Ming-3.0-audio-flash 对比 Qwen3.8-Omni-Flash：厂商自己的表格已经选出了赢家

有一张对比表能了结这场争论的大部分内容，而且它是由两家厂商之一发布的。在 inclusionAI 自己为 Ming-3.0-audio-flash 提供的评测图中，参考列是 Qwen3.8-Omni-Flash——Alibaba 的闭源全模态模型，自 2026 年 9 月 18 日起向 API 客户开放——而且结果双方各有领先。Ming 在方言行上以很大优势胜出，却在长音频推理行上以接近三倍的差距落败。这格外有用，因为这意味着问题不是“哪个模型更好”，而是“你的工作负载能承受这两种失败模式中的哪一种”。Ming-3.0-audio-flash 是 inclusionAI 总参数 126B、激活参数 6.5B 的音频语言检查点，于 2026 年 9 月 3 日上传，并于 10 月 19 日发布文档；Qwen3.8-Omni-Flash 是托管式、仅输出文本的模型，上下文长度为一百万 token，且不提供权重。一个你拥有，一个你租用，而二者公布的强项重合不多。 此类比较背后有据可查的 AI 故障与厂商基准测试争议，均收录于 OrcaRouter AI Incident Archive，其中每条条目都附有自己的来源、严重程度、置信等级和争议标记。

阅读一小时音频的两种方式

两个模型都接受音频和文本输入，并返回文本。这句话对两者都成立，却又对两者都有误导性，因为它们所运作的规模完全不同。

Qwen3.8-Omni-Flash 可接收文本、图像、音频和视频，单次调用内可处理最长一小时的连续音视频，支持百万 token 上下文（最大输入约 991K，输出最高 131K，推理预算为 262K），并且仅以文本作答。阿里巴巴的发布表述是一份账单，而非分数：音频输入每小时费用比 Qwen3.5-Omni-Plus 便宜 98%，音视频每小时便宜 93%；每小时数据是通过对两分钟样本定价再乘以三十得出，视频按 720p、每秒一帧采样。国际定价为每百万输入 token 0.15 美元、缓存 0.016 美元、输出 0.47 美元。

Ming-3.0-audio-flash 接收音频和文本输入，通过可选的 Talker 返回文本或文本加语音，并带有 128K 上下文——其配置直到 10 月 13 日才声明这一数字，当时一次单文件提交将max_position_embeddings从 8,192 提高到 131,072。其参考服务配置是在八块 80 GB H800 上使用张量并行，下载大小约为 259 GB。没有每 token 价格，因为没有端点。

所以 Qwen 的单位是调用；Ming 的单位是节点。这是第一个决定，通常也会决定其余的一切。

inclusionAI 自己的表格逐行是怎么说的

本节中的每一个数字都来自 Ming 仓库的 assets/ 文件夹中的三张 PNG 图片——inclusionAI 自己的运行，使用其自己的评测框架，并用星号标出它自评的行。这些内容均未经过复现。应把它看作是一家厂商在公开描述自己，而大多数厂商连这一点都做不到。

• 中文 ASR 平均 —— Ming 错误率 3.45，对比 Qwen3.8-Omni-Flash 的 3.54 和 Gemini 3.8 Flash 的 9.83。以微弱优势取胜。

• 英语 ASR 平均值——3.69，对比 4.02 和 5.05。差距也很小。

• 方言平均 — 9.40 对 11.58。差距更大，而且这是核心主张：粤语 4.09 对 4.76，上海话 11.15 对 21.10，湖南话 8.76 对 17.11，闽南语 12.84 对 26.32。

• 湖北 — 9.46 对 7.75。Qwen 在这一行胜出，而 inclusionAI 还是照样把它公布了出来，这正是让人有理由信任表格其余部分的主要原因。

• 说话人分离，AISHELL-4——Ming 的分离错误率为 8.58，Q​wen 为 2.80。在 AMI 上，Ming 为 25.29，MiMo-V2.6 Pro 为 11.16。

• 长音频 Chain 得分——Ming 12.31，对比 Qwen 34.54、Qwen 思考模式 48.70 和 Gemini 3.8 Flash 49.63。这是四倍的差距，而且还是在厂商选择公布的指标上。

• LongAudioSpan — 41.12 对比 66.40。MMAR — 74.40 对比 77.70。MMSU — 78.82 对比 82.10。

• 音频推理主要指标行——Ming 在 BigBenchAudio 上取得 99.40，在 MMAU 上取得 82.00；BFCL-v3 Audio 上的工具调用得分为 81.40，而 Gemini 3.8 Flash 为 86.68。

这种模式并非随机。Ming 在“准确说出说了什么，包括口音”这类任务上表现最强，而在“把一段长录音记在脑中并对其整体进行推理”这类任务上表现最弱。Qwen 则相反：百万 token 的窗口和推理预算正是第二类任务所需的机制，而其发布材料中没有任何内容表明它进行过按方言逐一调优。

方言主张就是全部论据，而它比听起来要狭窄得多。

如果要从供应商表格中只带走一点，那就是：经得起推敲的差距在于方言和带口音的中文语音识别，而非通用音频智能。上海话为 11.15 对 21.10，错误率大约减半。湖南话为 8.76 对 17.11，大约减半。闽南语为 12.84 对 26.32，大约减半。这在五行方言数据中都是幅度很大且一致的差距，而且这类结果源自训练决策，而非基准测试技巧。

这些警示与数字同样重要。测试集是厂商自己挑选的；测试框架也由厂商提供；Qwen3.8-Omni-Flash 的参考值由 inclusionAI 运行 A​libaba 的模型得出，而不是由 A​libaba 得出。让竞争对手给自己的对手模型打分是常规做法，而且这种安排也最容易意外产生美化结果。唯一一个走向相反方向的行——Hubei——是最有力的证据，说明这张表并非只是被简单编辑过。

而且，四倍的长音频差距并不是一个你可以通过设计绕开的舍入误差。如果你的工作负载是一场九十分钟的财报电话会议，且你需要一份带交叉引用的摘要，那么 Ming 自己的数据表明：在恰好衡量这一点的指标上，Qwen 的思考模式是更好的工具，优势达到四倍。

可用性比基准测试更具决定性

Qwen3.8-Omni-Flash 只有一个归宿：阿里巴巴的通义千问平台和阿里云百炼（Model Studio）；国际站和中国大陆端点各自独立，计费和货币也各自独立。它响应 OpenAI 格式的请求，因此客户端代码大多可以移植，但端点不可移植，也没有故障转移目标。尚未发布任何权重，也没有相关发布公告。OrcaRouter 不提供该模型。

Ming-3.0-audio-flash 根本没有端点。它是采用 MIT 许可证的权重，附带模型卡、一个创建于 10 月 15 日的 GitHub 仓库、三个配置档的部署 YAML、两个示例客户端以及一份 150 KB 的语音指南。vLLM-Omni 项目支持上一代 Ming，并且有一个针对 7.9B Ming TTS 模型的开放拉取请求，但尚未为这个音频语言检查点合并任何内容；如今切实可行的路径是使用 Transformers 并设置 trust_remote_code=True，这对评估来说没问题，但对服务而言略显单薄。

把这两段并排放在一起，权衡就非常鲜明。Q​wen 给你一个生产环境端点，却没有回退方案，也没有可见性。Ming 给你一个具备完整可见性的检查点，却没有端点。拥有 GPU 节点且有合规要求的团队会选择 Ming。有交付期限的团队会选择 Q​wen，并承担单一来源风险。

中间道路是什么样子

还有第三种选择，两家供应商都没有对此作出说明，但它值得详细讲清楚，因为大多数团队实际上就是这么做的：在同一条流水线中，把托管模型用于它更擅长的工作，把开放权重模型用于它们更擅长的工作。

具体来说——一个处理普通话来电、且来电者会说方言的客服组织。音频到达后，一个轻量级分类器会判断来电者的语音是标准普通话还是口音很重。标准音频会进入 Qwen3.8-Omni-Flash，对整通电话进行推理并生成长期上下文摘要。带口音的音频会进入 Ming-3.0-audio-flash 进行转写，转写文本再回到文本流水线中进行摘要。两个模型都看不到整个工作负载；它们各自只看到自己胜出的那部分。

那种架构比只选一家供应商更费事，而且它是唯一诚实利用供应商表格的方案，因为表格本身就表明这两个模型会在不同输入上失败。

OrcaRouter 究竟位于何处

本文不提供这两款模型。Qwen3.8-Omni-Flash 由 A​libaba 托管，不在我们的目录中；Ming-3.0-audio-flash 是开放权重模型，也不在我们的目录中。读者若冲着其中任一模型注册，将会失望，所以在这里说明比在注册框末尾才说更好。

上文那个分类并摘要的流水线所需要的，正是路由器所提供的东西：文本侧链路的一把单一密钥，一条将标准音频发往一边、将带口音音频发往另一边的路由规则，以及当提供商性能下降时的故障转移路径。一个 API，覆盖 200 多个模型，0% 加价——按提供商列表价透传，因此供应商降价当天就会在我们这边生效——运营起来比三份合同和两套计费系统负担更小，而且自动故障转移正是应对任何托管式全模态模型所带来的单一来源风险的答案。路由 DSL才是双分支语音流水线真正得以表达的地方。它不是、也不可能是 259 GB 检查点的替代品。

适用于两类团队

如果你本季度要构建一个包含音频功能的产品，而且没有 GPU 预算，那么 Qwen3.8-Omni-Flash 就是答案；但需要注意，你是在向单一供应商租用服务，应该把客户端写成让端点成为配置值，而不是常量。它的上下文窗口和推理预算确实比任何开放权重替代方案所能提供的都更大。

如果你要构建基础设施——一个转写服务、一条本地部署的合规流水线，或任何供应商端点是一种负担而非便利的场景——Ming-3.0-audio-flash 是严肃的开放选项，而方言指标正是原因所在。预留一个节点、预留一个月的集成时间，并在向任何人承诺说话人标签之前，先读一读说话人分离（diarization）那几行结果。

不那么光鲜的结论是：这两个模型与其说是竞争对手，不如说是一种分工，而两家厂商都没有动力去说明这一点。inclusionAI 发布了展示这一点的表格。这比一篇发布稿更有价值。