LFM3 vs. Qwen3.8-27B: Ein 16×-Größenunterschied, der sich bei der Instruktionsbefolgung auf 9 % verringert

LFM3-1.7B hat 1,73 Milliarden Parameter. Qwen3.8-27B hat 27,78 Milliarden Parameter, plus einen Vision-Encoder – 16,1-mal so viel Gewicht. Stellt man sie auf dieselbe Benchmark-Linie, weigert sich die Arithmetik, sich normal zu verhalten. Bei IFBench, das prüft, ob ein Modell Einschränkungen befolgt, auf die es nie feinabgestimmt wurde, liegt der Abstand zwischen ihnen unter neun Prozent. Bei Terminal-Bench 2.1 sind es 5,6-mal. Zwei Modelle, ein fester Größenunterschied, und ein Ergebnis, das je nach Zeile, die man liest, von „warum würdest du jemals für das große Modell bezahlen“ bis „das kleine Modell kann das überhaupt nicht“ schwankt.

Dieser Umschwung macht die ganze Entscheidung aus. Das ist keine Geschichte darüber, wie ein kleines Modell zu einem großen aufholt, und es ist auch keine Geschichte darüber, wie ein großes Modell für kleine Aufgaben verschwendet wird. Es ist eine Geschichte über eine Aufgabengrenze, die sehr beständig zwischen dem Befolgen einer Anweisung und dem Ausführen eines Plans verläuft — und über eine Lizenzklausel, die den Preisvergleich für alle, die in einem Unternehmen oberhalb einer bestimmten Umsatzschwelle arbeiten, still neu ordnet.

Was jedes davon tatsächlich ist

Liquid AI kündigte die LFM3-Familie am 2026-10-27 an – einen Tag vor der Erstellung dieses Textes – als sechs Open-Weight-Modelle der etwa 2B-Klasse, die aus einem gemeinsamen LFM3-1.7B-Base-Backbone hervorgegangen sind. LFM3-1.7B ist das Textmitglied: eine tri-hybride Architektur aus 24 Schichten (13 gated Short Convolutions, 5 Sliding-Window-Attention-Schichten mit einem Fenster von 256 Tokens und 6 Full-Attention-Schichten), vorab trainiert auf 22 Billionen Tokens mit einem abschließenden Mid-Training-Durchlauf über 3,5 Billionen Tokens, der Agenten-Traces und Tool Calls umfasste. Die Gewichte sind auf Hugging Face verfügbar, Ollama liefert es als lfm3:latest mit einem Download von 1,7 GB aus, und die Model Card des Anbieters rät von agentischem Coding oder komplexem mehrstufigem Reasoning ab. Dieser letzte Satz ist wichtiger als alles andere auf der Karte, und wir werden darauf zurückkommen.

Qwen3.8-27B ist nicht neu. Alibaba hat seine Gewichte Mitte August 2026 unter Apache 2.0 veröffentlicht, und es hatte zehn Wochen Zeit, Downloads, Quantisierungen und echte Nutzerberichte anzusammeln, die eine einen Tag alte Veröffentlichung schlicht nicht hat. Es ist ein dichtes 27,78B-Modell, das auf einem sich wiederholenden Block aus Gated-DeltaNet- und Gated-Attention-Schichten basiert, 64 Schichten tief, mit nativer Bild- und Videoeingabe und einem 262.144-Token-Kontext, der sich mit YaRN auf 1M erweitert. Thinking ist standardmäßig aktiviert und über eine Reasoning-Effort-Einstellung anpassbar.

Die ehrliche Einordnung dieser Gegenüberstellung ist in einem wichtigen Punkt asymmetrisch: Das eine Modell hat eine Hersteller-Benchmark-Tabelle und keine Erfahrungsberichte aus der Praxis, das andere hat beides. Behandeln Sie alles im Folgenden zu LFM3-1.7B als Aussage über die Testsuite von Liquid AI, nicht über Ihre Arbeitslast.

Die Spec-Zeile, in der das kleine Modell nicht verliert

Beginne mit den Dimensionen, in denen 16-mal so viele Parameter überhaupt nichts bringen, weil es mehr davon gibt, als der Größenunterschied vermuten lässt.

• Kontextfenster — 262.144 Token nativ bei beiden. LFM3-1.7B erreicht es während des Mid-Trainings; Qwen3.8-27B bringt es nativ mit und erweitert es mit YaRN auf 1M.

• Sprachen — 16 für LFM3-1.7B angegeben (darunter Englisch, Chinesisch, Japanisch, Koreanisch, Arabisch und Hindi); Qwen3.8-27B wird breit über viele Sprachen hinweg trainiert, ohne dass eine herausgehobene Anzahl genannt wird.

• Modalität — Text als Eingabe, Text als Ausgabe bei LFM3-1.7B; Text, Bild und Video als Eingabe, Text als Ausgabe bei Qwen3.8-27B. Dies ist der eine Punkt, an dem das 27B eine grundlegend andere Aufgabe erledigt und nicht nur eine größere Version derselben Aufgabe ist.

Speicherbedarf bei 4 Bit – etwa 1 GB für LFM3-1.7B gegenüber etwa 14–16 GB für Qwen3.8-27B.

• Speicher bei BF16 — 3,46 GB gegenüber etwa 56 GB, was genau dem Unterschied zwischen einem Laptop und einer Multi-GPU-Maschine entspricht.

• Lizenz — LFM Open License v1.0 gegenüber Apache 2.0. Behalte das im Hinterkopf.

Ein Kontextfenster von 256K auf beiden Seiten ist die wirklich überraschende Angabe. Die Kontextlänge ist historisch mit der Parameterzahl einhergegangen, und hier bietet ein Modell, das man mit etwa einem Gigabyte betreiben kann, dasselbe nominelle Fenster wie eines, das eine Workstation verlangt. „Nominell“ leistet in diesem Satz echte Arbeit – ein 256K-Fenster bei einem 1,7B-Modell ist nur nützlich, wenn das Modell darin Dinge finden kann, und genau das testen die Langkontext-Zeilen unten.

Wo 16× so viele Parameter neun Prozent bringen

Liquid führte eine Suite mit 27 Zeilen durch und veröffentlichte die vollständige Tabelle, einschließlich der Spalten, in denen ein Wettbewerber gewinnt. Beide Modelle melden IFBench, die sauberste direkt vergleichbare Zeile in der gesamten Gegenüberstellung, da es sich um eine einzige Benchmark-Version handelt, die von beiden Anbietern gemeldet wird.

LFM3-1.7B erreicht 73,03. Qwen3.8-27B erreicht 79,5. Das sind 6,5 Punkte, weniger als neun Prozent der Punktzahl des größeren Modells – bei einem Modell, das 16,1-mal kleiner ist. Für eine Arbeitslast, die überwiegend darin besteht, „diese unordentliche Eingabe zu nehmen, genau diese JSON-Form auszugeben und niemals das Schema zu verletzen“, liegt diese Lücke nahezu im Rauschen, und der Unterschied beim Deployment beträgt ein Gigabyte gegenüber sechzehn.

Liquids eigene Tabelle belegt denselben Punkt gegenüber einem näheren Wettbewerber. Gegen Qwen3.5-9B – ein Modell, das fünfmal so groß ist wie LFM3-1.7B – gewinnt das kleine Modell bei IFBench um 24 Punkte (73,03 zu 48,84), bei IFStruct um 4,5 (93,72 zu 89,20) und bei Multi-IF um 4,7 (89,10 zu 84,44). Was auch immer sonst stimmt: Instruktionsbefolgung ist keine Fähigkeit, die mit der Parameterzahl gleichmäßig skaliert, und ein gut trainiertes 1,7B-Modell kann darin ein mittelmäßiges 9B-Modell schlagen.

Die Long-Context-Zeilen sind mehrdeutiger und sollten klar benannt werden, statt zugunsten von Liquid beschönigt zu werden. Bei AA-LCR erzielt LFM3-1.7B 52,83 – ein für seine Größe echter Wert und etwa auf Augenhöhe mit den 52,67 von Qwen3.5-4B. Bei RULER 128K erreicht es 65,56, deutlich vor MiniCPM5-2B mit 37,96, aber weit hinter Qwen3.5-9B mit 87,11. Das 256K-Fenster ist also nicht bloß Dekoration, aber es ist auch nicht gleichwertig mit dem eines größeren Modells. Qwen3.8-27B taucht in dieser Tabelle überhaupt nicht auf, was bedeutet, dass es für diese spezifische Paarung keine direkt vergleichbare Long-Context-Zahl gibt – nur die starke Erwartung, dass ein 27B-Modell mit nativem 262K ein 1,7B-Modell mit demselben nominalen Fenster schlagen wird.

Wo 16× so viele Parameter fünf ein halb Mal so viel bringen

Nun die Zeilen, vor denen die Modellkarte gewarnt hat. Jede davon ist eine Benchmark-Version, die beide Anbieter melden, sodass keine versionsübergreifende Subtraktion erfolgt.

Terminal-Bench 2.1 — 12,92 für LFM3-1.7B gegenüber 73,0 für Qwen3.8-27B. Eine 5,6-fache Lücke.

• Humanity's Last Exam, ohne Tools — 7,17 gegenüber 30,8. Eine 4,3-fache Lücke.

• GPQA Diamond — 63,37 gegenüber 89,2. Eine 1,4-fache Lücke.

• LiveCodeBench v6 — 73,46 gegenüber 90,3. Eine Lücke von Faktor 1,2.

Die Reihenfolge dieser Liste ist der Befund. Die Lücke ist am kleinsten bei der Codegenerierung mit einem einzigen Versuch, wo LFM3-1.7B etwa 19 % unter einem Modell liegt, das sechzehnmal so groß ist. Sie ist am größten bei Terminal-Bench, wo die Aufgabe nicht darin besteht, „Code zu schreiben“, sondern „eine Maschine über viele Schritte hinweg zu bedienen, sich von eigenen Fehlern zu erholen und aufzuhören, wenn die Arbeit erledigt ist.“ Genau diese Fähigkeit fehlt dem Modell laut der eigenen Modellkarte von Liquid, und die Zahlen bestätigen die Karte. Bei GPQA und HLE besteht die Lücke im Wissen, was hier das am wenigsten überraschende Ergebnis ist – ein 1,7B-Modell, das auf 22T Tokens trainiert wurde, hat einfach weniger gesehen als ein 27B-Modell, das auf mehr trainiert wurde, und keine noch so gute Architektur gleicht das aus.

Es gibt eine Zeile, die in die andere Richtung zeigt, und sie ist die interessanteste Zahl auf beiden Karten. Auf dem öffentlichen Split von AA-Omniscience verzeichnet LFM3-1.7B 7,07 Genauigkeit und 92,93 Nicht-Halluzination. Dieses Paar bedeutet, dass das Modell meistens die Antwort verweigert, statt falsch zu antworten. Es ist der höchste Nicht-Halluzinations-Wert in Liquids eigener Vergleichstabelle, vor jedem aufgeführten größeren Modell. Qwen3.8-27B mit 30,8 auf HLE ist die entgegengesetzte Haltung: Es weiß mehr und legt sich darauf fest.

Wenn der Fehlermodus Ihrer Pipeline darin besteht, dass ein selbstsicher falscher Wert in einer Datenbank landet, ist ein Modell, das sich 93 % der Zeit enthält, ein Feature, und die Genauigkeitsobergrenze ist der Preis. Wenn der Fehlermodus Ihrer Pipeline darin besteht, dass dort null steht, wo ein Wert stehen sollte, ist genau dieses Verhalten der Bug. Das ist der schärfste Punkt, an dem sich dieser Vergleich entscheidet, und keine aggregierte Kennzahl erfasst ihn.

Drei Zahlen, die du nicht subtrahieren darfst

Gegenüberstellungsseiten zu dieser Paarung werden in Versuchung geraten, jeden Benchmark aneinanderzureihen, den die beiden Anbieter veröffentlichen. Drei dieser Zeilen überstehen die Konfrontation mit der Methodik nicht.

SWE-bench. Liquid meldet für LFM3-1.7B 43,40 auf SWE-bench Verified mit dem OpenCode-Harness. Alibaba meldet für Qwen3.8-27B 61,7 auf SWE-bench Pro. Anderer Benchmark, anderer Harness, andere Aufgabenverteilung. Der Unterschied von 18 Punkten zwischen diesen beiden Zahlen ist kein Maß für irgendetwas. Wenn du die grobe Form der Lücke sehen willst, nimm Terminal-Bench 2.1, wo beide dieselbe Version angeben.

Jeder aggregierte Index.Artificial Analysis bewertet Qwen3.8-27B mit 33,7 auf seinem Intelligence Index bei der Reasoning-Einstellung xhigh. Stand 2026-10-28 gibt es überhaupt keinen LFM3-Eintrag bei Artificial Analysis. Eine einen Tag alte Veröffentlichung wurde noch keiner unabhängigen Bewertung unterzogen, und die ehrliche Aussage ist, dass LFM3-1.7B null unabhängig reproduzierte Zahlen vorzuweisen hat. Jede Zahl, die ihm in diesem Artikel – und überall sonst diese Woche – zugeschrieben wird, stammt aus Liquid AIs eigener Testsuite auf den von Liquid AI ausgewählten Benchmarks.

Einstellungen für den Reasoning-Aufwand.Die veröffentlichten Scores von Qwen3.8-27B unterscheiden sich erheblich zwischen den Modi low, medium, xhigh und non-reasoning; der Indexwert 33,7 ist die xhigh-Zahl, und der Wert im Non-Reasoning-Modus liegt deutlich niedriger. Jeder Vergleich, der eine Qwen-Zahl einer LFM3-Zahl gegenüberstellt, ohne die Effort-Einstellung zu benennen, vergleicht ein deliberierendes Modell mit einem schnellen und nennt den Unterschied Architektur.

Was dies klären würde, ist einfach: ein unabhängiger Lauf von LFM3-1.7B auf denselben Harnesses, bei einer angegebenen Effort-Einstellung, idealerweise nachdem die Community ein paar Wochen mit den Gewichten hatte. Bis dahin ist die faire Zusammenfassung, dass die vom Anbieter gemeldete Lücke bei der Instruktionsbefolgung klein und die vom Anbieter gemeldete Lücke bei der mehrstufigen Ausführung groß ist, und dass beide Behauptungen von derselben interessierten Partei stammen.

Die Lizenz ist das eigentliche Preisschild.

Hier ist der Teil, der die übliche Schlussfolgerung eines Vergleichs zwischen Klein und Groß umkehrt.

LFM3-1.7B wird unter der LFM Open License v1.0 veröffentlicht. Die Gewichte sind frei herunterladbar und frei ausführbar; die kommerzielle Nutzung ist für Unternehmen mit einem Jahresumsatz von 10 Millionen US-Dollar oder mehr ausgeschlossen. Qwen3.8-27B wird unter Apache 2.0 veröffentlicht, ohne Umsatzschwelle, ohne Einschränkung des Nutzungsbereichs und ohne separate Vereinbarung.

Für ein Zwei-Personen-Start-up ist die Rechnung eindeutig: Ein Modell, das in ein Gigabyte passt, nichts pro Token kostet und auf Hardware läuft, die man bereits besitzt, kommt einem kostenlosen Mittagessen nahe. Für ein Unternehmen mit mehr als 10 Millionen US-Dollar Umsatz – also für die meisten Unternehmen mit einem Produktions-Inferenzbudget, das es zu optimieren lohnt – ist das günstige Modell nicht kostenlos, und das teure ist eindeutig lizenziert. Das Modell, das wie die Budgetoption aussieht, ist dasjenige, an dem die juristische Diskussion hängt.

Das ist kein Argument gegen LFM3-1.7B. Es ist ein Argument dafür, die Lizenz zu lesen, bevor man die Benchmark-Tabelle liest, denn die Lizenz entscheidet darüber, ob die Benchmark-Tabelle überhaupt für einen verfügbar ist.

Was es braucht, um jeden einzelnen tatsächlich zu betreiben

LFM3-1.7B lässt sich mit einer einzigen Zeile installieren. Es ist in der Ollama-Bibliothek als lfm3:latest und lfm3:1.7b verfügbar, beides ein 1,7 GB großer Download mit einem angegebenen 256K-Kontextfenster, und es läuft in Transformers mit Single-GPU-Fine-Tuning. Das Hugging-Face-Release enthält Notebooks für SFT, DPO und GRPO, darunter ein ausgearbeitetes Beispiel dafür, wie das Modell trainiert wird, in einer Handy-App das richtige Tool aus 108 auszuwählen. Wenn Ihr Ziel ein kleiner, spezialisierter, feinabgestimmter Extraktor ist, der auf derselben Maschine wie die Daten läuft, ist dies ein wirklich kurzer Weg vom Download bis zum Einsatz.

Qwen3.8-27B ist eine andere Art von Projekt. Bei etwa 56 GB in BF16 braucht es einen Multi-GPU-Rechner oder eine aggressive Quantisierung; mit 4 Bit passt es in 14–16 GB, also in eine High-End-Einzel-GPU oder ein gut ausgestattetes Laptop, wobei der KV-Cache den tatsächlichen Speicherverbrauch noch weiter erhöht. Es läuft in Transformers, vLLM, SGLang und TokenSpeed. Wenn Sie diese Hardware nicht besitzen möchten, ist es gehostet verfügbar – auf OrcaRouter wird es von zwei Upstream-Anbietern bereitgestellt, zu $0,33 pro Million Eingabe- und $2,40 pro Million Ausgabe-Tokens beim ersten und $0,40 / $4,21 beim zweiten.

Diese Preisspanne zwischen zwei Anbietern verdient einen kurzen Moment des Innehaltens, denn so etwas fällt nur auf, wenn man einen Live-Katalog betrachtet statt eine Pressemitteilung. Dieselben Gewichte, dasselbe Kontextfenster, aber bei der Ausgabe über den zweiten Anbieter rund 75 % teurer. OrcaRouter gibt die Listenpreise der Anbieter mit 0 % Aufschlag weiter, sodass beide Preise nebeneinander sichtbar sind, und automatisches Failover bedeutet, dass ein kurzer Aussetzer eines Anbieters umgangen wird, statt bei Ihren Nutzern sichtbar zu werden. Wenn Sie Qwen3.8-27B als Eskalationspfad für eine Pipeline evaluieren, die mit einem kleinen Modell beginnt, ist das der Abschnitt, den Sie hinter einen einzigen Schlüssel legen würden.

Um es bezüglich der anderen Hälfte ausdrücklich zu sagen: OrcaRouter stellt LFM3-1.7B nicht bereit. Es handelt sich um einen Gewichte-Download, und der Betrieb bedeutet, einen eigenen Endpoint auf eigener Hardware zu betreiben. Der Grund, uns in diesem Artikel überhaupt zu erwähnen, ist der Eskalationspfad, nicht das kleine Modell.

Wer sollte was auswählen?

Die Entscheidung hängt nicht wirklich von der Benchmark-Tabelle ab. Sie hängt von zwei Fragen ab, die Sie beantworten können, bevor Sie überhaupt etwas ausführen.

Wählen Sie LFM3-1.7B, wenn es sich um eine einstufige, schema-gebundene Aufgabe handelt — Extraktion, Klassifizierung, Routing, strukturierte Ausgabe, Tool-Auswahl auf dem Gerät — und die Daten das Gerät nicht verlassen dürfen. Es ist auch die richtige Wahl, wenn Sie ein Fine-Tuning planen, denn ein 1,7B-Modell mit integriertem SFT/DPO/GRPO-Pfad und einem Single-GPU-Budget ist ein Wochenendprojekt statt eines Quartals. Das 256K-Fenster, die 16 Sprachen und das Verweigerungsverhalten deuten alle auf denselben Anwendungsfall hin: eine eng umrissene, hochvolumige, datenschutzsensible Komponente, bei der eine falsche Antwort schlimmer ist als keine Antwort und bei der Ihr Unternehmen unter der Umsatzgrenze liegt.

Wähle Qwen3.8-27B, wenn das Modell planen muss. Mehrstufige Agenten, Terminalarbeit, langfristiges Coding, alles, wo das Modell sich über ein Dutzend Tool-Aufrufe hinweg von seinen eigenen Fehlern erholen muss – die 5,6-fache Terminal-Bench-Lücke ist kein Tuning-Problem, sondern die Modellkarte, die dir die Wahrheit sagt. Es ist auch die richtige Wahl, wenn du Wissen statt Format brauchst, wenn du Bild- oder Videoeingabe benötigst und wenn Apache 2.0 eine Anforderung statt einer Vorliebe ist.

Und wähle beide, wenn die ehrliche Antwort lautet, dass deine Pipeline aus zwei Hälften besteht. Das Muster, das zu dieser Paarung passt, ist ein kostengünstiger, lokaler, schema-gebundener erster Durchlauf mit einem Eskalationspfad zum 27B, wenn der erste Durchlauf ablehnt – genau darauf ist ein Modell ausgelegt, das sich 93 % der Zeit enthält, und genau das signalisiert es. Diese Architektur nutzt die beste Zeile jedes Modells und nicht die schlechteste Zeile eines der beiden Modelle.

Was würde diese Antwort ändern?

Zwei Dinge – und bei beiden lohnt es sich, genau hinzusehen, statt zu raten.

Das erste ist eine unabhängige Bewertung von LFM3-1.7B. Jede oben genannte Fähigkeitsbehauptung stützt sich auf die eigene Suite von Liquid AI, und der Base-Checkpoint dieser Familie wurde ganz ohne Benchmark-Tabelle ausgeliefert – was zeigt, dass die Zahlen der Familie eine Post-Training-Geschichte erzählen, keine Architektur-Geschichte. Ein neutraler Lauf auf IFBench und Terminal-Bench würde die in diesem Artikel beschriebene Spaltung entweder bestätigen oder auflösen.

Der zweite Punkt ist, ob {{1}}Liquid{{/1}} auf diesem Backbone ein größeres Textmodell ausliefert. Der gesamte Vergleich ist durch einen Parameterunterschied von 16× geprägt, und das Ergebnis bei der Anweisungsbefolgung legt nahe, dass das Trainingsrezept mehr Arbeit leistet als die Parameteranzahl. Wenn ein mittelgroßes LFM3 erscheint, ist die interessante Frage nicht mehr „Kann ein 1,7B-Modell Anweisungen befolgen?“ – das kann es bereits –, sondern „Was bewirkt dieses Rezept mit vier Milliarden Parametern?“

Bis eines davon eintritt, ist die nützliche Zusammenfassung enger als eine Anzeigetafel: LFM3-1.7B ist ein wirklich guter Anweisungsbefolger, der nicht planen kann, und Qwen3.8-27B ist ein wirklich guter Planer mit einer Lizenz, auf der man ein Unternehmen aufbauen kann. Die Wahl zwischen ihnen ist keine Benchmark-Frage. Sie ist eine Frage darüber, welcher dieser beiden Sätze Ihre Arbeitslast beschreibt.