
Ming-3.0-audio-flash 以 99.8% 登上 Artificial Analysis Speech Reasoning 榜首——領先一個百分點,卻仍未公布價格
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 185 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 228 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 98 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
Artificial Analysis 現在在其 Speech Reasoning 排行榜、Big Bench Audio 評測中,把 Ming-3.0-audio-flash 列為第一,準確率達 99.8%,領先 StepAudio 3 Realtime 的 99.7%、Qwen Audio 3.0 Realtime Plus 的 99.2%、Eleven Realtime v1 Max 的 98.8%、Grok Voice 3.0 的 98.5%、Gemini 3.8 Live Extended Thinking (High) 的 97.7%,以及 GPT-Realtime-2.1 High 的 95.8%。這項說法由 Ant Ling 於 2026 年 11 月 18 日 08:37 UTC 發布,時間就在該模型自家儲存庫被編輯、加入相同數字與一張排行榜圖片的十九分鐘後。這個時間點正是整件事的關鍵:一款九月推出、原本沒有第三方評分的模型,如今有了分數,而且這個數字非常接近上限。
確切說明哪些是新的、哪些不是——因為這不是一次發布。inclusionAI 於 2026 年 9 月 3 日將 Ming-3.0-audio-flash 的權重上傳到 Hugging Face,而且六週來隻字未提;模型卡、服務設定檔與範例程式碼直到 10 月 15 日至 19 日之間才發布。今天改變的是評估,而非檢查點。safetensors 分片與九月時是相同的位元組。因此,誠實的說法是:一個已推出七週的開放權重音訊模型,剛剛由作者以外的人進行了評測,而且結果位居第一。
Big Bench Audio 實際上要求模型做什麼
值得具體說明這項測試,因為「語音推理」聽起來像是語音代理在對話中會做的事,但實際上大多不是。Big Bench Audio 是一組以音訊形式呈現的多選題:模型會聽到一段錄音,聽到或讀到關於該錄音的問題,然後選出答案。它獎勵的是能把一段口語內容保存在上下文裡,並對其套用一般推理的能力。它不獎勵輪流發言、處理打斷、回應訊號,或聽起來像真人的能力。這些能力屬於另一個 Artificial Analysis 榜單 Full Duplex Bench,而 Ming-3.0-audio-flash 目前在該榜單上完全沒有公布分數。
這種區別在這裡比平常更重要,因為在 99.8% 時,這項指標幾乎已經沒有空間了。在一個有 42 個模型的排行榜上,第一名和第五名之間只差一個百分點。第一名和第十三名的模型——GPT-Realtime-2.1 High——之間則差四個百分點。一項幾乎所有現代模型都能拿到九十几分的測試,已經不再能區分頂尖模型;而領先 StepAudio 3 Realtime 一分,也不過是在一個基準測試上多對幾題,而該測試的題數,Artificial Analysis 以外的人根本無從查核。把排名理解為「這個模型屬於頂尖群體」,這確實有用,而不是「這個模型在聽覺上明顯優於其他所有模型」,因為這個數字支撐不了後者。
依序排列的榜單,獻給想看清整體局勢輪廓、而非只讀頭條標題的人:
• 1 — Ming-3.0-audio-flash,99.8%
• 2 — StepAudio 3 Realtime,99.7%
• 3 — Qwen 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 即時延伸思考(高),97.7%
• 13 — GPT-Realtime-2.1 High,95.8%

廠商自家文件裡有一個細節值得指出,因為這正是那種會被悄悄略過的東西。inclusionAI 模型卡上於十月上傳的評測圖顯示,flash 模型在「BigBenchAudio」上為 99.40。Artificial Analysis 現在報告的是 99.8。這是同一類基準測試的兩次不同執行,差距並非任一方的錯誤——當測試框架、提示格式與題目子集並非完全相同時,本來就會有這種正常差異。這也提醒我們,廠商十月的表格與今日的第三方排行榜並不是可互換的數字,即使它們的標籤幾乎相同。
董事會沒有說的事
Artificial Analysis 的條目中少了三項資訊,而這三項對部署決策的重要性,都高於準確率數字。
第一點是價格。Ming-3.0-audio-flash 在 Artificial Analysis 上沒有按 token 或按分鐘計費的費率,因為根本沒有東西可買:它是一個 1260 億參數的混合專家(mixture-of-experts)檢查點,採用 MIT 授權,每步啟動 65 億參數。成本取決於硬體成本。inclusionAI 自家的部署說明指出,參考的 128K 服務設定檔採用張量平行,橫跨四張 80 GB H800,長音訊則有八 GPU 的備援方案,並有一個已驗證的 SGLang 設定檔可在四張 GPU 上執行且僅回傳文字。排行榜上排在它之上的每一個模型(除了它自己)都是按用量計費的 API。只按準確率比較它們,等於拿一個基準分數比另一個基準分數,卻忽略了表格的一邊是購買、另一邊是訂閱。
第二個是延遲。Artificial Analysis 確實會測量首次音訊時間,而 Ming-3.0-audio-flash 為 1.12 秒。Eleven Realtime v1 Max 為 0.57 秒——大約一半。如果你的應用程式是必須在對話停頓內回應的語音代理,基準測試的勝出無法彌補一秒的沉默,而排行榜的排序也無法說明這兩個數字中哪一個是你所能忍受的。
第三是對話行為。Full Duplex Bench 已有 Eleven Realtime v1 Max 的分數(總體 0.941,其中中斷處理為 0.99、輪流發言為 1.0),也有數個 Gemini 與 GPT 即時模型的分數。Ming-3.0-audio-flash 沒有 FDB 分數、沒有對話動態細項分析,也沒有公開測量它如何處理被打斷的情況。一個模型可以在音訊相關選擇題上拿滿分,卻仍然會搶著蓋過你的話。
而廠商自己十月的數字,是整幅圖像中最不光彩的證據。就在那張宣稱語音推理勝利的同一張卡片上,inclusionAI 公布了長音訊鏈分數 12.31,對比 Qwen3.8-Omni Flash 的 34.54 和 Gemini 3.8 Flash 的 49.63;LongAudioSpan 為 41.12,對比 66.40;以及在 AMI 上的說話者分段錯誤率為 25.29,對比 MiMo-V2.6 Pro 的 11.16。這些是廠商自己的數字,在廠商自己選定的任務上,它們描述的是一個擅長短篇問答式音訊、卻不擅長跨長錄音推理的模型。Big Bench Audio 上的 99.8 分完全改變不了這一點,因為 Big Bench Audio 並不是長音訊測試。
卡片與推文之間十七分鐘的間隔
該儲存庫提交的時間戳為 11 月 18 日 08:26:48 UTC,標題部分為「將 Flash BBA 分數更新至 99.8%,並加入總排名第一的排行榜結…」。Ant Ling 的貼文接著在 08:37:02 發布。同一個提交在四十八秒後也動到了那個小型姊妹專案的卡片,加入同一句話——一段共用的基準測試段落,被複製到兩個儲存庫,也多了一個理由:在引用某個數字之前,先確認它究竟屬於哪個檢查點。

這個先後順序告訴你的是:模型卡如今位於排行榜的下游,而不是反過來。六週以來,Ming-3.0-audio-flash 唯一的效能證據,就是一個assets/ 資料夾裡的一組 PNG 圖像,由訓練它的團隊製作。這並非毫無意義——廠商評測通常誠實,只是對任務選擇過於樂觀——但這與第三方執行自己的評測框架並公布排名,屬於不同類別的證據。今天有趣的地方不在於廠商聲稱第一名。而在於一個與結果沒有利害關係的組織把這個模型放到了那裡。

路由器適用之處,以及不適用之處
OrcaRouter 不提供 Ming-3.0-audio-flash 的服務。它不在我們的目錄中,我們無法為它提供端點,且此處任何內容都不應被視為要約。如果你想執行它,你要複製儲存庫、安裝 Transformers 5 程式碼路徑或其中一個 SGLang-Omni 服務設定檔,並且至少配置四張 80 GB 顯示卡給它。那是基礎設施,而路由器不負責基礎設施。
路由器確實在做的事,正是任何語音流程的另一半。以自架音訊模型打造的語音應用,大部分工作仍然離不開文字:決定要向錄音問什麼的提示詞、把以 Tab 分隔的語言標籤轉成結構化輸出的後處理、依逐字稿寫出的摘要,以及把吵雜通話轉接給真人的分類器。這些都是普通的聊天呼叫,而一個 API 涵蓋 200 多個模型、零加成——供應商定價原封不動轉嫁,所以廠商降價當天我們這邊就同步生效——接線起來比再簽第二家、第三家供應商的合約簡單多了。自動容錯移轉讓你敢把未經實證的開放權重模型放在部分流量後面,而不必把整條路徑都押在它身上。
界線才是重點。你在自己的 GPU 上執行的 259 GB checkpoint 是資本支出決策;router 只是轉送呼叫。它不會把叢集模型變成託管模型,也不會讓選擇題基準上的 99.8% 成為你產品的證據。
什麼會讓這件事變得有意義?
三項測量就能把今天的新聞標題變成決策依據,而這三項都是 Artificial Analysis 或某個 arena 不必向 inclusionAI 要求任何東西就能公布的。一項 Full Duplex Bench 分數能說明對話行為是否與理解能力相符。在公開資料集上的長音訊結果,將測試廠商自家表格中最弱的那一個軸度。而 Big Bench Audio 的第二次獨立執行——不同的測試框架、不同的題項樣本——能告訴你 99.8 是天花板效應還是真實差距。
在那之前,準確的說法範圍很窄,值得直說:螞蟻集團的一個開放權重音訊模型於九月發布、十月公開文件,如今在第三方語音推理基準測試中排名第一,領先次名模型一個百分點;但它未公布價格,在該榜單上首次產生音訊的時間是最快競爭對手的兩倍,而且完全沒有對話評分。這是實實在在的成果。但這也比「最佳語音模型」的說法小得多,而這兩句話之間的差距,正是關於這個模型大部分有用的思考仍待展開之處。
本文中的比較2
根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新
