LFM3-Audio-2B 对比 Ming-3.0-audio-flash：笔记本检查点对阵八 GPU 之耳

区分LFM3-Audio-2B与Ming-3.0-audio-flash的第一个数字并不是基准测试成绩，而是八。Ming-3.0-audio-flash 是 InclusionAI 的 126B 参数音频-语言混合专家模型，激活参数为 6.5B，要以完整的 128K 上下文配置提供语音输出，需要跨八块 80 GB H800 进行张量并行——四块 GPU 只能获得一条经过验证的纯文本 SGLang 路径，因为 Talker 模块放不下。LFM3-Audio-2B 是 Liquid AI 于 2026 年 10 月 27 日在包含六款模型的 LFM3 系列中发布的 2B 检查点，以 2.1 GB 的 Ollama 下载形式提供。两者均为开放权重。其中只有一个是单个开发者今天下午就能做出的决定。

这个差距正是整场对比的关键所在，而值得避免一个显而易见的错误：把它当成质量排名。Ming-3.0-audio-flash 听到的远比 LFM3-Audio-2B 多：长录音、多说话人、音乐、声学场景、非语音声音。LFM3-Audio-2B 是为笔记本电脑上的语音闭环而构建的——支持 18 种语言的识别、合成、翻译和语音工具调用。Ming 是附了一张嘴的耳朵；Liquid 的模型则是附了一只耳朵的嘴。问题在于你实际面对的是哪种工作。

两艘安静的船，两种不同的寂静

这两个模型都没有采用常规的发布方式，而它们亮相方式的差异，能让你预知可以从各自的代码库中期待什么。

Ming-3.0-audio-flash 于 2026 年 9 月 3 日上传至 Hugging Face，未作任何公告，随后在长达六周的时间里一直无法使用，直到 10 月 15 日至 19 日期间，服务代码、示例和重写后的模型卡才陆续上线。GitHub 仓库于 15 日创建；模型卡到 19 日仍在编辑中。HF 页面显示其上月下载量为 22 次。该项目采用 MIT 许可证，参考部署 YAML 文件位于该仓库中。

LFM3-Audio-2B 于 10 月 27 日亮相，是 Liquid 家族发布中的六款模型之一，共享 LFM3-1.7B-Base 主干。音频分支在家族发布文章中只占一段，外加一张模型卡；没有独立的音频公告，Liquid 网站上也没有它的定价条目。不到一天，它就拥有了已合并的 llama.cpp 拉取请求（#31257）和一个 Ollama 构建。差别在于工具化速度，而非文档深度：Ming 以图片形式提供基准测试面板，Liquid 则只有一个六行表格，且未注明所用评测框架。

每一个能听到什么

• 输入 — LFM3-Audio-2B：文本或 16 kHz 音频。Ming-3.0-audio-flash：音频加文本指令。

• 输出 — LFM3-Audio-2B：文本、24 kHz 语音，或文本与语音交错。Ming-3.0-audio-flash：文本，或通过可选的 Talker 合成语音的文本。

• 上下文 — LFM3-Audio-2B：32K 个 token，输入加输出。Ming-3.0-audio-flash：128K 个 token，在 10 月的一次提交中从 8,192 提升而来。

• 语言 — LFM3-Audio-2B：18 种语言被列为 19 个语言区域，因为英语有美国和英国两种变体；实时 ASR 仅支持英语。Ming-3.0-audio-flash：支持中文和英文，包括口音和方言——该系列的覆盖范围中提到了粤语、上海话、湖南话和闽南语。

• 许可证 — LFM3-Audio-2B：LFM Open License v1.0，年收入低于 1000 万美元可免费商用。Ming-3.0-audio-flash：MIT。

• 硬件下限 — LFM3-Audio-2B：通过 GGUF 可在 CPU 上运行，2.1 GB。Ming-3.0-audio-flash：完整音频配置需八块 80 GB H800，纯文本配置需四块。

语言这一栏正是两者最常被误读的地方。十八种语言听起来比两种更广，就合成而言也确实如此。但这 18 种主要是欧洲语言，外加日语、韩语和中文，而且 Liquid 明确将实时 ASR 限制为英语。Ming 的两种语言附带方言覆盖，这在中国呼叫中心里比一长串区域设置列表更重要。如果你的音频是带有语码转换的普通话，Ming 听起来范围很窄的语言声明反而是更强的一项；如果你需要在笔记本电脑上使用荷兰语或瑞典语语音，LFM3-Audio-2B 是两者中唯一声称支持这一点的。

唯一对得上的那个数字，以及为什么它仍然不能作为定论

两家厂商都公布了 VoiceBench 成绩，这使得它成为这里最接近共同基准的指标。Ming-3.0-audio-flash 报告为 86.74。LFM3-Audio-2B 报告为 73.13。表面上看，这意味着 Ming 领先 13.6 个百分点。

把它当作假设，而不是结果。这两个数字来自不同的测试框架版本、不同的提示词和不同的解码设置，而且两个仓库都没有说明确切的配置。Ming 自己的材料警告说，对比模型是在 inclusionAI 的评估设置下复现的，可能因提示词、解码、版本和流水线而与官方报告不同。Liquid 的表格完全没有说明其测试集。将一个厂商的数字与另一个厂商的数字相比较，只是对两项声明的排序，而不是对两个模型的测量。

同样的谨慎也适用于 Ming 评测面板的其余部分：中文 ASR 平均 CER 3.45、英语 WER 3.69、方言 CER 9.40、BigBenchAudio 99.40、MMAU 82.00——均为提供商报告，且均仅用于展示。对照 LFM3-Audio-2B 的英语 WER 6.23 和 MMAR 50.60，方向是一致的：Ming 的听辨能力更强。但两家实验室已发表的任何内容都未确立这一差距的幅度。

许可证能换来什么，又要付出什么代价

MIT 是更简洁的许可证，而且优势明显。LFM Open License v1.0 在收入门槛以下免费，超过该门槛则需付费商业许可；MIT 没有门槛。对于预计营收将超过 1000 万美元的公司来说，这一差异是一项采购支出项，而不是脚注。

许可证费用也只是成本中较小的那一半。Ming 的八 GPU 下限是一项资本决策，涉及折旧计划、机架和值班寻呼机。Liquid 的 2.1 GB 下载包可通过 GGUF 在笔记本电脑 CPU 上运行，Apple silicon 上使用 MLX 4-bit，ONNX Runtime 则提供可移植性。对两者而言，第 1000 小时音频的边际成本都几乎为零；但固定成本却相差三个数量级。

这不会让 Ming 变得昂贵，而是让 Ming 成为一种不同的采购方式。如果你的工作负载稳定，而且音频不能离开本地，那么拥有一只 126B 的“耳朵”可能比多年按分钟付费更便宜——这个交叉点是利用率计算，不是基准测试。如果你的工作负载是原型、演示，或者是一个音频量仍未知的产品，那么八 GPU 配置就是在证据到来之前下的赌注。

先试后买

这两个模型的实际问题相同：仅凭模型卡，你无法判断其中任何一个能否在你的录音上正常工作。Ming 的服务路径假定多数团队并不具备的硬件；Liquid 的则可在任何地方运行，但没有独立评估。两种情况下，成本最低的做法都是在正式投入前先在小样本上实测。

OrcaRouter 并不托管这两个检查点中的任何一个，因此这套路由卖点并不适用于音频层本身。它适用于再往上一层。语音流水线由一个音频模型和一个文本模型组成，后者会对听到的内容进行分类、摘要或路由，而正是第二次调用让路由器有了用武之地：一个密钥即可访问 200 多个模型，按提供商标价计费、无加价，支持跨提供商自动故障转移；如果你想把多个模型组合成一次调用，还可以使用路由 DSL。先用音频模型跑一遍你最糟糕的二十段录音，再在同一个端点上用同一个下游模型跑这些转录文本——这样比较更干净，而且几乎不花什么钱。

该选哪一个

如果模型必须运行在你已经拥有的机器上，或者你需要 Ming 未覆盖语言的语音输出，又或者你正在为语音工具调用循环做原型，并希望模型与工具位于同一台机器上，请选择 LFM3-Audio-2B。请接受识别部分处于中游水平，并且实时 ASR 仅支持英语，而且在 llama.cpp 中仍是一个后续的拉取请求。

如果任务是理解而非对话——例如长会议、嘈杂的多说话人录音、音频推理，或需要覆盖方言的中文工作负载——就选择 Ming-3.0-audio-flash。为八块 GPU 做好预算，或者接受四块 GPU 的纯文本配置并放弃 Talker。然后，在相信任何一方的厂商评测榜单之前，先运行你自己的评估。

如果还说不清自己手头是这两项工作中的哪一项，那就两个都先别选。这两个模型分别只有四天和六周大，二者的文档资料都比其能力宣称更单薄，而首次在共享语料库上进行的独立正面对比，其价值将超过本文中的每一个数字。在它出现之前，硬件门槛是眼下最诚实的决胜依据：其中一个能装在你的笔记本电脑上，另一个则要装进机架。