LFM3-1.7B-Base vs Qwen 3.8: Falsche Gewichtsklasse, richtige Frage

Die ehrliche Antwort lautet: LFM3-1.7B-Basekonkurriert nicht mit Qwen3.8-27B und war nie dafür gedacht. Stellt man die Frage richtig, kommen drei verschiedene Qwen-Modelle zum Vorschein: das offene 27B-Vision-Language-Modell, das Alibaba im August 2026 veröffentlicht hat, das gehostete Qwen3.8-Flash zu 0,15 US-Dollar pro Million Eingabe-Tokens und 0,47 US-Dollar pro Million Ausgabe-Tokens sowie Qwen3.8-Max zu 2,00 US-Dollar und 6,00 US-Dollar. Der neue 1,73B-Checkpoint von Liquid ist rohes, vortrainiertes Material für ein Telefon, einen Laptop oder einen Fine-Tuning-Lauf; die Produktlinie von Qwen ist eine Familie fertiger Produkte. Der sinnvolle Vergleich ist nicht, wer höher punktet. Sondern welchen Bereitstellungsumfang Sie tatsächlich kaufen.

Diese Einordnung erklärt auch, warum es zu diesem Duell noch keine ernsthafte Berichterstattung gibt. Es gibt nichts, woran man sich messen könnte: Die eine Seite hat eine Anbietertabelle mit 27 Zeilen, die andere überhaupt keine veröffentlichte Bewertung. Dieser Beitrag führt den Vergleich daher in der einzigen Reihenfolge durch, die den Fakten standhält – was jede Seite liefert, was der Betrieb kostet und was man damit tun darf.

Drei Qwen 3.8s, drei verschiedene Käufe

Qwen3.8-27B ist die Open-Weight-Option. Alibaba hat es im August 2026 unter Apache 2.0 veröffentlicht, und seitdem hat es mehr als 7,5 Millionen Downloads angesammelt. Es ist ein dichtes kausales 27B-Modell mit einem Vision-Encoder, 64 Schichten in einem Aufbau aus 16 × (3 × Gated DeltaNet → FFN, 1 × Gated Attention → FFN) und einem nativen Kontext von 262.144 Token, der laut Alibaba auf 1.000.000 erweitert werden kann. Es versteht Bilder und Video, verfügt über Thinking-Steuerung und zielt explizit auf langhorizontige agentische Arbeit ab.

Qwen3.8-Flash ist die gehostete Tarifstufe, die die meisten Teams tatsächlich zuerst preislich einordnen werden. Im Katalog von OrcaRouterist es ein Modell mit 1 Mio. Kontext, das Text-, Bild- und Videoeingabe unterstützt, mit einer Ausgabegrenze von 131K und Preisen von 0,15 $ für die Eingabe und 0,47 $ für die Ausgabe pro Million Token. Auf seiner Modellseite ist die Listung auf den 26. August 2026 datiert, und für die vergangene Woche sind 157 Ausgabe-Token pro Sekunde verzeichnet.

Qwen3.8-Max ist die Oberklasse: 2,00 $ Eingabe und 6,00 $ Ausgabe pro Million Tokens, 1M Kontext und keine offenen Gewichte. Es ist die Stufe, die man wählt, wenn die Aufgabe einen Frontier-Preis rechtfertigt – nicht die Stufe, die man mit einem 1,7B-Basis-Checkpoint vergleicht.

Womit LFM3-1.7B-Base tatsächlich ausgeliefert wird

Liquid erstellte am 26. Oktober 2026 das Repository LFM3-1.7B-Base und kündigte die Familie am folgenden Tag an. Der Checkpoint ist reiner Text, hat 1,73 Mrd. Parameter, 24 Schichten aus gegateten kurzen Faltungen und vollständiger oder Sliding-Window-Attention, mit einem Kontext von 256K Tokens, einem Vokabular von 128.000 Tokens, 16 benannten Sprachen und rund 1 GB Speicherbedarf bei 4-Bit-Präzision. Er wurde mit 22 Billionen Tokens trainiert; die letzten 3,5 Billionen sind Mid-Training-Daten, die agentische Traces und Tool Calls enthalten und die Kontexterweiterung tragen.

Was es nicht mitliefert, ist ein Score. Die Basiskarte enthält keine Evaluierungstabelle, keine Kontextabrufzahlen und keinen Vergleich mit einem anderen Modell. Jede Zahl in Liquids Launch-Blog — der Durchschnitt von 49,37, LiveCodeBench v6 bei 73,46, SWE-bench Verified bei 43,40, GPQA Diamond bei 63,37, IFEval bei 96,66 — gehört zu LFM3-1.7B nach überwachtem Fine-Tuning, Reinforcement Learning, On-Policy-Distillation und agentischem RL. Das sind echte Zahlen, und Liquid gibt sie ehrlich als eigene an, aber sie beschreiben das fertige Modell, nicht den Basis-Checkpoint, dessen Name in diesem Titel steht.

Die Lizenz ist die LFM Open License v1.0. Sie gewährt kommerzielle Rechte nur, solange der Lizenznehmer unter 10 Millionen US-Dollar Jahresumsatz bleibt; oberhalb dieser Schwelle ist das Werk nicht durch die Vereinbarung lizenziert und erfordert eine separate Vereinbarung. Diese einzelne Klausel wird LFM3-1.7B-Base von vielen Shortlists entfernen, bevor irgendjemand auch nur ein Token durch es laufen lässt.

Warum die Benchmark-Lücke nicht mit Arithmetik geschlossen werden kann

Die Versuchung liegt nahe, die Anbieterzahlen von Qwen3.8-27B gegen die Anbieterzahlen von Liquid zu stellen und einen Sieger zu küren. Widerstehen Sie ihr, denn die beiden Tabellen messen nicht dieselben Dinge. Qwen meldet SWE-bench Pro 61.7, Terminal Bench 2.1 bei 73.0, LiveCodeBench v6 bei 90.3, GPQA Diamond 89.2 und HLE 30.8. Liquid meldet SWE-bench Verified 43.40, LiveCodeBench v6 73.46, GPQA Diamond 63.37 und HLE ohne Tools bei 7.17. SWE-bench Pro und SWE-bench Verified sind unterschiedliche Benchmarks mit unterschiedlichem Schwierigkeitsgrad; die Parameterzahlen unterscheiden sich um den Faktor 16; und eine Spalte beschreibt ein nachtrainiertes Chat-Modell, während die andere einen Basis-Checkpoint beschreibt, der überhaupt nicht nachtrainiert wurde.

Eine Zahl ist es wert, von außerhalb beider Anbieter übernommen zu werden. Auf der Modellseite von OrcaRouter für Qwen3.8-27B werden ein Artificial Analysis Intelligence Index von 33,7 und ein AA Coding Score von 68,1 aufgeführt, bewertet am 14. August 2026. Das ist eine unabhängige Bewertungsplattform, und sie existiert für Qwen. Stand 28. Oktober 2026 konnten wir keinen LFM3-Eintrag bei Artificial Analysis finden, daher gibt es auf der anderen Seite kein unabhängiges Gegengewicht. Wer heute ein direktes Leistungsurteil für diese beiden Modelle abgibt, vergleicht entweder Anbietertabellen über inkompatible Testumgebungen hinweg oder erfindet eine Zahl.

Der Deployment-Umschlag, Seite an Seite

• Parameter — LFM3-1.7B-Base: 1,73B, reiner Text, 24 Schichten. Qwen3.8-27B: 27B dicht mit einem Vision-Encoder, 64 Schichten.

• Kontext — LFM3-1.7B-Base: 256K Tokens. Qwen3.8-27B: 262.144 nativ, auf 1M erweiterbar; Qwen3.8-Flash und Qwen3.8-Max: 1M.

• Eingabemodalität — LFM3-1.7B-Base: Text. Qwen3.8-27B, Qwen3.8-Flash und Qwen3.8-Max: Text, Bild und Video.

• {{1}}Gewichte{{/1}} — {{2}}LFM3-1.7B-Base{{/2}}: BF16-Download mit benutzerdefiniertem Modellierungscode und trust_remote_code. {{3}}Qwen3.8-27B{{/3}}: Apache-2.0-Gewichte, die in Transformers, vLLM, SGLang und TokenSpeed laufen.

• Speicher-Mindestbedarf — LFM3-1.7B-Base: etwa 1 GB bei 4-Bit, laut Liquid. Qwen3.8-27B: rund 55 GB in BF16, also eine Multi-GPU-Maschine oder aggressive Quantisierung.

• Lizenz — LFM3-1.7B-Base: LFM Open License v1.0, kommerzielle Nutzung unter 10 Mio. USD Jahresumsatz. Qwen3.8-27B: Apache 2.0, keine Umsatzbedingung.

• Angegebener Preis — LFM3-1.7B-Base: kein gehosteter Preis pro Token veröffentlicht. Qwen3.8-27B auf OrcaRouter: 0,33 $ Eingabe / 2,40 $ Ausgabe pro Million Token; Qwen3.8-Flash: 0,15 $ / 0,47 $; Qwen3.8-Max: 2,00 $ / 6,00 $.

• Beobachtete Geschwindigkeit — LFM3-1.7B-Base: keine unabhängige Messung. Qwen3.8-27B auf OrcaRouter: 91 Ausgabe-Token pro Sekunde über die letzten sieben Tage; Qwen3.8-Flash: 157 Token pro Sekunde.

Die Rechnung, die den Ausschlag gibt

Nehmen wir eine Arbeitslast von 100 Millionen Ausgabe-Tokens pro Monat. Bei Qwen3.8-Flash kostet das 47 $. Bei Qwen3.8-27B über OrcaRouter kostet es 240 $. Bei Qwen3.8-Max kostet es 600 $. Eingabe-Tokens sind in jeder Stufe günstiger, sodass eine realistische Mischung irgendwo unter diesen Werten landet, aber die Ausgabe dominiert die Rechnung, und die Rangfolge ändert sich nicht.

Vergleichen Sie diese Abrechnungen jetzt mit dem Betrieb von LFM3-1.7B-Base auf Ihrer eigenen Hardware. Mit 4 Bit passt es in etwa ein Gigabyte, was bedeutet, dass es auf Hardware läuft, die Sie möglicherweise bereits besitzen: ein Laptop, ein aktuelles Smartphone, eine einzelne kleine GPU. Die Grenzkosten pro Token sind Strom und sonst nichts, und das Modell verlässt das Gerät nie. Rechnen Sie dasselbe für Qwen3.8-27B durch, und das Bild kippt: 100 Millionen Ausgabe-Token pro Monat bei $2,40 pro Million sind $240 – ungefähr das, was eine gemietete GPU der 24-GB-Klasse für einen Monat bei etwa $0,35 pro Stunde kostet. Das Selbst-Hosting des 27B-Modells beginnt, den gehosteten Preis erst irgendwo jenseits von 100 Millionen Ausgabe-Token pro Monat zu unterbieten – und diese Rechnung ignoriert die Engineering-Zeit, den 55-GB-Download und die Tatsache, dass ein 27B-Modell deutlich mehr als 24 GB benötigt, sobald man den KV-Cache berücksichtigt.

Die praktische Variante: Unter etwa 100 Millionen Ausgabe-Tokens pro Monat gewinnen die gehosteten Qwen3.8-Tarife bei Gesamtkosten und operativer Einfachheit. Wenn Ihre Workload klein genug ist, um auf ein Telefon zu passen, gewinnt LFM3-1.7B-Base, weil der Zähler nie anläuft. Die Lücke zwischen diesen beiden Positionen ist der Bereich, in dem die meisten realen Deployments liegen, und es ist eine Frage von Volumen und Privatsphäre, nicht von Benchmark-Ergebnissen.

Wo OrcaRouter passt – und wo nicht

Alle drei Qwen-3.8-Stufen sind heute im Katalog von OrcaRouter, darunter Qwen3.8-27B, selbst gehostet auf unserer eigenen Infrastruktur, zu 0,33 $ Input und 2,40 $ Output pro Million Tokens, mit 262K Kontext, einer p50-Zeit bis zum ersten Token von 2,37 Sekunden und 91 Output-Tokens pro Sekunde, gemessen über die vergangene Woche. Der eigentliche Punkt ist, alle drei hinter einem einzigen OpenAI-kompatiblen Key zu routen: ein günstiger Standard auf Qwen3.8-Flash, ein Eskalationspfad zu Qwen3.8-27B oder Qwen3.8-Max, wenn die Aufgabe es erfordert, und automatisches Failover, falls ein Upstream schlechter wird. Da wir die Listenpreise der Anbieter mit 0 % Aufschlag weitergeben, schlägt eine Preisänderung eines Anbieters noch am selben Tag in Ihrer Rechnung durch und nicht erst nach einem Repricing-Zyklus.

LFM3-1.7B-Base ist nicht in unserem Katalog, und wir werden nicht so tun, als wäre es anders. Wenn Liquids Checkpoint die richtige Antwort für Ihre Workload ist, führt der Weg heute über die API und den Playground des Anbieters oder einen selbst gehosteten Download. Was ein Router dennoch leisten kann, ist, diese Entscheidung umkehrbar zu halten: das kleine Modell hinter dieselbe Schnittstelle wie die gehosteten Stufen legen, nach Aufgabe oder nach Kosten routen und den Traffic wieder auf ein gehostetes Modell umleiten, wenn der selbst gehostete Pfad Probleme macht.

Wähle nach Aufgabe, nicht nach Punktzahl

Wählen Sie LFM3-1.7B-Base, wenn das Gerät die Einschränkung ist: Offline-Betrieb, ein Telefon oder Laptop, ein domänenspezifisches Modell, das Sie auf einer einzelnen GPU nachtrainieren möchten, oder eine Arbeitslast, bei der 256K Kontext bei nur 1 GB Speicherbedarf der eigentliche Grund für Ihr Interesse ist. Akzeptieren Sie, dass Sie Rohmaterial kaufen, dass die Lizenz eine Umsatzobergrenze hat und dass noch keine unabhängige Evaluierung vorliegt.

Wählen Sie Qwen3.8-27B, wenn die Aufgabe Vision, Agenten mit langem Planungshorizont oder Code erfordert, den man tatsächlich ausliefern kann, und Sie über die Hardware oder das Budget verfügen, um 27B Parameter zu betreiben. Wählen Sie Qwen3.8-Flash, wenn Sie den größten Teil dieser Produktoberfläche zu einem Fünftel des Preises wünschen und die Gewichte nicht selbst besitzen müssen. Wählen Sie Qwen3.8-Max nur, wenn der Wert der Aufgabe pro Token 6,00 US-Dollar an Ausgabe übersteigt.

Die Gegenüberstellung im Titel ist absichtlich ein ungleiches Duell – ein vortrainierter 1,7B-Checkpoint gegen ein fertiges 27B-Vision-Language-Modell –, und die nützliche Schlussfolgerung ist nicht, dass eines besser ist. Sondern dass sie unterschiedliche Fragen beantworten: auf wie wenig Hardware ich laufen kann, gegenüber wie viel Leistungsfähigkeit ich pro Token kaufen kann. Liquid hat eine ungewöhnlich detaillierte Antwort auf die erste geliefert. Alibaba verkauft die zweite seit August.