LFM3-Omni-2B vs Qwen3.8-Omni-Flash: Solo uno de ellos puede hablar

Pon LFM3-Omni-2B y Qwen3.8-Omni-Flash en la misma sala y la diferencia que resulta decisiva para la mayoría de los productos no está en la hoja de benchmarks. Ambos aceptan audio. Ambos aceptan vídeo. Solo uno de ellos puede responder en voz alta. El modelo de Alibaba devuelve texto y nada más —su propia documentación es explícita en que las respuestas habladas requieren un modelo diferente de la línea Qwen—, mientras que el checkpoint de 2,17 mil millones de parámetros de Liquid AI emite voz a 24 kHz directamente, o intercala voz y texto en una sola respuesta.

Todo lo demás en torno a la pareja es un estudio sobre la escala. Qwen3.8-Omni-Flash es un modelo cerrado en la API de Alibaba desde el 18 de septiembre de 2026, construido sobre una mezcla de expertos de 125.000 millones de parámetros con aproximadamente 6.000 millones activos, y con un contexto de un millón de tokens. LFM3-Omni-2B tiene pesos abiertos, 2,17 mil millones de parámetros, 32K de contexto, y se anunció el 27 de octubre de 2026 como uno de los seis modelos en la publicación de la familia LFM3 —con su repositorio público desde el 21 de octubre y sin una publicación de lanzamiento propia. Uno se alquila por token; el otro se descarga y se paga en hardware.

Los dos productos no son el mismo producto.

Si nos ceñimos a para qué sirve cada uno, Qwen3.8-Omni-Flash es un motor de comprensión con una ventana enorme: transcribe, resume, razona sobre horas de contenido multimedia, llama a herramientas y devuelve texto. LFM3-Omni-2B es un endpoint conversacional que resulta que ve y oye: recibe una pregunta por voz, observa un fotograma y responde con voz, en un dispositivo.

La consecuencia es que construir un asistente de voz sobre Qwen3.8-Omni-Flash implica construir dos etapas más —reconocimiento de voz a la entrada y síntesis a la salida— y pagar por tres modelos donde Liquid te cobra por uno. Construir un analizador de reuniones de dos horas sobre LFM3-Omni-2B implica alimentarlo por fragmentos, porque una ventana de 32K no equivale a una hora de audio y Liquid no publica una tasa de conversión de audio a tokens que te permita calcular el límite antes de probarlo.

El contexto es la brecha más amplia de la hoja.

• Contexto — Qwen3.8-Omni-Flash 1 M de tokens, con una entrada máxima de alrededor de 991 K y una salida de hasta 131 K; LFM3-Omni-2B 32 K tokens que abarcan entrada y salida en conjunto.

• Límites de medios — Alibaba documenta hasta tres horas de audio y dos horas de video en una sola solicitud, con entrada de audio en 113 idiomas y dialectos; Liquid documenta audio mono de 16 kHz y video muestreado a 2 fotogramas por segundo, de 4 a 384 fotogramas.

• Salida — solo texto frente a texto, voz de 24 kHz, o texto y voz intercalados.

• Escala — una mezcla de expertos de 125B con alrededor de 6B activos, alojada, frente a 2.17B densos ejecutándose en un teléfono.

• Pesos — cerrados frente a abiertos, conforme a la LFM Open License v1.0.

• Precio — $0.15 por millón de tokens de entrada, $0.016 en caché, $0.47 por millón de salida para Qwen3.8-Omni-Flash; no hay precio por token para LFM3-Omni-2B porque no hay nada que medir.

El contexto de 1M no es un adorno de ficha técnica. Es la diferencia entre «resume esta reunión» y «resume esta reunión y luego responde preguntas sobre la tercera hora». El enfoque del lanzamiento de Alibaba fue más una factura que una puntuación: un 98 % más barato por hora de entrada de audio que Qwen3.5-Omni-Plus, un 93 % más barato por hora de audio-vídeo, cifras obtenidas al calcular el precio de una muestra de dos minutos y multiplicarlo. Los ahorros son reales y también son la aritmética del propio proveedor.

Lo que el dinero realmente compra

Con $0.15 de entrada y $0.47 de salida, una hora de transcripción es lo bastante barata como para que la mayoría de los equipos deje de calcularla. Ese es el objetivo del recorte de precios, y es el argumento más sólido a favor de alquilar: el costo marginal de una solicitud es casi cero y las GPU son de otra persona.

LFM3-Omni-2B invierte la curva. Los pesos son gratuitos, el coste marginal por petición es la batería de tu usuario, y el coste fijo es el tiempo de ingeniería necesario para llevar un modelo de 2,17B a una app. Si ya tienes un equipo de desarrollo móvil, esa no es una cifra elevada. Si no lo tienes, es el proyecto entero.

Este es también el punto en el que un enrutador se gana su lugar en vez de ser un eslogan. Los modelos de texto de la familia Qwen3.8 ya están en el catálogo de OrcaRouter a precio de lista con un 0 % de margen, lo que significa que una reducción de precio del proveedor está activa de nuestro lado el mismo día en que se aplica; Qwen3.8-Omni-Flash en sí no está en el catálogo, y LFM3-Omni-2B tampoco. Lo que sí te ofrece el catálogo es la capacidad de mantener la mitad alojada de una solución híbrida —el trabajo por lotes de audio largo, el respaldo cuando un teléfono está sin conexión— detrás de una sola clave y una sola factura, con conmutación por error automática si un proveedor se cae.

Benchmarks: un número en común, dos arneses

RealWorldQA es el único benchmark que ambas tarjetas reportan, y la diferencia es de 21 puntos: Qwen3.8-Omni-Flash con 87.7, LFM3-Omni-2B con 66.54 en modo visión y 64.68 cuando la pregunta se pronuncia.

No interpretes eso como una derrota en igualdad de condiciones. El 87.7 de Qwen lo midió Alibaba en un modelo de 125B con un presupuesto de razonamiento; las cifras de Liquid las midió Liquid con decodificación voraz y la propia plantilla de chat de cada modelo, y su variante hablada introduce la pregunta como audio en lugar de texto. Mismo nombre de benchmark, condiciones distintas, clases de modelos distintas. La conclusión direccional es segura —un modelo veinte veces más grande, con el pensamiento habilitado, debería ser mejor en respuesta a preguntas visuales—, pero la magnitud no es la medición de nada.

El resto de cada tarjeta no se comparte. Qwen3.8-Omni-Flash reporta 92,6 en LiveCodeBench v6, 91 en GPQA Diamond, 67,2 en SpotSoundBench, 71,0 en WildClawBench-MM y 67,8 en OmniVideoBench. LFM3-Omni-2B reporta 70,09 en Daily-Omni, 47,10 en WorldSense, 46,32 en OmniBench, 48,25 en OmniBench speech, 51,40 en MMAR y una puntuación de invocación de herramientas de 52,20. La superposición entre esas listas es casi nula, lo que es de esperar de dos modelos creados para tareas distintas, y un recordatorio de que ninguno de los dos proveedores ha publicado una evaluación independiente.

Latencia, y el viaje de ida y vuelta que nadie contabiliza

Un modelo omni alojado tiene un viaje de ida y vuelta por la red delante de cada respuesta y una cola detrás. Para el trabajo por lotes, eso es invisible. Para una conversación, es la diferencia entre un producto que se siente vivo y uno que se siente como el envío de un formulario.

La ventaja de LFM3-Omni-2B aquí es estructural más que medida: el audio nunca sale del dispositivo, el modelo es de 2.17B y la salida son tokens de voz generados en la misma pasada que el texto. No hay llamada ASR, ni llamada de síntesis, ni orquestación entre ellas. Si eso supera a un endpoint alojado bien aprovisionado en latencia real es una cuestión empírica que Liquid no ha respondido: no publica cifras de latencia y no hay pruebas independientes.

La afirmación honesta es que la ruta local elimina tres modos de fallo (subida, cola, descarga) y añade uno (un teléfono que está sufriendo limitación térmica).

¿Quién debería elegir cuál?

Elige Qwen3.8-Omni-Flash si tu entrada es larga, tu salida es texto y tus usuarios no están esperando una respuesta de voz. Transcripción de reuniones, monitoreo de medios, analítica de centros de llamadas, búsqueda de video, cualquier cosa que se beneficie de una ventana de un millón de tokens y un presupuesto de razonamiento: esta es la clase de modelo diseñada para ello, y el precio hace que la decisión sea fácil. Acepta que estás alquilando, que los pesos nunca serán tuyos y que una interfaz hablada implica añadir modelos en lugar de configurar uno solo.

Elija LFM3-Omni-2B si la interacción es hablada y el dispositivo es el producto. Es más pequeño, ve menos, recuerda 32K en lugar de un millón, y su licencia tiene una cláusula de ingresos que Apache 2.0 no tiene. A cambio, es el único de estos dos que puede terminar una frase con una voz.

Ese es todo el intercambio, y merece decirse sin rodeos, porque la mayoría de las comparaciones entre estos dos modelos dedican toda su extensión a puntuaciones que solo uno de ellos intentaba ganar. Si tu producto habla, uno de estos modelos se creó para ti y el otro no.