LFM3-Audio-2B 對 Ming-3.0-audio-flash：筆電檢查點對上八 GPU 的耳朵

第一個將LFM3-Audio-2B與Ming-3.0-audio-flash區分開來的數字並不是基準測試，而是八。Ming-3.0-audio-flash 是 InclusionAI 旗下總參數 126B、啟用參數 6.5B 的音訊語言混合專家模型；若要以其完整的 128K 上下文配置提供語音輸出，就需要橫跨八張 80 GB H800 進行張量平行——四張 GPU 只能得到一條經過驗證、但僅限文字的 SGLang 路徑，因為 Talker 模組放不下。LFM3-Audio-2B 是 Liquid AI 於 2026 年 10 月 27 日在六模型 LFM3 系列中推出的 2B 檢查點，以 2.1 GB 的 Ollama 下載形式提供。兩者都是開放權重。只有其中一個，是單一開發者今天下午就能做出的決定。

那個差距就是整場對決的關鍵，而且值得抗拒顯而易見的錯誤：把它當成品質排名。Ming-3.0-audio-flash 聽到的遠比 LFM3-Audio-2B 多：長錄音、多位講者、音樂、聲學場景、非語音聲音。LFM3-Audio-2B 是為筆電上的語音迴路而打造——在 18 種語言中進行辨識、合成、翻譯與口語工具呼叫。Ming 是附著嘴巴的耳朵；Liquid 的模型是附著耳朵的嘴巴。問題在於你實際擁有的是哪一種工作。

兩艘安靜的船，兩種不同的沉默。

這兩個模型都不是以常規方式發布的，而它們現身方式的差異，正好告訴你對各個儲存庫能有何期待。

Ming-3.0-audio-flash 於 2026 年 9 月 3 日上傳到 Hugging Face，卻沒有任何公告，之後有六週都無法使用，直到服務程式碼、範例與重寫後的模型卡在 10 月 15 日至 19 日之間上線。GitHub 儲存庫於 15 日建立；模型卡在 19 日仍在編輯中。HF 頁面顯示上個月有 22 次下載。它採用 MIT 授權，而參考部署 YAML 檔位於該儲存庫中。

LFM3-Audio-2B 於 10 月 27 日亮相，是 Liquid 家族發布中的六個模型之一，共用 LFM3-1.7B-Base 主幹。音訊分支在家族貼文中只獲得一段說明，外加一張模型卡；沒有獨立的音訊公告，Liquid 網站上也沒有它的定價項目。不到一天，它就有了已合併的 llama.cpp 拉取請求（#31257）與 Ollama 組建。差別在於工具鏈的速度，而非文件的深度：Ming 的基準測試面板是圖片，Liquid 則是六行表格，且未指明測試框架。

每個各自能聽見什麼

• 輸入 — LFM3-Audio-2B：文字或 16 kHz 音訊。Ming-3.0-audio-flash：音訊加上文字指令。

• 輸出 — LFM3-Audio-2B：文字、24 kHz 語音，或交錯的文字與語音。Ming-3.0-audio-flash：文字，或透過選用的 Talker 合成語音的文字。

• 上下文 — LFM3-Audio-2B：32K 個 token，輸入加輸出。Ming-3.0-audio-flash：128K 個 token，於十月的一次提交中從 8,192 提升。

• 語言 — LFM3-Audio-2B：18 種語言被列為 19 個地區設定，因為英文以美國與英國變體呈現；即時 ASR 僅支援英文。Ming-3.0-audio-flash：中文與英文，包含口音與方言——粵語、上海話、湖南話與閩南語在該系列涵蓋範圍中被點名。

• 授權 — LFM3-Audio-2B：LFM Open License v1.0，年營收低於 1,000 萬美元可免費商用。Ming-3.0-audio-flash：MIT。

• 硬體門檻 — LFM3-Audio-2B：透過 GGUF 可在 CPU 上執行，2.1 GB。Ming-3.0-audio-flash：完整音訊配置需八張 80 GB H800，純文字則需四張。

語言規格那一行，是這兩者最常被誤讀的地方。十八種語言聽起來比兩種更廣，就語音合成而言確實如此。但這 18 種大多是歐洲語言，加上日語、韓語和中文，而 Liquid 明確將即時 ASR 限制為英語。Ming 的兩種語言附帶的方言涵蓋範圍，在中文客服中心裡比一長串地區設定清單更重要。如果你的音訊是帶有語碼轉換的國語，Ming 聽起來較窄的語言宣稱反而更有優勢；如果你需要在筆電上使用荷蘭語或瑞典語語音，LFM3-Audio-2B 是兩者中唯一宣稱支援的。

唯一對得上的那個數字，以及為何它仍不是定論

兩家廠商都公布了 VoiceBench 數值，這讓它成為這裡最接近共同基準軸的東西。Ming-3.0-audio-flash 報告 86.74。LFM3-Audio-2B 報告 73.13。表面上看，這是對 Ming 有利的 13.6 分差距。

把它當成假設，而不是結果。這兩個數字來自不同的測試框架版本、不同的提示與不同的解碼設定，而兩個儲存庫都沒有指明確切配置。Ming 自己的資料警告，比較模型是在 inclusionAI 的評估設定下重現的，且可能因提示、解碼、版本與管線而與官方報告不同。Liquid 的表格完全沒有指明其測試集。將某廠商的數字與另一廠商的數字相比，只是對兩項主張的排序，而不是對兩個模型的測量。

同樣的謹慎態度也適用於 Ming 評測面板的其餘部分：中文 ASR 平均 CER 3.45、英文 WER 3.69、方言 CER 9.40、BigBenchAudio 99.40、MMAU 82.00——全數由供應商報告，且僅供展示。對照 LFM3-Audio-2B 的英文 WER 6.23 與 MMAR 50.60，方向一致：Ming 是更強的聆聽者。但其幅度並未由兩家實驗室已發表的任何內容確立。

授權能帶來什麼，又要付出什麼代價

MIT 是更簡潔的授權條款，而且差距懸殊。LFM Open License v1.0 在營收門檻以下免費，超過門檻則需付費商業授權；MIT 則沒有門檻。對於預期營收將成長超過 $10M 的公司而言，這項差異是採購清單上的一個項目，不是可有可無的附註。

授權費也只是成本中較小的一半。Ming 的八 GPU 最低門檻是一項資本決策，涉及折舊時程、機架和呼叫器。Liquid 的 2.1 GB 下載檔可透過 GGUF 在筆電 CPU 上執行，Apple silicon 則使用 MLX 4 位元，並以 ONNX Runtime 實現可攜性。對兩者而言，第一千小時音訊的邊際成本幾乎為零；固定成本卻相差三個數量級。

這並不代表 {{1}}Ming{{/1}} 很貴。這讓 {{2}}Ming{{/2}} 成為另一種採購。如果你的工作負載穩定，而且音訊不能離開內部環境，擁有一個 126B 的耳朵可能比多年按分鐘付費更便宜——交叉點是使用率計算，不是基準測試。如果你的工作負載是原型、示範，或音訊量仍未知的產品，八 GPU 配置就是在證據出現前先下的賭注。

先試後買

這兩個模型在實務上的問題相同：你無法從模型卡判斷其中任何一個是否適用於你的錄音。Ming 的服務路徑假設多數團隊並沒有那樣的硬體；Liquid 的則可在任何地方運行，但沒有獨立評估。這兩種情況下，成本最低的做法都是先在小樣本上量測，再決定是否投入。

OrcaRouter 並未託管這兩個檢查點，因此路由的賣點並不適用於音訊層本身。它適用於上一層。語音管線是由一個音訊模型，加上一個負責分類、摘要或路由所聽見內容的文字模型所組成，而第二次呼叫正是路由器發揮價值的地方：超過 200 個模型藏在同一把金鑰之後，以供應商定價供應、不加價，跨供應商自動容錯轉移，還有路由 DSL，讓你可以把多個模型組合成一次呼叫。用音訊模型跑你那二十段最糟的錄音，然後用同一個端點上的同一個下游模型跑那些轉錄稿——這樣能讓比較保持乾淨，而且幾乎不花什麼錢。

該選哪一個

如果模型必須跑在你已經擁有的機器上、你需要 Ming 未涵蓋語言的語音輸出，或你正在製作語音工具呼叫迴圈的原型，並希望模型與工具位在同一台機器上，就選擇 LFM3-Audio-2B。要接受辨識那一半的表現只在中段，而且即時 ASR 僅支援英文，且在 llama.cpp 中仍是後續的 pull request。

如果任務是理解而非對話，請選擇 Ming-3.0-audio-flash：長時間會議、嘈雜的多說話者錄音、音訊推理，或方言覆蓋率很重要的中文工作負載。為八張 GPU 編列預算，或接受四張 GPU 的純文字設定檔並放棄 Talker。然後，在你相信任一廠商的評測面板之前，先執行你自己的評估。

兩者都先別選；不過，如果你說不出自己擁有的是那兩項工作中的哪一項，就先別選。這兩個模型分別已有四天和六週大，兩者的書面資料都比其能力宣稱更單薄，而在共用語料上的第一份獨立正面對決，價值會高於本文中的每一個數字。在那出現之前，硬體門檻是現有最誠實的決勝依據：其中一個能裝進你的筆電，另一個則得裝進機櫃。