Ming-3.0-audio-flash 對決 Qwen3.8-Omni-Flash：廠商自己的表格早已選出贏家

有一張比較表足以平息這場爭論的大部分，而它是由兩家供應商之一發布的。在 inclusionAI 自家的評測圖像中，針對 Ming-3.0-audio-flash，參考欄是 Qwen3.8-Omni-Flash——A​libaba 的封閉式全模態模型，自 2026 年 9 月 18 日起向 API 客戶開放——而結果呈現互有勝負。Ming 在方言列以大幅差距勝出，卻在長音訊推理列以將近三倍的差距落敗。這格外有用，因為這意味著問題不是「哪個模型更好」，而是「你的工作負載能承受這兩種失效模式中的哪一種」。Ming-3.0-audio-flash 是 inclusionAI 的總參數量 126B、啟用參數 6.5B 的音訊語言檢查點，於 2026 年 9 月 3 日上傳、10 月 19 日發布文件；Qwen3.8-Omni-Flash 則是託管式、僅輸出文字的模型，具備一百萬個 token 的上下文，且不提供權重。一個是你自有，一個是你租用，而它們公開的強項不太重疊。這類比較背後的已記錄 AI 失效案例與廠商基準測試爭議，都收錄在 OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

兩種方式閱讀一小時的音訊

這兩個模型都接受音訊與文字，並回傳文字。這句話對兩者而言都成立，卻也對兩者都具有誤導性，因為它們運作的規模完全不同。

Qwen3.8-Omni-Flash 可接收文字、圖像、音訊與視訊輸入，單次呼叫內可處理長達一小時的連續音視訊，具備百萬 token 上下文（最大輸入約 991K，輸出最高 131K，推理預算為 262K），且僅以文字回應。阿里巴巴的發布論述是一筆帳單，而不是一項分數：每小時音訊輸入比 Qwen3.5-Omni-Plus 便宜 98%，每小時音視訊便宜 93%；每小時數字是以兩分鐘樣本計價再乘以三十得出，視訊取樣為 720p、每秒一幀。國際定價為每百萬輸入 token 0.15 美元、快取 0.016 美元、輸出 0.47 美元。

Ming-3.0-audio-flash 接受音訊與文字輸入，並透過選用的 Talker 回傳文字，或文字加語音，且具備 128K 上下文——其設定直到 10 月 13 日才聲稱這個數字，當時一個單一檔案提交將 max_position_embeddings 從 8,192 提高到 131,072。其參考服務配置是在八張 80 GB H800 上進行張量平行處理，而下載大小約為 259 GB。由於沒有端點，因此沒有按 token 計價的價格。

所以 Qwen 的單位是呼叫；Ming 的單位是節點。這是第一個決定，而它通常就決定了其餘的一切。

inclusionAI 自己的表格逐行說明了什麼

本節的每個數字都來自 Ming 儲存庫的assets/資料夾中的三張 PNG——inclusionAI 自行在其自有測試框架上執行的結果，並以星號標示其自我評估的列。這些內容均未經重現。請將其視為廠商在公開場合描述自身，這比大多數廠商做得更多。

中文 ASR 平均——Ming 錯誤率 3.45，對比 Qwen3.8-Omni-Flash 的 3.54 與 Gemini 3.8 Flash 的 9.83。小幅勝出。

• 英語 ASR 平均 — 3.69，相較之下為 4.02 與 5.05。也偏窄。

• 方言平均 — 9.40 對 11.58。差距更大，而這正是主要宣稱：粵語 4.09 對 4.76，上海話 11.15 對 21.10，湖南話 8.76 對 17.11，閩南語 12.84 對 26.32。

• 湖北 — 9.46 對 7.75。Qwen 在這一列勝出，而 inclusionAI 還是照樣把它印了出來，這正是讓人願意相信表格其餘部分的主要原因。

• 語者分離（speaker diarization），AISHELL-4 —— Ming 的語者分離錯誤率為 8.58，Qwen 為 2.80。在 AMI 上，Ming 為 25.29，MiMo-V2.6 Pro 則為 11.16。

• 長音訊 Chain 分數 — Ming 12.31，對比 Q​wen 34.54、Q​wen 思考模式 48.70，以及 Gemini 3.8 Flash 49.63。這就是四倍的差距，而且還是在廠商自己選擇公開的指標上。

LongAudioSpan — 41.12 對比 66.40。MMAR — 74.40 對比 77.70。MMSU — 78.82 對比 82.10。

• 音訊推理主要數據列——Ming 在 BigBenchAudio 拿下 99.40、在 MMAU 拿下 82.00；在 BFCL-v3 Audio 上的工具呼叫為 81.40，對比 Gemini 3.8 Flash 的 86.68。

這個模式並非隨機。Ming 在「確切說了什麼，包括口音」這類任務上最強，而在「把長段錄音記在心裡並據此推理」這類任務上最弱。Qwen 則相反：百萬 token 的上下文窗口與推理預算，正是第二類任務所需的機制，而其發布資料中沒有任何跡象顯示它做過逐方言的調校。

方言主張就是整個論點，而它比聽起來更狹隘。

若你要從供應商表格帶走一件事，就帶走這個：經得起檢視的差距在於帶方言與口音的中文語音辨識，而不是通用音訊智慧。上海話是 11.15 對 21.10，錯誤率約為一半。湖南話是 8.76 對 17.11，約為一半。閩南語是 12.84 對 26.32，約為一半。這些是橫跨五個方言列的大幅且一致的差異，而且它們是那種源自訓練決策、而非基準測試取巧的結果。

這些注意事項和數字本身一樣重要。測試集是廠商自行挑選的；測試框架也是廠商的；Qwen3.8-Omni-Flash 的參考值是由 inclusionAI 執行 A​libaba 的模型所產生，而不是由 A​libaba 產生。由競爭對手為對手的模型評分是常見做法，而這種安排也最可能意外產生美化的結果。唯一反其道而行的湖北那一列，是最有力的證據，證明這張表並非只是被編輯過。

而長音訊四倍的差距，並不是你能靠設計繞過的捨入誤差。如果你的工作負載是一場九十分鐘的財報電話會議，而你需要一份含交叉參照的摘要，Ming 自己的數字顯示，在正好衡量這件事的指標上，Q​wen 的思考模式是更好的工具，而且高出四倍。

可用性比基準測試更能決定結果

Qwen3.8-Omni-Flash 只有一個歸屬：阿里巴巴的 Qianwen 平台與 Alibaba Cloud Model Studio，國際與中國大陸端點各自獨立、計費各自獨立、貨幣也各自獨立。它回應的是 OpenAI 形式的請求，因此用戶端程式碼大多可直接移植，但端點無法移植，也沒有容錯移轉目標。權重尚未釋出，也未宣布將釋出。OrcaRouter 並未提供它。

Ming-3.0-audio-flash 完全沒有端點。它是以 MIT 授權的權重，附有模型卡、於 10 月 15 日建立的 GitHub 儲存庫、三個設定檔的部署 YAML、兩個範例用戶端，以及一份 150 KB 的語音指南。vLLM-Omni 專案支援前一代 Ming，並且已有一個針對 7.9B Ming TTS 模型開啟中的 Pull Request，但這個音訊語言檢查點尚未有任何內容合併；目前實務上的做法是使用 Transformers 搭配 trust_remote_code=True，這對評估來說沒問題，但用於服務則略顯單薄。

把那兩段並排放在一起，取捨就一目了然。Q​wen 給你一個生產端點，卻沒有備援、也沒有可視性。Ming 給你一個檢查點，具備完整可視性，卻沒有端點。有 GPU 節點又有合規要求的團隊會選 Ming。有截止期限的團隊會選 Q​wen，並吞下單一來源風險。

中間道路會是什麼樣子

還有第三種選項，兩家廠商都沒有說明，但值得講清楚，因為這正是大多數團隊實際採用的做法：在同一條管線中，把託管模型用於它更擅長的工作，並把開放權重模型用於它們更擅長的工作。

具體來說，這是一個處理華語來電、且來電者會說方言的客服組織。音訊進來後，由一個輕量級分類器判斷來電者的說話是標準口音還是口音很重。標準音訊會送到 Qwen3.8-Omni-Flash，對整通電話進行推理並產生長上下文摘要。口音重的音訊會送到 Ming-3.0-audio-flash 進行轉錄，轉錄稿再回到文字處理流程中進行摘要。兩個模型都看不到完整的工作負載；兩者都只看到自己勝出的那部分。

那種架構比只挑一家供應商來得費工，卻是唯一誠實運用供應商表格的做法，因為表格本身就指出，這兩個模型是在不同的輸入上出錯。

OrcaRouter 確切位於何處

本文兩款模型都不提供。Qwen3.8-Omni-Flash 由 A​libaba 託管，並不在我們的目錄中；Ming-3.0-audio-flash 是開放權重模型，同樣不在我們的目錄中。讀者若抱著能用到其中一款的期待來註冊，勢必會失望，所以與其在註冊框最後才說，不如在這裡就講清楚。

上述的分類器與摘要管線所需要的，正是路由器所提供的功能：為鏈路的文字端提供單一金鑰、一條將標準音訊送往一方、將帶口音的音訊送往另一方的路由規則，以及當供應商效能下降時的容錯移轉路徑。 一個 API 即可使用超過 200 個模型，且零加成 — 供應商定價原樣傳遞，因此供應商降價當天就會在我們這邊生效 — 比三份合約和兩套帳務系統更容易維運，而 自動容錯移轉 正是應對任何託管式全模態模型所伴隨之單一來源風險的解答。 路由 DSL 正是雙分支語音管線真正得以表達之處。它不是，也不可能是 259 GB 檢查點的替代品。

適用於兩種類型的團隊

如果你本季要打造包含音訊的產品，卻沒有 GPU 預算，Qwen3.8-Omni-Flash 就是答案；但要注意，你是在向單一供應商租用，因此應將用戶端寫成讓端點是設定值而非常數。它的上下文視窗與推理預算確實比任何開放權重替代方案所提供的都更大。

如果你正在建置基礎設施——轉錄服務、地端合規管線，或任何供應商端點是負擔而非便利的場景——Ming-3.0-audio-flash 是認真的開放選項，而方言數據正是原因。編列一個節點的預算、編列一個月整合的預算，並在向任何人承諾講者標籤之前，先讀過說話者分離（diarization）的資料列。

不那麼光鮮的結論是：這兩個模型與其說是競爭對手，不如說是一種分工，而兩家廠商都沒有動機去描述這種分工。inclusionAI 公布了顯示這一點的表格。這比一篇發布貼文更有價值。