LFM3 vs Qwen3.8-27B: una brecha de tamaño de 16× que se reduce al 9 % en el seguimiento de instrucciones

LFM3-1.7Btiene 1,73 mil millones de parámetros. Qwen3.8-27Btiene 27,78 mil millones, más un codificador de visión: 16,1 veces más peso. Si los colocas en la misma línea de benchmark, la aritmética se niega a cuadrar. En IFBench, que evalúa si un modelo obedece restricciones para las que nunca fue ajustado, la diferencia entre ambos es inferior al nueve por ciento. En Terminal-Bench 2.1, es de 5,6 veces. Dos modelos, una diferencia de tamaño constante y un resultado que oscila entre «¿por qué ibas a pagar alguna vez por el grande?» y «el pequeño no puede hacer esto en absoluto» según la fila que se mire.

Ese giro es toda la decisión. Esta no es una historia sobre un modelo pequeño alcanzando a uno grande, y tampoco es una historia sobre un modelo grande desperdiciado en tareas pequeñas. Es una historia sobre un límite de tarea que discurre, de forma muy constante, entre seguir una instrucción y ejecutar un plan — y sobre una condición de licencia que reordena silenciosamente la comparación de precios para cualquiera que trabaje en una empresa por encima de cierto nivel de ingresos.

Qué es cada uno de estos en realidad

Liquid AI anunció la familia LFM3 el 2026-10-27 —el día anterior a que se escribiera esto— como seis modelos de pesos abiertos de aproximadamente la clase 2B, derivados de un backbone compartido LFM3-1.7B-Base. LFM3-1.7B es la variante de texto: una arquitectura tri-híbrida de 24 capas (13 convoluciones cortas con compuerta, 5 capas de atención con ventana deslizante y una ventana de 256 tokens, y 6 capas de atención completa), preentrenado con 22 billones de tokens, con una pasada final de entrenamiento intermedio de 3,5 billones de tokens que incluyó trazas de agentes y llamadas a herramientas. Los pesos están en Hugging Face, Ollama lo distribuye como lfm3:latest con una descarga de 1,7 GB, y la propia ficha de modelo del proveedor desaconseja la programación agéntica o el razonamiento complejo de varios pasos. Esa última frase importa más que cualquier otra cosa en la ficha, y volveremos a ella.

Qwen3.8-27B no es nuevo. Alibaba publicó sus pesos en mediados de agosto de 2026con licencia Apache 2.0, y ha tenido diez semanas para acumular descargas, cuantizaciones e informes de usuarios reales que un lanzamiento de solo un día simplemente no tiene. Es un modelo denso de 27,78B construido sobre un bloque repetido de capas Gated DeltaNet y Gated Attention, con 64 capas de profundidad, con entrada nativa de visión y video y un contexto de 262.144 tokens que se extiende a 1M con YaRN. El modo de pensamiento está activado de forma predeterminada y se puede ajustar mediante un parámetro de esfuerzo de razonamiento.

El planteamiento honesto de este emparejamiento es asimétrico de una manera que importa: un modelo tiene una tabla de benchmarks del proveedor y ningún informe de campo; el otro tiene ambos. Trata todo lo que aparezca a continuación sobre LFM3-1.7B como una afirmación sobre la suite de pruebas de Liquid AI, no sobre tu carga de trabajo.

La línea de especificación donde el modelo pequeño no pierde

Empieza por las dimensiones en las que 16× los parámetros no aporta absolutamente nada, porque hay más de ellas de lo que sugiere la diferencia de tamaño.

• Ventana de contexto: 262.144 tokens de forma nativa en ambos. LFM3-1.7B la alcanza durante el mid-training; Qwen3.8-27B la incluye de forma nativa y se extiende hasta 1M con YaRN.

• Idiomas — 16 declarados para LFM3-1.7B (incluidos inglés, chino, japonés, coreano, árabe e hindi); Qwen3.8-27B está entrenado de forma amplia en diversos idiomas sin una cifra destacada.

• Modalidad — texto de entrada, texto de salida para LFM3-1.7B; texto, imagen y vídeo de entrada, texto de salida para Qwen3.8-27B. Este es el único punto en el que el 27B realiza un trabajo categóricamente distinto en lugar de ser una versión más grande del mismo trabajo.

• Memoria en 4 bits — aproximadamente 1 GB para LFM3-1.7B frente a aproximadamente 14–16 GB para Qwen3.8-27B.

• Memoria en BF16: 3,46 GB frente a unos 56 GB, que es la diferencia entre un portátil y un equipo con varias GPU.

• Licencia — LFM Open License v1.0 frente a Apache 2.0. Guarda esa idea.

Una ventana de contexto de 256K en ambos lados es la línea verdaderamente sorprendente. Históricamente, la longitud del contexto ha ido de la mano del número de parámetros, y aquí un modelo que puedes ejecutar en aproximadamente un gigabyte ofrece la misma ventana nominal que uno que quiere una estación de trabajo. «Nominal» hace un trabajo real en esa frase: una ventana de 256K en un modelo de 1,7B solo es útil si el modelo puede encontrar cosas en ella, que es exactamente lo que ponen a prueba las filas de contexto largo que aparecen a continuación.

Donde 16× los parámetros compran un nueve por ciento

Liquid ejecutó una suite de 27 filas y publicó la tabla completa, incluidas las columnas en las que gana un competidor. Ambos modelos reportan IFBench, que es la fila más limpia y directamente comparable de toda la comparación porque es una única versión del benchmark reportada por ambos proveedores.

LFM3-1.7B obtiene 73,03. Qwen3.8-27B obtiene 79,5. Eso son 6,5 puntos, menos del nueve por ciento de la puntuación del modelo más grande — en un modelo 16,1 veces más pequeño. Para una carga de trabajo que consiste principalmente en «tomar esta entrada desordenada, emitir esta forma JSON exacta, no romper nunca el esquema», esa diferencia está cerca del ruido, y la diferencia de despliegue es de un gigabyte frente a dieciséis.

La propia tabla de Liquid demuestra lo mismo frente a un competidor más cercano. Contra Qwen3.5-9B —un modelo cinco veces más grande que LFM3-1.7B—, el modelo pequeño supera a IFBench por 24 puntos (73,03 frente a 48,84), a IFStruct por 4,5 (93,72 frente a 89,20) y a Multi-IF por 4,7 (89,10 frente a 84,44). Sea lo que sea lo demás cierto, la adherencia a las instrucciones no es una capacidad que escale de forma uniforme con el número de parámetros, y un modelo de 1,7B bien entrenado puede superar en ello a un 9B mediocre.

Las filas de contexto largo son más equívocas y conviene decirlas claramente en lugar de redondear a favor de Liquid. En AA-LCR, LFM3-1.7B registra 52,83 —una puntuación real para su tamaño, y más o menos a la par de los 52,67 de Qwen3.5-4B. En RULER 128K obtiene 65,56, muy por delante de los 37,96 de MiniCPM5-2B pero muy por detrás de los 87,11 de Qwen3.5-9B. Así que la ventana de 256K no es decorativa, pero tampoco equivale a la de un modelo más grande. Qwen3.8-27B no aparece en absoluto en esa tabla, lo que significa que no hay una cifra de contexto largo comparable para este emparejamiento concreto —solo una fuerte presunción de que un 27B con 262K nativos superará a un 1.7B con la misma ventana nominal.

Donde 16× los parámetros compra cinco veces y media

Ahora las filas sobre las que advertía la tarjeta del modelo. Cada una de estas es una versión de benchmark que ambos proveedores reportan, así que no se está haciendo ninguna resta entre versiones.

• Terminal-Bench 2.1 — 12.92 para LFM3-1.7B frente a 73.0 para Qwen3.8-27B. Una brecha de 5.6×.

• Humanity's Last Exam, sin herramientas — 7,17 frente a 30,8. Una brecha de 4,3×.

• GPQA Diamond — 63,37 frente a 89,2. Una diferencia de 1,4×.

• LiveCodeBench v6 — 73,46 frente a 90,3. Una diferencia de 1,2×.

El orden de esa lista es el hallazgo. La diferencia es menor en la generación de código de un solo intento, donde LFM3-1.7B queda aproximadamente un 19% por debajo de un modelo dieciséis veces mayor. Es mayor en Terminal-Bench, donde la tarea no es "escribir código" sino "operar una máquina a lo largo de muchos pasos, recuperarte de tus propios errores y detenerte cuando el trabajo esté hecho". Esa es precisamente la capacidad que la propia ficha de Liquid dice que le falta al modelo, y las cifras concuerdan con la ficha. En GPQA y HLE la diferencia es de conocimiento, que es el resultado menos sorprendente aquí — un modelo de 1.7B entrenado con 22T tokens simplemente ha visto menos que un modelo de 27B entrenado con más, y ninguna cantidad de arquitectura lo compensa.

Hay una fila que apunta en la dirección opuesta, y es el número más interesante de cualquiera de las dos tarjetas. En la división pública de AA-Omniscience, LFM3-1.7B registra una precisión de 7.07 y 92.93 de no alucinación. Ese par significa que el modelo mayormente se abstiene de responder en lugar de responder incorrectamente. Es la cifra de no alucinación más alta en la propia tabla comparativa de Liquid, por delante de todos los modelos más grandes enumerados. El 30.8 de Qwen3.8-27B en HLE es la postura opuesta: sabe más y se compromete con ello.

Si el modo de fallo de tu pipeline es que un valor incorrecto con alta confianza llegue a una base de datos, un modelo que se abstiene el 93 % del tiempo es una ventaja y el techo de exactitud es el precio. Si el modo de fallo de tu pipeline es un null donde debería haber un valor, ese mismo comportamiento es el error. Esta es la cuestión más decisiva de este enfrentamiento, y ninguna puntuación agregada la captura.

Tres números que no debes restar

Las páginas de comparación directa sobre esta combinación se verán tentadas a alinear cada benchmark que publican los dos proveedores. Tres de esas líneas no resisten el contacto con la metodología.

SWE-bench. Liquid informa LFM3-1.7B con 43,40 en SWE-bench Verified con el arnés OpenCode. Alibaba informa Qwen3.8-27B con 61,7 en SWE-bench Pro. Benchmark distinto, arnés distinto, distribución de tareas distinta. La diferencia de 18 puntos entre esas dos cifras no es la medición de nada. Si quieres hacerte una idea aproximada de la magnitud de la brecha, usa Terminal-Bench 2.1, donde ambos reportan la misma versión.

Cualquier índice agregado.Artificial Analysis puntúa a Qwen3.8-27B con 33.7 en su Intelligence Index con el ajuste de razonamiento xhigh. A fecha de 2026-10-28, no existe ninguna entrada de LFM3 en Artificial Analysis. Un lanzamiento de hace un día no ha pasado por una evaluación independiente, y la afirmación honesta es que LFM3-1.7B tiene cero cifras reproducidas de forma independiente. Todas las cifras que se le atribuyen en este artículo —y en cualquier otro lugar esta semana— proceden de la propia batería de pruebas de Liquid AI sobre los benchmarks elegidos por Liquid AI.

Configuraciones de esfuerzo de razonamiento. Las puntuaciones publicadas de Qwen3.8-27B varían sustancialmente entre los modos bajo, medio, xhigh y sin razonamiento; el índice 33,7 es la cifra de xhigh, y la cifra sin razonamiento es materialmente inferior. Cualquier comparación que empareje una cifra de Qwen con una cifra de LFM3 sin nombrar el ajuste de esfuerzo está comparando un modelo que delibera con uno rápido y llamando a la diferencia arquitectura.

Lo que zanjaría esto es sencillo: una ejecución independiente de LFM3-1.7B en los mismos arneses, con un nivel de esfuerzo declarado, idealmente después de que la comunidad haya tenido unas semanas con los pesos. Hasta entonces, el resumen justo es que la brecha reportada por el proveedor en el seguimiento de instrucciones es pequeña y la brecha reportada por el proveedor en la ejecución de varios pasos es grande, y ambas afirmaciones provienen de la misma parte interesada.

La licencia es la verdadera etiqueta del precio.

Aquí está la parte que invierte la conclusión habitual de una comparación entre pequeño y grande.

LFM3-1.7B se distribuye bajo la Licencia Abierta LFM v1.0. Los pesos se pueden descargar y ejecutar de forma gratuita, y el uso comercial queda excluido para entidades con ingresos anuales de 10 millones de dólares o más. Qwen3.8-27B se distribuye bajo Apache 2.0, sin umbral de ingresos, sin restricción de campo de uso y sin acuerdo por separado.

Así que, para una startup de dos personas, la aritmética es obvia: un modelo que cabe en un gigabyte, no cuesta nada por token y se ejecuta en hardware que ya posees es casi gratis. Para una empresa que supera los $10 millones en ingresos —es decir, la mayoría de las empresas con un presupuesto de inferencia en producción que merezca la pena optimizar—, el modelo barato no es gratis, y el caro tiene una licencia inequívoca. El modelo que parece la opción económica es el que lleva adjunta la conversación legal.

Eso no es un argumento en contra de LFM3-1.7B. Es un argumento a favor de leer la licencia antes de leer la tabla de benchmarks, porque la licencia determina si la tabla de benchmarks siquiera está disponible para ti.

Lo que se necesita para ejecutar realmente cada uno

LFM3-1.7B es una instalación de una línea. Está en la biblioteca de Ollama como lfm3:latest y lfm3:1.7b, ambas con una descarga de 1.7 GB y una ventana de contexto de 256K declarada, y se ejecuta en Transformers con ajuste fino de una sola GPU. La versión de Hugging Face incluye notebooks para SFT, DPO y GRPO, incluido un ejemplo práctico de entrenamiento del modelo para elegir la herramienta correcta entre 108 en una aplicación móvil. Si tu objetivo es un extractor pequeño, especializado y ajustado finamente que reside en la misma máquina que los datos, este es un camino genuinamente corto desde la descarga hasta el despliegue.

Qwen3.8-27B es un proyecto de otro tipo. Con unos 56 GB en BF16, requiere una máquina con varias GPU o una cuantización agresiva; en 4 bits cabe en 14–16 GB, lo que corresponde a una GPU única de gama alta o a un portátil con buenas especificaciones, y la caché KV hace que el uso real de memoria sea aún mayor. Se ejecuta en Transformers, vLLM, SGLang y TokenSpeed. Si no quieres tener ese hardware, está disponible como servicio alojado: en OrcaRouter lo sirven dos proveedores upstream, a $0.33 por millón de tokens de entrada y $2.40 por millón de tokens de salida el primero, y a $0.40 / $4.21 el segundo.

Esa diferencia entre dos proveedores merece detenerse a analizarla, porque es el tipo de detalle que solo aparece cuando se consulta un catálogo en vivo en lugar de una nota de prensa. Los mismos pesos, la misma ventana de contexto, aproximadamente un 75 % más caro en la salida con el segundo proveedor. OrcaRouter transfiere el precio de lista del proveedor con un 0 % de margen, por lo que ambos precios se ven uno al lado del otro, y la conmutación por error automática hace que un fallo de un proveedor se redirija internamente en lugar de mostrarse a tus usuarios. Si estás evaluando Qwen3.8-27B como la vía de escalado para una canalización que comienza con un modelo pequeño, esa es la parte que pondrías detrás de una sola clave.

Para dejar claro lo de la otra mitad: OrcaRouter no sirve LFM3-1.7B. Es una descarga de pesos, y ejecutarlo es tu propio endpoint en tu propio hardware. La razón para mencionarnos en este artículo es la parte de escalado, no el modelo pequeño.

¿Quién debería elegir cuál?

La decisión no depende realmente de la tabla de benchmarks. Depende de dos preguntas que puedes responder antes de ejecutar nada.

Elige LFM3-1.7B si el trabajo es de un solo turno y ceñido a un esquema —extracción, clasificación, enrutamiento, salida estructurada, selección de herramientas en el dispositivo— y los datos no pueden salir del dispositivo. También es la opción correcta si tienes la intención de ajustarlo, porque un modelo de 1.7B con una ruta SFT/DPO/GRPO incluida y un presupuesto de una sola GPU es un proyecto de fin de semana en lugar de un trimestre. La ventana de 256K, los 16 idiomas y el comportamiento de abstención apuntan todos al mismo caso de uso: un componente estrecho, de alto volumen y sensible a la privacidad en el que una respuesta incorrecta es peor que ninguna respuesta, y en el que tu empresa está por debajo del umbral de ingresos.

Elige Qwen3.8-27B si el modelo tiene que planificar. Agentes de varios pasos, trabajo en terminal, programación de horizonte largo, cualquier cosa en la que el modelo deba recuperarse de sus propios errores a lo largo de una docena de llamadas a herramientas: la brecha de 5,6× en Terminal-Bench no es un problema de ajuste, es la ficha del modelo diciéndote la verdad. También es la elección correcta cuando necesitas conocimiento en lugar de formato, cuando necesitas entrada de visión o vídeo y cuando Apache 2.0 es un requisito en lugar de una preferencia.

Y elige ambos si la respuesta honesta es que tu pipeline tiene dos mitades. El patrón que encaja con este emparejamiento es una primera pasada barata, local y ligada al esquema, con una ruta de escalado al 27B cuando la primera pasada declina — que es exactamente lo que un modelo que se abstiene el 93 % de las veces está construido para señalar. Esa arquitectura usa la mejor fila de cada modelo y no usa lo peor de ninguno de los dos.

¿Qué cambiaría esta respuesta?

Dos cosas, y ambas conviene observarlas en vez de adivinar.

La primera es una evaluación independiente de LFM3-1.7B. Toda afirmación de capacidad anterior se basa en la suite propia de Liquid AI, y el checkpoint Base de esta familia se lanzó sin ninguna tabla de benchmarks —lo que indica que las cifras de la familia son una historia de post-entrenamiento, no una historia de arquitectura. Una ejecución neutral en IFBench y Terminal-Bench confirmaría la división que describe este artículo o la disolvería.

El segundo es si Liquid ofrece un modelo de texto más grande sobre esta arquitectura troncal. La comparación completa está enmarcada por una brecha de parámetros de 16×, y el resultado de seguimiento de instrucciones sugiere que la receta de entrenamiento está haciendo más trabajo que el número de parámetros. Si llega un LFM3 de tamaño medio, la pregunta interesante deja de ser «¿puede un modelo de 1.7B seguir instrucciones?» —ya puede— y pasa a ser «¿qué hace esta receta con cuatro mil millones de parámetros?».

Hasta que ocurra una de esas cosas, el resumen útil es más limitado que una tabla de puntuaciones: LFM3-1.7B es un buen seguidor de instrucciones, de verdad, que no sabe planificar, y Qwen3.8-27B es un buen planificador, de verdad, con una licencia sobre la que puedes construir una empresa. Elegir entre ellos no es una cuestión de benchmark. Es una cuestión sobre cuál de esas dos frases describe tu carga de trabajo.