LFM2.5-24B-A2B vs. Qwen3.8-27B: Das eine ist ein Download, das andere ein Rechnungsposten

Beginnen wir mit der Zahl, die das meiste hier entscheidet. LFM2.5-24B-A2B ist eine Datei, die man auf eine Maschine legt und behält. Qwen3.8-27B ist ein Modell, für das man pro Million Token bezahlt. Liquid kündigte das erste am 13. Oktober 2026 mit 24,0 Milliarden Parametern, 2,45B aktiven pro Token und einem Kontext von 131.072 Token an; Alibaba veröffentlichte das zweite am 13. August 2026 als dichtes Vision-Language-Modell mit 27 Milliarden Parametern und einem Kontext von 262 Token. Beide sind Open-Weight. Nur eines von ihnen hat einen veröffentlichten Preis pro Token, der an einen funktionierenden Endpunkt gekoppelt ist, und es ist nicht das kleinere.

Diese Asymmetrie ist der eigentliche Vergleich. Alles Weiter unten – Leistungsfähigkeit, Lizenz, Kontext, Modalität – hängt davon ab, ob man Hardware oder Tokens kauft.

Was jedes Einzelne ist und was es sieht

LFM2.5-24B-A2B ist ein rein textbasiertes Mixture-of-Experts-Modell: 40 Schichten, aufgeteilt auf 30 doppelt gegatete Kurzkonvolutions-Blöcke und 10 Grouped-Query-Attention-Schichten, 64 Experten pro Block mit Top-4-Routing, ein Vokabular von 128.000 Tokens und 16 unterstützte Sprachen. Liquids Ankündigungsbeitrag beziffert das Pre-Training mit 33 Billionen Tokens; die Hugging-Face-Modellkarte für dasselbe Release nennt 36 Billionen. Die Post-Training-Pipeline endet mit agentischem Reinforcement Learning in echten Harnesses, und die Empfehlung des Anbieters lautet, das Modell mit Retrieval oder Websuche zu kombinieren, statt es Wissensfragen aus den Gewichten beantworten zu lassen.

Qwen3.8-27B ist eine ganz andere Form, und die Form ist der Punkt. Es ist ein dichtes Hybrid-Attention-Design — 48 Gated-DeltaNet-Linear-Attention-Schichten, verschachtelt mit 16 Full-Attention-Schichten auf insgesamt 64 Schichten, Hidden-Size 5.120 und ein Vokabular von 248.320 Token — was einen 262K-Kontext überhaupt erst erschwinglich macht. Es nimmt Text, Bild und Video als Eingabe entgegen und gibt Text aus. Dieses überwiegend lineare Backbone stammt aus derselben Linie, von der auch ein komprimierter Build wie Ternary Bonsai 2 27B abstammt, was ein nützliches Signal dafür ist, wie viel des Werts in der Architektur statt im Trainingslauf steckt.

Die Kurzfassung: Das Modell von Liquid routet und ruft Tools innerhalb einer Schleife auf – und das ohne Netzwerk. Das Modell von Q​wen betrachtet Dinge – Screenshots, Dokumente, Videos – und zieht daraus Schlussfolgerungen bei einer Kontextlänge, die etwa doppelt so lang ist. Keines ist eine geringere Version des anderen; sie sind auf unterschiedliche Hälften eines funktionierenden Systems ausgerichtet.

Die Kosten, als tatsächliche Zahl berechnet

Hier sind die beiden überhaupt nicht mehr vergleichbar, deshalb lohnt es sich, die Rechnung zu machen, statt Adjektive auszutauschen.

Auf OrcaRouter, qwen/qwen3.8-27b wird angeboten für 0,33 $ pro Million Eingabe-Tokens und 2,40 $ pro Million Ausgabe-Tokens, mit einer p50-Zeit bis zum ersten Token von 3,45 Sekunden, gemessen über sieben Tage. Eine Arbeitslast von 20 Millionen Eingabe- und 2 Millionen Ausgabe-Tokens pro Monat – ein bescheidenes internes Tool – landet bei 6,60 $ plus 4,80 $, also etwa 11,40 $. Nichts zu installieren, nichts warmzuhalten, keine GPU-Abschreibung.

Liquids Console-Endpunkt kostet $0,10 pro Million Eingabe-Tokens mit einem Cache-Tarif von $0,05 und $1,00 pro Million Ausgabe-Tokens, mit 2 $ Startguthaben, wodurch dieselbe Workload unter 4 $ kostet. Doch dieser Endpunkt ist nicht wirklich das Produkt. Das Produkt sind die Gewichte, und es gibt keine vom Anbieter veröffentlichte Dateigrößentabelle für LFM2.5-24B-A2B, die man anführen könnte – die Quantisierungs-Repos werden als Geschwister-Repos auf Hugging Face ausgeliefert. Was der Anbieter allerdings veröffentlicht, ist die Gestalt der Wette: ein MoE mit 2,45B aktiven Parametern, der auf einem Apple M5 Max 184 Token pro Sekunde erreicht und 114 auf einem AMD Ryzen AI Max+ 395 – beides vom Anbieter angegeben und nicht reproduziert, und beides bedeutungslos auf einer Datacenter-GPU, die viele gleichzeitige Anfragen ausführt.

Der Break-even-Punkt ist keine Token-Anzahl, sondern eine Frage der Auslastung. Unterhalb von annähernd durchgehender hoher Last gewinnt der abgerechnete Endpunkt bei den Kosten und verliert bei der Latenzuntergrenze. Oberhalb davon gewinnt der Download bei den Kosten und verliert beim Betrieb — Sie besitzen jetzt ein Deployment, seine Upgrades und seine Failover-Story. Das ist die ganze Entscheidung, und sie hat nichts damit zu tun, welches Modell in einer Tabelle besser abschneidet.

Kontext, Lizenz und die zwei Dinge, die sich tatsächlich unterscheiden

• Kontext – 131.072 Tokens gegenüber 262.144 Tokens. Qwens Fenster ist auf dem Papier doppelt so lang, und das größtenteils lineare Attention-Design ist der Grund, warum es sich das im Speicher leisten kann. Liquid hat für sein 131K-Fenster bei keiner Kontextlänge Long-Context-Retrieval-Zahlen veröffentlicht, was die eine Lücke in seinem Release ist, die eine Benchmark-Runde schnell schließen würde.

• Lizenz — lfm1.0 gegenüber Apache 2.0. Apache 2.0 hat keine Umsatzschwelle und keine Klausel zum Nutzungsbereich. Die Lizenz von Liquid ist ein eigenes Instrument mit eigenen Bedingungen. Prüfen Sie sie anhand der Zahlen Ihres Unternehmens, bevor Sie kommerziell ausrollen, und beachten Sie, dass dieser Unterschied nicht kleiner wird, je größer die Modelle werden.

• Modalität – nur Text gegenüber Text-, Bild- und Videoeingabe. Wenn Ihr Workload einen Screenshot, eine gescannte Seite oder ein Videobild umfasst, beendet diese Zeile den Vergleich von selbst.

• Anweisungsbefolgung — IFEval 96,75 und IFBench 74,69.Liquids stärkste Zeilen in der eigenen Launch-Tabelle, vor jeder Spalte darin. Wenn die Aufgabe darin besteht, „dieses Format jedes Mal exakt einzuhalten“, hat LFM2.5-24B-A2B den besseren veröffentlichten Beleg.

• Wissen und Coding — GPQA Diamond 74,42 und SWE-Bench Verified 51,00 für das Modell von Liquid. Liquid vergleicht diese mit den 83,69 und 66,20 von Qwen3.6-35B-A3B und verliert bei beiden. In dieser Tabelle gibt es überhaupt keinen Vergleich mit Qwen3.8-27B, und niemand hat die beiden Modelle gegeneinander laufen lassen.

Wohin jedes Einzelne tatsächlich gehört.

Wählen Sie Qwen3.8-27B, wenn die Eingabe kein Text ist, wenn die Dokumente lang sind oder wenn Sie lieber abgerechnet werden möchten, als etwas zu betreiben. Ein 262K-Fenster, das Bilder und Videos aufnimmt, ist ein wirklich anderes Produkt als ein 131K-Fenster, das Text aufnimmt, und die Apache-2.0-Lizenz erspart ein Gespräch, das die meisten Teams sonst führen müssten. Die p50-Zeit bis zum ersten Token von 3,45 Sekunden ist real und es lohnt sich, sie vor der Festlegung an der eigenen Toleranz zu messen – ein Modell mit dieser Leistungsfähigkeit in der dichten 27B-Klasse ist nicht schnell, und keine Architekturanmerkung ändert daran etwas.

Wählen Sie LFM2.5-24B-A2B, wenn die Maschine die Einschränkung ist. Ein 2,45B-aktives MoE mit 131K-Kontext und einem Instruction-Following-Profil, das alles in seiner eigenen Vergleichstabelle schlägt, ist eine starke Sache, sie lokal laufen zu haben, und Liquids Entscheidung, es innerhalb von Agent-Harnessen zu trainieren, anstatt gegen ein statisches Tool-Calling-Set, zeigt sich in den Zeilen, die es gewinnt. Was es nicht ist, ist ein Dokumentenanalyst oder eine Wissensdatenbank, und der Anbieter sagt dies im selben Dokument, das die Benchmark-Tabelle veröffentlicht.

Wenn du es an deiner eigenen Workload entscheiden willst statt an der Tabelle eines der beiden Anbieter, ist die gehostete Variante das günstige Experiment: qwen/qwen3.8-27b ist in unserem Katalog zum oben genannten Listenpreis mit 0 % Aufschlag auf den Tarif des Anbieters, und die Schwestergrößen qwen/qwen3.8-flash und qwen/qwen3.8-max stehen daneben über denselben Schlüssel erreichbar — sodass du den Preis-Leistungs-Punkt finden kannst, den deine Aufgabe tatsächlich braucht, bevor du entscheidest, ob es sich lohnt, eine Maschine zu besitzen. LFM2.5-24B-A2B ist nicht in unserem Katalog; Liquid's eigene Console und die offenen Gewichte sind der Weg dorthin, und nichts hier sollte etwas anderes nahelegen.

Die Frage, die das in sechs Monaten entscheiden wird, ist nicht, welches Modell gewinnt. Sie ist, ob die Local-Executor-Ebene hält, wenn die Kontextlängen wachsen – und in dieser Hinsicht sind Qwens doppelt so langes Fenster und Liquids ungemessenes die einzigen beiden Datenpunkte, die es gibt.

Verfolgen Sie Live-Ausfälle und Beeinträchtigungen von Modellen in unserem Incident-Archiv und sehen Sie, welche Routen sauber ein Failover durchgeführt haben.