Существует сравнительная таблица, которая разрешает большую часть этого спора, и она была опубликована одним из двух вендоров. В собственных изображениях оценки inclusionAI для Ming-3.0-audio-flash в качестве эталонного столбца используется Qwen3.8-Omni-Flash — закрытая омнимадель от Alibaba, доступная клиентам API с 18 сентября 2026 года — и результаты распределяются в обе стороны. Ming с большим отрывом побеждает в строках по диалектам и проигрывает почти в три раза в строках по рассуждению на основе длинных аудиозаписей. Это необычайно полезно, поскольку означает, что вопрос не в том, «какая модель лучше», а в том, «какой из этих двух типов сбоев может допустить ваша рабочая нагрузка». Ming-3.0-audio-flash — это аудиоязыковой чекпоинт inclusionAI с общим объемом 126 млрд параметров и 6,5 млрд активных параметров, загруженный 3 сентября 2026 года и задокументированный 19 октября; Qwen3.8-Omni-Flash — это хостинговая модель, работающая только на вывод текста, с контекстом в один миллион токенов и без весов. Одну вы покупаете, другую арендуете, и их заявленные сильные стороны почти не пересекаются. Задокументированные сбои ИИ и споры о бенчмарках вендоров, стоящие за подобными сравнениями, собраны в архиве инцидентов ИИ OrcaRouter, где каждая запись содержит свои источники, уровень серьезности, оценку достоверности и флаг спорности.
Два способа прочитать час аудио
Обе модели принимают аудио и текст и возвращают текст. Это утверждение верно для обеих, но вводит в заблуждение относительно обеих, поскольку масштаб, в котором они работают, совершенно разный.
Qwen3.8-Omni-Flash принимает на вход текст, изображения, аудио и видео, обрабатывает до часа непрерывного аудио-видео в рамках одного вызова, поддерживает контекст в миллион токенов (максимальный вход около 991 тыс., выход до 131 тыс. с бюджетом на рассуждение 262 тыс.) и отвечает только текстом. Презентация Alibaba была скорее счетом, чем оценкой: на 98% дешевле в час аудиовхода, чем Qwen3.5-Omni-Plus, на 93% дешевле в час аудио-видео, при этом почасовые показатели получены путем оценки двухминутного образца и умножения на тридцать, видео сэмплируется в 720p и один кадр в секунду. Международные тарифы составляют $0,15 за миллион входных токенов, $0,016 за кэшированные и $0,47 за выходные.
Ming-3.0-audio-flash принимает на вход аудио и текст, возвращает текст или текст плюс речь через опциональный Talker и поддерживает контекст 128 тыс. — цифра, которая не была заявлена в конфигурации до 13 октября, когда коммит в один файл увеличил max_position_embeddings с 8 192 до 131 072. Его эталонный профиль обслуживания — тензорный параллелизм на восьми H800 по 80 ГБ, а размер загрузки составляет примерно 259 ГБ. Цены за токен нет, потому что нет эндпоинта.
Таким образом, единица измерения Qwen — это вызов; единица измерения Ming — это узел. Это первое решение, и оно обычно определяет все остальное.
Что говорит собственная таблица inclusionAI, строка за строкой
Каждая цифра в этом разделе взята из трех PNG-файлов в папке assets/ репозитория Ming — это собственный запуск inclusionAI на собственном инструментарии, со звездочками, отмечающими строки, которые она оценивала самостоятельно. Ничего из этого не было воспроизведено. Читайте это как описание вендором самого себя на публике, что уже больше, чем делают большинство вендоров.
• Средний показатель распознавания китайской речи (ASR) — Ming 3,45 (уровень ошибок) против Qwen3.8-Omni-Flash 3,54 и Gemini 3.8 Flash 9,83. Небольшая победа.
• Средний показатель распознавания английской речи (ASR) — 3,69 против 4,02 и 5,05. Также небольшой отрыв.
• Средний показатель по диалектам — 9,40 против 11,58. Отрыв больше, и это главное заявление: кантонский 4,09 против 4,76, шанхайский 11,15 против 21,10, хунаньский 8,76 против 17,11, хокло 12,84 против 26,32.
• Хубэйский — 9,46 против 7,75. Qwen выигрывает в этой строке, и inclusionAI все равно опубликовала ее, что является главной причиной доверять остальной части таблицы.
• Диаризация спикеров, AISHELL-4 — Ming 8,58 (уровень ошибок диаризации) против Qwen 2,80. На AMI — 25,29 для Ming против 11,16 для MiMo-V2.6 Pro.
• Оценка цепочки рассуждений по длинному аудио (Long-audio Chain) — Ming 12,31 против Qwen 34,54, режима мышления Qwen 48,70 и Gemini 3.8 Flash 49,63. Это четырехкратный разрыв, и он основан на метрике, которую вендор решил опубликовать.
• LongAudioSpan — 41,12 против 66,40. MMAR — 74,40 против 77,70. MMSU — 78,82 против 82,10.
• Основные строки по аудиорассуждению — Ming набирает 99,40 в BigBenchAudio и 82,00 в MMAU; вызов инструментов в BFCL-v3 Audio составляет 81,40 против 86,68 у Gemini 3.8 Flash.
Закономерность не случайна. Ming наиболее силен, когда задача звучит как «что именно было сказано, включая акцент», и наиболее слаб, когда задача — «удержать в памяти длинную запись и рассуждать на ее основе». У Qwen все наоборот: окно в миллион токенов и бюджет на рассуждение — это именно тот механизм, который нужен для второй задачи, и ничто в материалах по его запуску не указывает на настройку по диалектам.
Заявление о диалектах — это суть дела, и оно уже, чем кажется
Если вы вынесете из таблицы вендора только одно, пусть это будет следующее: разрыв, который выдерживает проверку, — это распознавание диалектной и акцентированной китайской речи, а не общий аудиоинтеллект. Шанхайский диалект с 11,15 против 21,10 — это примерно половина уровня ошибок. Хунаньский с 8,76 против 17,11 — примерно половина. Хокло с 12,84 против 26,32 — примерно половина. Это большие, последовательные дельты по пяти строкам диалектов, и это тот результат, который получается в результате решения при обучении, а не из-за хитростей в бенчмарках.
Оговорки важны не меньше, чем цифры. Тестовые наборы — это собственный выбор вендора; инструментарий — вендора; эталонные значения для Qwen3.8-Omni-Flash были получены inclusionAI при запуске модели Alibaba, а не самой Alibaba. Когда конкурент оценивает модель соперника — это нормальная практика, но это также ситуация, которая с наибольшей вероятностью может случайно привести к лестному результату. Единственная строка, где результат противоположный, — Хубэйский диалект — является самым сильным доказательством того, что таблица не была просто отредактирована.
А четырехкратный разрыв в работе с длинным аудио — это не ошибка округления, которую можно игнорировать. Если ваша рабочая нагрузка — это девяностоминутный звонок о доходах и вам нужно резюме с перекрестными ссылками, собственные цифры Ming говорят о том, что режим мышления Qwen является лучшим инструментом с четырехкратным преимуществом по метрике, которая измеряет именно это.
Доступность решает больше, чем бенчмарки
У Qwen3.8-Omni-Flash один дом: платформа Qianwen от Alibaba и Alibaba Cloud Model Studio, с отдельными международными и материковыми эндпоинтами, разной биллинговой системой и разной валютой. Она отвечает на запрос в формате OpenAI, поэтому клиентский код в основном переносится, но эндпоинт не является портативным, и нет целевого объекта для отработки отказа. Веса не были выпущены, и о них не было объявлено. OrcaRouter ее не обслуживает.
У Ming-3.0-audio-flash вообще нет эндпоинта. Это веса с лицензией MIT, карточка модели, репозиторий на GitHub, созданный 15 октября, YAML-файлы развертывания для трех профилей, два примера клиентов и руководство по голосу на 150 КБ. Проект vLLM-Omni поддерживает предыдущее поколение Ming и имеет открытый pull request для 7.9B модели Ming TTS, но для этого аудиоязыкового чекпоинта ничего не объединено; практический путь сегодня — Transformers с trust_remote_code=True, что подходит для оценки, но недостаточно для сервиса.
Поставьте эти два абзаца рядом, и разница станет очевидной. Qwen предоставляет вам производственную конечную точку без резервного варианта и без прозрачности. Ming дает вам контрольную точку с полной прозрачностью, но без конечной точки. Команда с GPU-узлом и требованиями по комплаенсу выберет Ming. Команда, у которой поджимают сроки, выберет Qwen и возьмет на себя риск зависимости от единственного поставщика.
Как выглядит срединный путь
Существует третий вариант, который не документирует ни один из вендоров, и его стоит прояснить, поскольку именно так поступает большинство команд: использовать хостинговую модель для задач, в которых она лучше, и открытые веса для задач, в которых они эффективнее, в рамках одного и того же конвейера.
Конкретно — организация поддержки, обрабатывающая звонки на мандаринском диалекте. Поступает аудио, легкий классификатор определяет, является ли речь звонящего стандартной или с сильным акцентом. Стандартное аудио отправляется в Qwen3.8-Omni-Flash для создания резюме с длинным контекстом и рассуждениями по всему звонку. Аудио с акцентом отправляется в Ming-3.0-audio-flash для транскрибации, а полученный текст возвращается в текстовый конвейер для суммаризации. Ни одна из моделей не видит всю рабочую нагрузку; каждая видит ту часть, в которой она выигрывает.
Такая архитектура требует больше усилий, чем выбор одного вендора, и это единственный способ честно использовать таблицу вендоров, потому что сама таблица говорит о том, что две модели показывают разные результаты на разных входных данных.
Где именно находится OrcaRouter
В этой статье мы не предлагаем ни одну из моделей. Qwen3.8-Omni-Flash размещается на мощностях Alibaba и отсутствует в нашем каталоге; Ming-3.0-audio-flash имеет открытые веса и также отсутствует в нашем каталоге. Читатель, который регистрируется в ожидании любой из них, будет разочарован, поэтому лучше сказать об этом здесь, чем в конце формы регистрации.
То, что нужно описанному выше конвейеру классификации и суммаризации, — это именно то, что предоставляет маршрутизатор: единый ключ для текстовой части цепочки, правило маршрутизации, которое отправляет стандартное аудио в одну сторону, а аудио с акцентом — в другую, и путь аварийного переключения при деградации провайдера. Один API для более чем 200 моделей с 0% наценкой — цена провайдера передается напрямую, поэтому снижение цены вендором вступает в силу у нас в тот же день — это проще в эксплуатации, чем три контракта и две биллинговые системы, а автоматическое аварийное переключение — это ответ на риск зависимости от единственного источника, который сопровождает любую хостинговую omni-модель. DSL маршрутизации — это то место, где двухветвевой речевой конвейер действительно обретает форму. Это не является и не может быть заменой контрольной точке объемом 259 ГБ.
Для двух типов команд
Если вы создаете продукт в этом квартале с использованием аудио и у вас нет бюджета на GPU, Qwen3.8-Omni-Flash — это ответ, с той оговоркой, что вы арендуете мощности у одного поставщика и должны написать свой клиент так, чтобы конечная точка была конфигурационным значением, а не константой. Его контекстное окно и возможности рассуждения действительно больше, чем у любого альтернативного варианта с открытыми весами.
Если вы создаете инфраструктуру — сервис транскрибации, локальный конвейер для обеспечения соответствия требованиям, что угодно, где конечная точка вендора является обузой, а не удобством, — Ming-3.0-audio-flash является серьезным открытым вариантом, и показатели по диалектам — тому причина. Заложите бюджет на узел, месяц на интеграцию и изучите строки диаризации, прежде чем обещать кому-либо метки спикеров.
Негламурный вывод заключается в том, что эти две модели — не столько соперники, сколько разделение труда, описывать которое ни у одного вендора нет стимула. inclusionAI опубликовала таблицу, которая это доказывает. Это стоит больше, чем любой пост о запуске.
