LFM3-Omni-2B 對決 Ming-3.0-audio-flash：一支手機對上一座機架

物料清單在基準測試還沒開口之前，就已經決定了這場比較。Ming-3.0-audio-flash有 1,260 億個參數，約 259 GB 的 bfloat16 權重，以及一套參考服務配置，建構在採 tensor parallel 的 80 GB H800 上——128K 配置用四張，長音訊耗盡記憶體時用八張。LFM3-Omni-2B有 21.7 億個參數，以一般的 BF16 權重形式發布，且設計成能在手機上執行。兩者都能接收音訊。兩者都能出聲回答。一個是資料中心資產，另一個是你能放進應用程式裡的功能，而它們其他幾乎所有面向，都源自這個單一事實。

它們同樣來得相當低調。Liquid AI 於 2026 年 10 月 27 日在一則貼文中宣布 LFM3 系列，LFM3-Omni-2B 是六款 2B 級模型之一；其儲存庫自 10 月 21 日起就已公開。inclusionAI 於 2026 年 9 月 3 日上傳 Ming-3.0-audio-flash，幾乎沒有附上任何文件，直到六週後的 10 月 19 日才發布正式的模型卡。兩家廠商都沒有獨立基準測試，兩款模型也都沒有可按 token 租用的託管端點。

在模型上加上嘴巴的兩種方法

架構上的差異不在於大小，而在於音訊所在的位置。

Ming-3.0-audio-flash 盡可能讓音訊維持音訊形式。一個 Whisper 風格的編碼器——32 層、寬度 1,280、128 個 mel 頻帶——會將聲音轉成表徵，餵入一個 42 層的專家混合主幹，其中包含 512 個專家，每個 token 選用 8 個。語音則透過可選的 Talker 模組返回，該模組內建中文語音，並支援參考片段語音提示。宣稱的上下文長度為 128K；這個數字在 10 月 13 日的一次提交將位置嵌入從 8,192 提高到 131,072 之前，設定並未宣稱。

LFM3-Omni-2B 會將所有內容符元化成單一流。影片以每秒 2 幀取樣，每個 2×2 影像區塊會變成一個語言符元，音訊則會經過 LFM3 因果音訊編碼器，進入與文字相同的 128,000 個符元詞彙表。語音輸出為 24 kHz 的 LiquidCodec；音訊輸入為 16 kHz 單聲道。整個模型位於 32K 視窗內。

那是一套壓縮論證，而且有利也有弊。LFM3-Omni-2B 的做法，正是讓 2.17B 模型能在手機上可行的關鍵——所有東西都是同一種 token，所以所有東西也都以同一種方式便宜。Ming 的做法，則讓 126B 模型能把長達一小時的錄音記在腦中，而不丟棄韻律。兩者都不是免費的午餐。

值得並列比較的數字

• 總參數量 — LFM3-Omni-2B 為 2.17B 稠密模型；Ming-3.0-audio-flash 為 126B，採用 512 專家混合架構。

• 活躍參數——每次推理步驟約 2.17B，相較於 6.5B。

• 磁碟上的權重 —— 僅幾 GB，對比約 259 GB 的 bfloat16 分片，再加上 Talker。

• 參考硬體——手機、筆記型電腦或邊緣運算板，相較於用於 128K 配置、以張量平行方式運作的四張 80 GB H800；長音訊發生記憶體不足時則為八張。

• 上下文 — 涵蓋輸入與輸出的 32K token，相對於宣稱的 128K。

• 語音輸出 — 採用 24 kHz LiquidCodec，支援 19 種語音地區設定；Ming 會透過 Talker 回傳文字，或文字加上語音，並具備內建語音與參考片段複製功能。

• 授權條款 — LFM Open License v1.0，一種設有營收門檻的授權條款，對比 MIT。

• 價格 — 雙方都沒有按 token 計價，因為兩家廠商都沒有針對這些檢查點販售推論服務。

使用中的參數不是時速表。

把「6.5B active」與「2.17B dense」並列來看，很容易就此得出「Ming 每個 token 的成本僅為三倍」的結論。這種解讀在兩個方向上都是錯的。

混合專家會消耗記憶體頻寬，而不只是算術運算。從 126B 中提供 6.5B 活躍參數，意味著每一層都要把專家權重移入快取，而且在批次大小為一——語音助理所處的情境——這幾乎等同於每個 token 都要讀取 259 GB 的一大部分。八卡 H800 的配置並不是峰值吞吐量的建議；而是容納權重所需的代價。LFM3-Omni-2B 在 2.17B 時有相反的問題：沒有稀疏性紅利，但也沒有東西需要置換，而這正是讓手機可行的配置。

實務上的結果是，這兩個模型的擴展曲線不同。Ming 會隨著批次處理而降低每個 token 的成本，適合用來消化大量錄音通話佇列的轉錄流程。LFM3-Omni-2B 則是每段話語的成本大致維持不變，適合批次大小為一、延遲預算只有幾百毫秒的即時對話。

這1,260億能買到什麼

inclusionAI 以圖片而非表格公布其評測，這本身就是一種表態，但數字仍可辨讀。在其自家測試框架上，Ming-3.0-audio-flash 回報中文 ASR 平均錯誤率 3.45、英文 3.69，粵語、上海話、湖南話與閩南語的方言平均 9.40，並在 AISHELL-4 上的說話人分離錯誤率 8.58。音訊推理列包括 BigBenchAudio 99.40 與 MMAU 82.00。這些是廠商在廠商測試框架上的數字，星號標示自我評測的列。尚無人復現這些結果。

廠商仍列出的弱點是長音訊推理：Long-audio Chain 分數為 12.31，LongAudioSpan 為 41.12，兩者在自家比較中都明顯落後於託管模型。因此，126B 並非在「理解音訊」上全面更強。它更擅長精確聽出說了什麼、帶什麼口音、由誰說的——但在記住整段長錄音並跨越其間進行推理方面，則明顯較弱。

21.7億能換來什麼

LFM3-Omni-2B 回報的英語 ASR 詞錯誤率為 6.36，多語言錯誤率為 6.72，TTS UTMOSv2 為 3.80，VoiceBench 為 64.73，MMAR 為 51.40，工具呼叫分數為 52.20。其音訊輸入上限為 16 kHz 單聲道，這對語音來說沒問題，對音樂則毫無用處。

克制住拿 6.36 與 Ming 的 3.69 相比的衝動。它們不是同一項測試。Ming 的英文平均分是根據它自己的一套英文基準測試計算出來的；Liquid 的 6.36 是某一次評估中的單一數字，該評估使用它自己的提示詞與貪婪解碼。唯一站得住腳的說法是方向性的：Ming 的 ASR 很可能更好，因為一個 126B 的音訊原生模型搭配 Whisper 風格的塔狀結構，有更大的提升空間；也因為方言處理正是 inclusionAI 選擇主打的項目。至於它是好上兩分還是半分，從這兩張模型卡無法得知。

LFM3-Omni-2B 換來的不是準確度，而是模型能在麥克風所在之處運行。對通話錄音流程來說，這無關緊要；但對任何有即時使用者的應用而言，這改變了架構：不必上傳、不必往返傳輸、沒有按分鐘計費，音訊也不會離開裝置。

授權就是那靜默的差異。

Ming-3.0-audio-flash 採用 MIT 授權。這幾乎是最寬鬆的授權方式了：可商業使用、修改、再散布，沒有營收門檻，也沒有限制使用領域。LFM3-Omni-2B 以 LFM Open License v1.0 發布，這是 Liquid 套用於整個 LFM3 系列的家族授權，屬於營收門檻授權，而非 OSI 認可的開源授權。在以它打造產品之前，請先閱讀授權條款。對未達門檻的新創公司來說，這差異只是學術上的；對超過門檻的公司來說，MIT 可是有實質金錢價值的。

整合正是文書作業見真章之處

Ming 的 serving 情況仍未底定。inclusionAI 的發布說法暗示，如今就能用 vLLM-Omni 服務這個模型家族；但實際上，儲存庫顯示的是尚未合併的 pull request——一個涵蓋 tts-tiny checkpoint，另一個加入 audio-flash 支援。在這些 PR 落地之前，要執行 Ming-3.0-audio-flash，就得在記憶體足夠的機器上使用 Transformers，或走廠商文件記載的 SGLang-Omni 路徑。這做得到，但可不是 `pip install` 就能了事。

LFM3-Omni-2B 的故事則恰恰相反：一張詳實記錄微調配方的 Hugging Face 模型卡，以及一個早已在坊間流通的 Ollama 版本。那個版本標示 125K 上下文，模型卡上卻寫著 32K，這告訴你打包發布的速度跑得比文件還快——如果你打算餵給它長音訊，這看似小事，卻事關重大。

如果這兩者都不是適合你的形式，替代方案是租用這項能力，而不是擁有它，而那是不同的預算項目。OrcaRouter 是這個選擇的託管端——單一 API 涵蓋 200 多個模型，按供應商牌價零加成，並在供應商中斷時自動容錯移轉——而 LFM3-Omni-2B 和 Ming-3.0-audio-flash 目前都不在該目錄中。這是誠實的說法：本文談的是兩個你要下載的模型，而不是兩個你可以呼叫的模型。

誰應該選哪個？

如果你有目前沒有其他用途的 GPU，你的音訊是帶有口音、多位講者的中文或英文，而且你的工作是為長錄音產生準確的逐字稿或提出有根據的答案，就選 Ming-3.0-audio-flash。MIT 授權讓它在兩者之中較適合用來打造商業產品，而 128K 上下文讓它是這對之中唯一能一次處理完整場會議的模型。

如果音訊是在邊緣端生成、使用者正在等待，而且答案需要立刻以語音回覆，就選 LFM3-Omni-2B。你要接受的是：換來一個能放進 App 裡的部署，代價是較小模型的準確度、較窄的語言清單，以及附有營收條款的授權。

在進行任何一項之前，先問：音訊會傳到哪裡？如果答案是「無處可去」，比較就結束了。