一张生成的标题卡写着“Ming-3.0-audio-flash 以 99.8% 位居语音推理榜首”,副标题指出其在 2026 年 11 月 18 日的 Artificial Analysis Big Bench Audio 上排名第一,并说明该检查点于 9 月 3 日发布,且未提供价目表。四个数据标签分别写着“99.8% Big Bench Audio”“42 个模型中的第 1 名”“首段音频延迟 1.12 秒”和“未公布价格”。页脚写着“分数依据 Artificial Analysis,2026 年 11 月 18 日。”
Engineering & Research

Ming-3.0-audio-flash 以 99.8% 登顶 Artificial Analysis 语音推理榜——领先一个百分点,但仍未公布价格

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

Artificial Analysis 现将 Ming-3.0-audio-flash列在其 Speech Reasoning 榜单的 Big Bench Audio 评估首位,准确率达 99.8%,领先于 StepAudio 3 Realtime 的 99.7%、Q​wen Audio 3.0 Realtime Plus 的 99.2%、Eleven Realtime v1 Max 的 98.8%、G​rok Voice 3.0 的 98.5%、G​emini 3.8 Live Extended Thinking (High) 的 97.7% 以及 GPT-Realtime-2.1 High 的 95.8%。这一声明由 Ant Ling 于 2026 年 11 月 18 日 08:37 UTC 发布,距该模型自己的代码仓库被编辑以加入同一数字和一张排行榜图片仅过去十九分钟。时机就是全部关键:一个于九月发布、此前没有任何第三方评分的模型如今有了评分,而且这个数字非常接近上限。

准确地说,哪些是新的、哪些不是——因为这不是一次发布。inclusionAI 于2026年9月3日将 Ming-3.0-audio-flash 的权重上传到了 Hugging Face,此后六周对此只字未提;模型卡、推理服务配置和示例代码直到10月15日至19日之间才上线。今天发生变化的是评测,而不是检查点。safetensors 分片与九月的字节完全相同。因此,诚实的说法是:一个已经发布七周的开放权重音频模型,刚刚由其作者之外的人进行了评测,并且名列第一。

Big Bench Audio 实际上要求模型做什么

值得具体谈谈这项测试,因为“语音推理”听起来像是语音智能体在对话中会做的事情,但大多数情况下并非如此。Big Bench Audio 是一组以音频形式呈现的多选题:模型听到一段录音,听到或读到关于它的问题,然后选出一个答案。它考察的是将一段口语内容保持在上下文中并对其运用普通推理的能力。它不考察轮流发言、打断处理、附和反馈,也不考察听起来像真人的能力。这些能力属于另一个 Artificial Analysis 榜单——Full Duplex Bench,而 Ming-3.0-audio-flash 目前在该榜单上完全没有公布成绩。

这种区别在这里比平时更重要,因为 99.8% 这个指标几乎已经没有提升空间了。在一个有 42 个模型的榜单上,第一名和第五名之间只差一个百分点。第一名和第十三名的模型——GPT-Realtime-2.1 High——之间则差四个点。当几乎所有现代模型都能在这项测试上拿到九十几分时,这项测试就已经不再能区分领域顶尖水平了;而领先 StepAudio 3 Realtime 一个百分点,不过是在一项基准上多答对几道题,至于这项基准到底有多少道题,Artificial Analysis 之外没有人能核实。应把排名理解为“这个模型属于顶尖梯队”——这确实有用——而不是“这个模型在听觉上可测量地优于其他所有模型”,因为那个数字无法支持后者。

按顺序排列的榜单,献给任何想了解赛场格局而非只看头条的人:

• 1 — Ming-3.0-audio-flash,99.8%

• 2 — StepAudio 3 Realtime,99.7%

• 3 — Q​wen Audio 3.0 Realtime Plus,99.2%

• 4 — Phonic 1(高),98.9%

• 5 — Eleven Realtime v1 Max,98.8%

• 7 — Grok Voice 3.0,98.5%

• 8 — Gemini 3.8 实时扩展思考(高),97.7%

• 13 — GPT-Realtime-2.1 High,95.8%

A screenshot of the Artificial Analysis Speech to Speech page, showing the site navigation, the page heading, a blurb describing comparison of speech-to-speech models across reasoning quality, conversational dynamics, generation time and price, and two chart panels labelled Speech to Speech Index and Speed & Cost per Hour of Input Audio, plus a Related Links rail. The per-model rows inside the charts are not legible at this size.

供应商自己的材料中有一个细节值得指出,因为这类东西往往会被悄悄略去。inclusionAI 模型卡上于十月上传的评估图像显示,flash 模型在“BigBenchAudio”上的得分为 99.40。Artificial Analysis 现在报告的是 99.8。这是类似基准的两次不同运行,差距并非任何一方的错误——当测试框架、提示格式和题目子集不完全一致时,就会出现这种正常波动。这也提醒人们,供应商十月的表格和今天的第三方榜单上的数字不能互换,即使它们承载的标签几乎相同。

董事会没有说的事

Artificial Analysis 的条目中缺少三项内容,而每一项对部署决策的重要性都超过准确率数字。

首先是价格。Ming-3.0-audio-flash 在 Artificial Analysis 上没有按 token 或按分钟计费的费率,因为根本没有可购买的东西:它是一个采用 MIT 许可证的 1260 亿参数专家混合检查点,每步激活 65 亿参数。成本就是硬件的成本。inclusionAI 自己的部署说明将参考的 128K 服务配置设为在四块 80 GB H800 上进行张量并行,并为长音频提供八 GPU 回退方案,还有一个经过验证的 SGLang 配置:在四块 GPU 上仅返回文本。排行榜上排在其之上的每个模型(除它自身外)都是按量计费的 API。仅按准确率比较它们,只是把一个基准分数和另一个基准分数相比,却忽略了表格的一边是购买,另一边是订阅。

第二点是延迟。Artificial Analysis 确实测量了首音频时间,Ming-3.0-audio-flash 为 1.12 秒。Eleven Realtime v1 Max 为 0.57 秒——大约一半。如果你的应用是一个必须在对话停顿内作答的语音智能体,那么基准测试的胜出并不能弥补一秒的静默,而排行榜的排序也完全不能说明这两个数字中哪一个是你能够接受的。

第三点是对话行为。Eleven Realtime v1 Max 有 Full Duplex Bench 分数(总分 0.941,打断处理为 0.99,轮次转换为 1.0),若干 G​emini 和 G​PT 实时模型也有分数。Ming-3.0-audio-flash 没有 FDB 分数,没有对话动态细分数据,也没有已发布的关于其处理被打断情况的测量结果。一个模型可以在音频相关的多项选择题上拿满分,却仍然会抢你的话。

而厂商自己公布的10月数据,是整个图景中最不讨喜的证据。在同一张宣传语音推理胜绩的卡片上,inclusionAI 公布的长音频链得分为 12.31,而 Qwen3.8-Omni Flash 为 34.54,Gemini 3.8 Flash 为 49.63;LongAudioSpan 为 41.12,对比 66.40;在 AMI 上的说话人分离错误率为 25.29,而 MiMo-V2.6 Pro 为 11.16。这些都是厂商自己的数字,基于厂商自己选定的任务,它们描绘出的模型擅长简短问答式音频,却不擅长跨长录音进行推理。Big Bench Audio 上的 99.8 分丝毫改变不了这一点,因为 Big Bench Audio 并不是长音频测试。

卡片与推文之间17分钟的时间差

该仓库提交的时间戳为 11 月 18 日 08:26:48 UTC,标题的一部分是“将 Flash BBA 分数更新至 99.8%,并添加总榜 #1 排行榜结…”。Ant Ling 的帖子随后于 08:37:02 发布。同一个提交在四十八秒后又改动了那个小兄弟的卡片,添加了同一句话——一段共享的基准测试段落,被复制到两个仓库中,这也多了一个理由:在引用某个数字之前,先核实它究竟属于哪个检查点。

A generated single-column scoreboard titled 'Ming-3.0-audio-flash - the scoreboard'. Rows read 'Big Bench Audio: 99.8%, rank 1 of 42', 'Vendor card, October: 99.40, self-evaluated', 'Time to first audio: 1.12 s', 'Full Duplex Bench: not published', 'Price: no rate card' and 'Reference hardware: 4 x 80GB H800'. The footer reads 'Big Bench Audio score, rank and latency per Artificial Analysis, 18 November 2026; the 99.40 figure is vendor-reported and unaudited.'

这一顺序告诉你的是,模型卡如今处于排行榜的下游,而不是反过来。六周以来,Ming-3.0-audio-flash 唯一的性能证据是一组 PNG 图像,它们位于assets/文件夹中,由训练该模型的团队制作。这并非无关紧要——厂商评估通常诚实,只是在任务选择上偏乐观——但这与第三方运行自己的测试框架并发布排名,属于不同类别的证据。今天有趣的地方不在于厂商声称自己排名第一,而在于一个与结果没有利害关系的组织把该模型放到了那个位置。

A screenshot of the inclusionAI Ming-3.0-audio-flash model card on Hugging Face, showing the audio-to-audio pipeline tag, the MIT licence badge, a reported model size of 128B params, a downloads-last-month figure of 2,572, the headline 'Hear clearly. Understand deeply. Act intelligently.', and a model summary table listing the developer as inclusionAI, the model type as a native audio-language mixture-of-experts, and 126B total parameters with 6.5B activated per inference step.

路由器适用于哪些场景,以及不适用于哪些场景

OrcaRouter 不提供 Ming-3.0-audio-flash。它不在我们的目录中,我们无法为你提供它的端点,本文中的任何内容都不应被理解为要约。如果你想运行它,你需要克隆仓库,安装 Transformers 5 代码路径或某个 SGLang-Omni 服务配置,并至少为它分配四块 80 GB 显卡。这属于基础设施范畴,而路由器不负责基础设施。

路由器真正做的,是任何语音流水线的另一半。构建在自托管音频模型上的语音应用,仍然主要是文本工作:决定要向录音询问什么的提示词,把制表符分隔的语言标签转换成结构化输出的后处理,根据转录文本撰写的摘要,以及把嘈杂通话转接给人工的分类器。这些都是普通的聊天调用,而一个 API 覆盖 200 多个模型、0% 加价——按提供商目录价透传,因此供应商降价当天就能在我们这边生效——比起再签第二、第三家供应商合同,接入起来要简单得多。自动故障转移让你可以把一个未经检验的开源权重模型放在部分流量之后,而不必把整条路径都押在它上面。

边界才是重点。你在自己的 GPU 上运行的 259 GB 检查点是一项资本决策;而路由器只负责路由调用。它不会把集群模型变成托管模型,也不会把多项选择基准上的 99.8% 变成关于你产品的证据。

什么会让这件事有意义

三项测量就能把今天的头条变成一项决策,而这三项都是 Artificial Analysis 或某个 arena 无需向 inclusionAI 索要任何东西就能发布的。Full Duplex Bench 分数会说明对话行为是否与理解能力相匹配。在公开数据集上的长音频结果,将检验厂商自家表格中最薄弱的那一个维度。而 Big Bench Audio 的第二次独立运行——不同的测试框架、不同的题目样本——会告诉你 99.8 是天花板效应,还是真实差距。

在那之前,准确的说法范围很窄,也值得直白地说出来:Ant Group 的一款开放权重音频模型于9月发布、10月有文档记录,目前在一个第三方语音推理基准上排名第一,领先紧随其后的模型一个百分点;它没有公布价格,首个音频生成时间是该榜单上最快竞争者的两倍,而且完全没有对话评分。这是一个真实的结果。它也比“最佳语音模型”这一说法小得多,而这两句话之间的差异,正是关于这个模型的大部分有用思考仍然必须发生的地方。

本文中的对比1

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新