoặc văn bản kèm giọng nói thông qua một Talker tùy chọn, và có ngữ cảnh 128K — một con số mà cấu hình của nó không công bố cho đến ngày 13 tháng 10, khi một commit chỉ một tệp nâng max_position_embeddings từ 8.192 lên 131.072. Cấu hình phục vụ tham chiếu của nó là song song tensor trên tám H800s 80 GB và bản tải xuống khoảng 259 GB. Không có giá theo token vì không có endpoint.

Vậy đơn vị của Q​wen là lệnh gọi; đơn vị của Ming là nút. Đó là quyết định đầu tiên và nó thường quyết định phần còn lại.

Bảng của chính inclusionAI nói gì, theo từng hàng

Mọi con số trong phần này đều đến từ ba tệp PNG trong thư mục assets/ của kho lưu trữ Ming — lần chạy của chính inclusionAI, trên bộ khung đánh giá của chính họ, với dấu hoa thị đánh dấu các dòng do họ tự đánh giá. Không có nội dung nào trong đó được tái lập. Hãy đọc nó như một nhà cung cấp tự mô tả về mình trước công chúng, điều mà hầu hết các nhà cung cấp không làm được.

• Mức trung bình ASR tiếng Trung — Ming đạt tỷ lệ lỗi 3,45 so với 3,54 của Qwen3.8-Omni-Flash và 9,83 của Gemini 3.8 Flash. Một chiến thắng sát nút.

• Trung bình ASR tiếng Anh — 3.69 so với 4.02 và 5.05. Cũng hẹp.

• Trung bình phương ngữ — 9,40 so với 11,58. Chênh lệch rộng hơn, và đây là tuyên bố chính: tiếng Quảng Đông 4,09 so với 4,76, tiếng Thượng Hải 11,15 so với 21,10, tiếng Hồ Nam 8,76 so với 17,11, tiếng Phúc Kiến 12,84 so với 26,32.

• Hồ Bắc — 9,46 so với 7,75. Q​wen thắng dòng này và inclusionAI vẫn đăng nó, đó là lý do chính để tin phần còn lại của bảng.

• Phân tách người nói, AISHELL-4 — Ming 8.58 tỷ lệ lỗi phân tách người nói so với Q​wen 2.80. Trên AMI, 25.29 cho Ming so với 11.16 cho MiMo-V2.6 Pro.

• Điểm Long-audio Chain — Ming 12,31 so với Qwen 34,54, chế độ suy nghĩ của Qwen 48,70 và Gemini 3.8 Flash 49,63. Đây là khoảng cách gấp bốn lần, và nó nằm ở một chỉ số mà nhà cung cấp đã chọn công bố.

• {{1}}LongAudioSpan{{/1}} — {{2}}41.12{{/2}} so với {{3}}66.40{{/3}}. {{4}}MMAR{{/4}} — {{5}}74.40{{/5}} so với {{6}}77.70{{/6}}. {{7}}MMSU{{/7}} — {{8}}78.82{{/8}} so với {{9}}82.10{{/9}}.

• Các dòng chỉ số chính về suy luận âm thanh — Ming đạt 99,40 trên BigBenchAudio và 82,00 trên MMAU; gọi công cụ trên BFCL-v3 Audio đạt 81,40, so với 86,68 của Gemini 3.8 Flash.

Mô hình này không phải ngẫu nhiên. Ming mạnh nhất khi nhiệm vụ là “chính xác điều đã được nói, bao gồm cả giọng,” và yếu nhất khi nhiệm vụ là “giữ một bản ghi âm dài trong tâm trí và lập luận xuyên suốt nó.” Qwen thì ngược lại: cửa sổ một triệu token và ngân sách lập luận chính là bộ máy dành cho nhiệm vụ thứ hai, và không có gì trong tài liệu ra mắt của nó gợi ý đến việc tinh chỉnh theo từng phương ngữ.

Khẳng định về phương ngữ chính là toàn bộ vụ việc, và nó hẹp hơn vẻ ngoài của nó.

Nếu bạn chỉ lấy một điều từ bảng nhà cung cấp, hãy lấy điều này: khoảng cách còn trụ vững sau khi bị soi xét là nhận dạng tiếng nói tiếng Trung theo phương ngữ và có giọng, không phải trí tuệ âm thanh tổng quát. Tiếng Thượng Hải ở 11,15 so với 21,10 là khoảng một nửa tỷ lệ lỗi. Tiếng Hồ Nam ở 8,76 so với 17,11 là khoảng một nửa. Tiếng Phúc Kiến ở 12,84 so với 26,32 là khoảng một nửa. Đó là những chênh lệch lớn, nhất quán trên năm hàng phương ngữ, và là kiểu kết quả đến từ một quyết định huấn luyện chứ không phải một mẹo đánh giá chuẩn.

Những lưu ý này quan trọng ngang với các con số. Các bộ kiểm thử là do chính nhà cung cấp lựa chọn; khung kiểm thử là của nhà cung cấp; các giá trị tham chiếu cho Qwen3.8-Omni-Flash do inclusionAI chạy mô hình của A​libaba tạo ra, không phải do A​libaba. Một đối thủ chấm điểm mô hình của đối thủ cạnh tranh là thông lệ bình thường, và đó cũng là cách thiết lập dễ vô tình tạo ra kết quả tâng bốc nhất. Dòng duy nhất đi theo hướng ngược lại, Hubei, là bằng chứng mạnh nhất cho thấy bảng này không phải chỉ đơn giản là đã bị chỉnh sửa.

Và khoảng cách âm thanh dài gấp bốn lần không phải là lỗi làm tròn mà bạn có thể thiết kế để né tránh. Nếu khối lượng công việc của bạn là một cuộc gọi công bố thu nhập kéo dài chín mươi phút và bạn cần một bản tóm tắt có tham chiếu chéo, thì chính những con số của Ming cho thấy chế độ suy nghĩ của Q​wen là công cụ tốt hơn gấp bốn lần trên chỉ số đo lường chính xác điều đó.

Tính sẵn sàng quyết định nhiều hơn các bài kiểm chuẩn.

Qwen3.8-Omni-Flash chỉ có một nơi duy nhất: nền tảng Qianwen của A​libaba và A​libaba Cloud Model Studio, với các endpoint quốc tế và đại lục riêng biệt, thanh toán riêng và tiền tệ riêng. Nó phản hồi một yêu cầu có định dạng OpenAI, nên mã phía máy khách phần lớn chỉ cần chuyển cổng, nhưng endpoint không thể di chuyển và không có mục tiêu dự phòng chuyển đổi. Chưa có trọng số nào được phát hành và không có trọng số nào được công bố. OrcaRouter không phục vụ nó.

Ming-3.0-audio-flash hoàn toàn không có endpoint nào. Đây là trọng số được cấp phép MIT cùng một thẻ mô hình, một kho GitHub được tạo ngày 15 tháng 10, các tệp YAML triển khai cho ba cấu hình, hai client mẫu và một hướng dẫn giọng nói 150 KB. Dự án vLLM-Omni hỗ trợ thế hệ Ming trước đó và có một pull request đang mở cho mô hình Ming TTS 7.9B, nhưng chưa có gì được hợp nhất cho checkpoint ngôn ngữ âm thanh này; con đường thực tế hiện nay là Transformers với trust_remote_code=True, điều này phù hợp cho việc đánh giá nhưng còn chưa đủ cho một dịch vụ.

Đặt hai đoạn đó cạnh nhau và sự đánh đổi hiện ra rõ rệt. Q​wen cung cấp cho bạn một endpoint production không có phương án dự phòng và không có khả năng quan sát. Ming cung cấp cho bạn một checkpoint với khả năng quan sát đầy đủ và không có endpoint. Một đội có node GPU và yêu cầu tuân thủ sẽ chọn Ming. Một đội có hạn chót sẽ chọn Q​wen và chấp nhận rủi ro phụ thuộc một nguồn duy nhất.

Con đường trung dung trông như thế nào

Có một lựa chọn thứ ba mà không nhà cung cấp nào tài liệu hóa, và đáng để nói rõ vì đó chính là điều hầu hết các nhóm thực sự làm: dùng mô hình được lưu trữ (hosted) cho những công việc mà nó làm tốt hơn và dùng trọng số mở cho những công việc mà chúng làm tốt hơn, trong cùng một pipeline.

Cụ thể là — một tổ chức hỗ trợ xử lý các cuộc gọi tiếng Quan Thoại với người nói phương ngữ. Âm thanh được đưa đến, một bộ phân loại nhẹ sẽ quyết định xem lời nói của người gọi là chuẩn hay nặng giọng địa phương. Âm thanh chuẩn được chuyển đến Qwen3.8-Omni-Flash để tạo bản tóm tắt ngữ cảnh dài có suy luận trên toàn bộ cuộc gọi. Âm thanh có giọng địa phương được chuyển đến Ming-3.0-audio-flash để phiên âm, và bản phiên âm quay trở lại pipeline văn bản để tóm tắt. Không mô hình nào nhìn thấy toàn bộ khối lượng công việc; cả hai chỉ thấy phần mà mình đảm nhận tốt nhất.

Kiến trúc đó tốn công hơn việc chọn một nhà cung cấp, và đó là kiến trúc duy nhất sử dụng bảng của nhà cung cấp một cách trung thực, vì bản thân bảng nói rằng hai mô hình thất bại trên các đầu vào khác nhau.

Vị trí chính xác của OrcaRouter

Chúng tôi không cung cấp mô hình nào trong hai mô hình được nói đến trong bài viết này. Qwen3.8-Omni-Flash do Alibaba lưu trữ và không có trong danh mục của chúng tôi; Ming-3.0-audio-flash là mô hình trọng số mở và không có trong danh mục của chúng tôi. Người đọc đăng ký với kỳ vọng có được một trong hai sẽ thất vọng, nên tốt hơn là nói điều này ở đây thay vì ở cuối ô đăng ký.

Điều mà pipeline phân loại và tóm tắt ở trên cần chính xác là điều mà một router cung cấp: một khóa duy nhất cho phía văn bản của chuỗi, một quy tắc định tuyến gửi âm thanh chuẩn theo một hướng và âm thanh có accent theo hướng khác, cùng một đường dự phòng khi nhà cung cấp bị suy giảm. Một API cho hơn 200 mô hình với 0% phụ phí — giá niêm yết của nhà cung cấp được chuyển thẳng, nên việc nhà cung cấp giảm giá có hiệu lực ở phía chúng tôi ngay trong ngày — là một việc vận hành nhỏ hơn so với ba hợp đồng và hai hệ thống thanh toán, và failover tự động là câu trả lời cho rủi ro một nguồn duy nhất đi kèm với bất kỳ mô hình omni được lưu trữ nào. DSL định tuyến là nơi một pipeline giọng nói hai nhánh thực sự được thể hiện. Nó không phải, và không thể là, sự thay thế cho một checkpoint 259 GB.

Dành cho hai kiểu đội nhóm

Nếu bạn đang xây dựng một sản phẩm trong quý này có âm thanh và không có ngân sách GPU, Qwen3.8-Omni-Flash là câu trả lời, kèm lưu ý rằng bạn đang thuê từ một nhà cung cấp duy nhất và nên viết client sao cho endpoint là một giá trị cấu hình chứ không phải hằng số. Cửa sổ ngữ cảnh và ngân sách suy luận của nó thực sự lớn hơn bất cứ thứ gì mà phương án thay thế trọng số mở cung cấp.

Nếu bạn đang xây dựng hạ tầng — một dịch vụ phiên âm, một pipeline tuân thủ tại chỗ, bất cứ thứ gì mà endpoint của nhà cung cấp là gánh nặng chứ không phải tiện lợi — thì Ming-3.0-audio-flash là lựa chọn mở nghiêm túc, và các con số về phương ngữ chính là lý do. Hãy dự trù một node, dự trù một tháng tích hợp, và đọc các dòng diarization trước khi hứa với ai đó về nhãn người nói.

Kết luận kém hào nhoáng là hai mô hình không hẳn là đối thủ mà đúng hơn là một sự phân công lao động mà không nhà cung cấp nào có động cơ mô tả. inclusionAI đã công bố bảng cho thấy điều đó. Điều đó đáng giá hơn một bài đăng ra mắt.