LFM2.5-24B-A2B vs Qwen3.8-27B: Uno es una descarga, el otro es una partida presupuestaria

Empieza por el número que decide la mayor parte de esto. LFM2.5-24B-A2B es un archivo que instalas en una máquina y conservas. Qwen3.8-27B es un modelo que alquilas por millones de tokens. Liquid AI anunció el primero el 13 de octubre de 2026 con 24.000 millones de parámetros totales, 2,45B activos por token y un contexto de 131.072 tokens; A​libaba publicó el segundo el 13 de agosto de 2026 como un modelo denso de visión-lenguaje de 27.000 millones de parámetros con un contexto de 262.144 tokens. Ambos son de pesos abiertos. Solo uno de ellos tiene un precio por token publicado asociado a un endpoint en funcionamiento, y no es el más pequeño.

Esa asimetría es la comparación. Todo lo que sigue —capacidad, licencia, contexto, modalidad— depende de si compras hardware o compras tokens.

Qué es cada uno y qué ve

LFM2.5-24B-A2B es una mezcla de expertos solo de texto: 40 capas divididas entre 30 bloques de convolución corta con doble compuerta y 10 capas de atención de consultas agrupadas, 64 expertos por bloque con enrutamiento top-4, un vocabulario de 128.000 tokens y 16 idiomas compatibles. La publicación de lanzamiento de Liquid contabiliza el preentrenamiento en 33 billones de tokens; la tarjeta del modelo de Hugging Face para la misma versión dice 36 billones. El pipeline de postentrenamiento termina en aprendizaje por refuerzo agéntico dentro de arneses reales, y la propia guía del proveedor es combinar el modelo con recuperación o búsqueda web en lugar de pedirle que responda preguntas de conocimiento desde los pesos.

Qwen3.8-27B tiene una forma completamente distinta, y la forma es lo esencial. Es un diseño denso de atención híbrida —48 capas de atención lineal Gated DeltaNet intercaladas con 16 capas de atención completa a lo largo de 64 capas, un tamaño oculto de 5.120 y un vocabulario de 248.320 tokens—, que es precisamente lo que hace que un contexto de 262K sea asequible en primer lugar. Acepta entradas de texto, imagen y video, y devuelve texto. Esa columna vertebral mayormente lineal se hereda del mismo linaje del que deriva una compilación comprimida como Ternary Bonsai 2 27B, lo que constituye una señal útil sobre cuánto del valor reside en la arquitectura más que en el entrenamiento en sí.

La versión en una línea: el modelo de Liquid enruta y llama a herramientas dentro de un bucle, y lo hace sin red. El modelo de Q​wen observa cosas —capturas de pantalla, documentos, video— y razona sobre ellas con una longitud de contexto aproximadamente el doble de larga. Ninguno es una versión inferior del otro; apuntan a mitades diferentes de un sistema en funcionamiento.

El costo, calculado como un número concreto

Aquí es donde los dos dejan de ser comparables en absoluto, así que vale la pena hacer las cuentas en lugar de intercambiar adjetivos.

En OrcaRouter, qwen/qwen3.8-27b se sirve a $0.33 por millón de tokens de entrada y $2.40 por millón de tokens de salida, con un tiempo p50 hasta el primer token de 3.45 segundos medido durante siete días. Una carga de trabajo de 20 millones de tokens de entrada y 2 millones de tokens de salida al mes —una herramienta interna modesta— asciende a $6.60 más $4.80, o unos $11.40. Nada que instalar, nada que mantener caliente, sin depreciación de GPU.

El endpoint Console de Liquid cuesta $0.10 por millón de entrada con una tarifa de caché de $0.05 y $1.00 por millón de salida, con $2 de crédito inicial, lo que sitúa la misma carga de trabajo en menos de $4. Pero ese endpoint no es realmente el producto. El producto son los pesos, y no hay una tabla de tamaños de archivo publicada por el proveedor para LFM2.5-24B-A2B que citar — los repositorios de cuantización se publican como hermanos en Hugging Face. Lo que el proveedor sí publica es la forma de la apuesta: un MoE con 2,45B activos que se ejecuta a 184 tokens por segundo en un Apple M5 Max y a 114 en un AMD Ryzen AI Max+ 395, ambos reportados por el proveedor y no reproducidos, y ambos sin sentido en una GPU de centro de datos que ejecuta muchas solicitudes concurrentes.

El punto de equilibrio no es un recuento de tokens, es una cuestión de utilización. Por debajo de una carga pesada más o menos continua, el endpoint facturado por uso gana en coste y pierde en latencia mínima. Por encima, la descarga gana en coste y pierde en operaciones: ahora eres responsable de un despliegue, de sus actualizaciones y de su estrategia de conmutación por error. Esa es toda la decisión, y no tiene nada que ver con qué modelo puntúa más alto en una tabla.

Contexto, licencia y las dos cosas que realmente difieren

• Contexto — 131.072 tokens frente a 262.144 tokens. La ventana de Qwen es el doble de larga sobre el papel, y el diseño de atención mayormente lineal es la razón por la que puede permitírselo en memoria. Liquid no ha publicado cifras de recuperación de contexto largo para su ventana de 131K a ninguna longitud, que es la única laguna en su lanzamiento que una ronda de benchmarks cerraría rápidamente.

• Licencia — lfm1.0 frente a Apache 2.0. Apache 2.0 no tiene umbral de ingresos ni cláusula de campo de uso. La licencia de Liquid es un instrumento propio con sus propias condiciones. Compárela con las cifras de su empresa antes de un despliegue comercial, y tenga en cuenta que esta diferencia no se reduce a medida que los modelos se hacen más grandes.

• Modalidad: solo texto frente a texto, imagen y vídeo. Si tu carga de trabajo incluye una captura de pantalla, una página escaneada o un fotograma de vídeo, esta fila pone fin a la comparación por sí sola.

• Seguimiento de instrucciones — IFEval 96,75 e IFBench 74,69.Las filas más sólidas de Liquid en su propia tabla de lanzamiento, por delante de cada columna de esta. Si la tarea es «obedecer este formato exactamente, siempre», LFM2.5-24B-A2B tiene el mejor caso publicado.

• Conocimiento y programación: GPQA Diamond 74,42 y SWE-Bench Verified 51,00 para el modelo de Liquid. Liquid los compara con los 83,69 y 66,20 de Qwen3.6-35B-A3B y pierde en ambos. En esa tabla no existe ninguna comparación con Qwen3.8-27B, y nadie ha enfrentado a los dos modelos entre sí.

Dónde va realmente cada uno

Elige Qwen3.8-27B cuando la entrada no sea texto, cuando los documentos sean largos o cuando prefieras que te facturen en lugar de operar algo. Una ventana de 262K que acepta imágenes y vídeo es un producto genuinamente distinto de una ventana de 131K que acepta texto, y la licencia Apache 2.0 elimina una conversación que la mayoría de los equipos tendría que mantener de otro modo. El tiempo p50 de 3,45 segundos hasta el primer token es real y merece la pena medirlo frente a tu propia tolerancia antes de comprometerte: un modelo tan capaz en la clase densa de 27B no es rápido, y ninguna nota de arquitectura cambia eso.

Elige LFM2.5-24B-A2B cuando la máquina sea la limitación. Un MoE con 2,45B activos, contexto de 131K y un perfil de seguimiento de instrucciones que supera todo en su propia tabla comparativa es algo muy valioso para ejecutar en local, y la decisión de Liquid de entrenarlo dentro de arneses de agentes en lugar de contra un conjunto estático de llamadas a herramientas se refleja en las filas que gana. Lo que no es es un analista de documentos o una base de conocimiento, y el proveedor lo dice en el mismo documento que publica la tabla de benchmarks.

Si quieres resolverlo con tu propia carga de trabajo en lugar de con la tabla de cualquiera de los proveedores, la opción servida es el experimento barato: qwen/qwen3.8-27b está en nuestro catálogo al precio de lista indicado arriba, con un 0% de margen sobre la tarifa del proveedor, y los tamaños hermanos qwen/qwen3.8-flash y qwen/qwen3.8-max se encuentran junto a él detrás de la misma clave, así que puedes encontrar el punto de precio-rendimiento que tu tarea realmente necesita antes de decidir si vale la pena tener una máquina. LFM2.5-24B-A2B no está en nuestro catálogo; el Console propio de Liquid y los pesos abiertos son la vía para acceder a él, y nada de lo que aparece aquí debería sugerir lo contrario.

La pregunta que zanjará esto en seis meses no es qué modelo gana. Es si el nivel de ejecutor local se sostiene a medida que crecen las longitudes de contexto — y sobre eso, la ventana dos veces más larga de Qwen y la no medida de Liquid son los únicos dos puntos de datos de los que alguien dispone.

Sigue en directo las caídas y degradaciones de modelos en nuestro archivo de incidentes y consulta qué rutas han conmutado correctamente.