LFM2.5-24B-A2B vs Qwen3.8-27B : l'un est un téléchargement, l'autre une ligne budgétaire

Commencez par le nombre qui détermine l'essentiel de cela. LFM2.5-24B-A2B est un fichier que vous installez sur une machine et que vous conservez. Qwen3.8-27B est un modèle que vous louez au million de tokens. Liquid AI a annoncé le premier le 13 octobre 2026, avec 24,0 milliards de paramètres au total, 2,45 milliards de paramètres actifs par token et un contexte de 131 072 tokens ; A​libaba a publié le second le 13 août 2026 sous la forme d'un modèle vision-langage dense de 27 milliards de paramètres avec un contexte de 262 144 tokens. Les deux sont à poids ouverts. Un seul d'entre eux a un prix par token publié associé à un point de terminaison fonctionnel, et ce n'est pas le plus petit.

Cette asymétrie est la comparaison. Tout ce qui suit — capacité, licence, contexte, modalité — dépend du fait que vous achetez du matériel ou des jetons.

Ce que chacun est, et ce qu’il voit

LFM2.5-24B-A2B est un mélange d'experts purement textuel : 40 couches réparties entre 30 blocs de convolution courte à double porte et 10 couches d'attention à requêtes groupées, 64 experts par bloc avec un routage top-4, un vocabulaire de 128 000 tokens et 16 langues prises en charge. L'article de lancement de Liquid compte 33 000 milliards de tokens pour le pré-entraînement ; la fiche modèle Hugging Face de la même version indique 36 000 milliards. Le pipeline de post-entraînement se termine par un apprentissage par renforcement agentique dans de véritables harnais, et les propres recommandations du fournisseur sont d'associer le modèle à la recherche documentaire ou à la recherche web plutôt que de lui demander de répondre à des questions de connaissances à partir de ses poids.

Qwen3.8-27B est d'une forme entièrement différente, et cette forme est l'essentiel. Il s'agit d'une conception dense à attention hybride — 48 couches d'attention linéaire Gated DeltaNet entrelacées avec 16 couches d'attention complète sur 64 couches, une taille cachée de 5 120 et un vocabulaire de 248 320 tokens — ce qui est précisément ce qui rend abordable un contexte de 262K. Il prend en entrée du texte, des images et de la vidéo, et renvoie du texte. Cette colonne vertébrale essentiellement linéaire est héritée de la même lignée dont est issue une version compressée comme Ternary Bonsai 2 27B, ce qui constitue un signal utile quant à la part de valeur qui réside dans l'architecture plutôt que dans l'exécution de l'entraînement.

La version en une ligne : le modèle de Liquid route et appelle des outils à l’intérieur d’une boucle, et il le fait sans réseau. Le modèle de Q​wen examine des choses — captures d’écran, documents, vidéos — et raisonne à leur sujet avec une longueur de contexte environ deux fois plus longue. Aucun des deux n’est une version inférieure de l’autre ; ils sont orientés vers deux moitiés différentes d’un système fonctionnel.

Le coût, calculé comme un nombre réel

C'est ici que les deux cessent tout à fait d'être comparables, il vaut donc mieux faire le calcul plutôt que d'échanger des adjectifs.

Sur OrcaRouter, qwen/qwen3.8-27b est servi à 0,33 $ par million de jetons d’entrée et 2,40 $ par million de jetons de sortie, avec un temps jusqu’au premier jeton (p50) de 3,45 secondes mesuré sur sept jours. Une charge de travail de 20 millions de jetons d’entrée et 2 millions de jetons de sortie par mois — un modeste outil interne — revient à 6,60 $ plus 4,80 $, soit environ 11,40 $. Rien à installer, rien à maintenir au chaud, aucune dépréciation de GPU.

Le point de terminaison Console de Liquid coûte 0,10 $ par million de tokens d'entrée avec un tarif de 0,05 $ pour le cache et 1,00 $ par million de tokens de sortie, avec 2 $ de crédit de départ, ce qui évalue la même charge de travail à moins de 4 $. Mais ce point de terminaison n'est pas vraiment le produit. Le produit, ce sont les poids, et il n'existe aucun tableau de tailles de fichiers publié par le fournisseur pour LFM2.5-24B-A2B à citer — les dépôts de quantification sont livrés comme dépôts frères sur Hugging Face. Ce que le fournisseur publie, c'est la forme du pari : un MoE à 2,45 B de paramètres actifs qui tourne à 184 tokens par seconde sur un Apple M5 Max et à 114 sur un AMD Ryzen AI Max+ 395, tous deux rapportés par le fournisseur et non reproduits, et tous deux dénués de sens sur un GPU de centre de données exécutant de nombreuses requêtes simultanées.

Le seuil de rentabilité n’est pas un nombre de jetons, c’est une question d’utilisation. En dessous d’une charge lourde à peu près continue, le point de terminaison facturé à l’usage l’emporte sur le coût et perd sur le plancher de latence. Au-dessus, le téléchargement l’emporte sur le coût et perd sur l’exploitation — vous êtes désormais responsable d’un déploiement, de ses mises à niveau et de sa stratégie de basculement. Toute la décision est là, et elle n’a rien à voir avec le modèle qui obtient le meilleur score dans un tableau.

Contexte, licence, et les deux choses qui diffèrent réellement

• Contexte — 131 072 jetons contre 262 144 jetons. La fenêtre de Qwen est deux fois plus longue sur le papier, et c'est sa conception d'attention majoritairement linéaire qui rend une telle fenêtre possible en mémoire. Liquid n'a publié aucun chiffre de récupération en contexte long pour sa fenêtre de 131 K, quelle que soit la longueur, ce qui est la seule lacune de sa version qu'une série de benchmarks comblerait rapidement.

• Licence — lfm1.0 versus Apache 2.0. Apache 2.0 ne comporte aucun déclencheur lié au chiffre d'affaires ni clause de champ d'utilisation. La licence de LFM est un instrument à part entière, avec ses propres conditions. Lisez-la en regard des chiffres de votre entreprise avant toute exploitation commerciale, et notez que cet écart ne se réduit pas à mesure que les modèles grossissent.

• Modalité — texte uniquement par rapport à texte, image et vidéo en entrée. Si votre charge de travail implique une capture d’écran, une page numérisée ou une trame vidéo, cette ligne met fin à la comparaison à elle seule.

• Suivi d’instructions — IFEval 96,75 et IFBench 74,69.Les lignes les plus solides de Liquid sur son propre tableau de lancement, devant chacune des colonnes de celui-ci. Si la tâche consiste à « respecter exactement ce format, à chaque fois », LFM2.5-24B-A2B a le meilleur dossier publié.

• Connaissances et codage — GPQA Diamond 74,42 et SWE-Bench Verified 51,00 pour le modèle de Liquid. Liquid les compare aux 83,69 et 66,20 de Qwen3.6-35B-A3B et perd sur les deux. Aucune comparaison avec Qwen3.8-27B ne figure du tout dans ce tableau, et personne n'a confronté les deux modèles l'un à l'autre.

Où chacun a réellement sa place

Choisissez Qwen3.8-27B lorsque l'entrée n'est pas du texte, lorsque les documents sont longs, ou lorsque vous préférez être facturé plutôt que d'exploiter quelque chose vous-même. Une fenêtre de 262 K qui accepte des images et de la vidéo est un produit véritablement différent d'une fenêtre de 131 K qui accepte du texte, et la licence Apache 2.0 élimine une conversation que la plupart des équipes auraient sinon été obligées d'avoir. Le temps médian (p50) de 3,45 secondes jusqu'au premier token est bien réel et mérite d'être comparé à votre propre tolérance avant de vous engager — un modèle aussi capable dans la classe dense 27B n'est pas rapide, et aucune note d'architecture n'y changera rien.

Choisissez LFM2.5-24B-A2B lorsque la machine est la contrainte. Un MoE à 2,45B de paramètres actifs, avec un contexte de 131K et un profil de suivi d’instructions qui surpasse tout dans son propre tableau comparatif, est une excellente chose à faire tourner localement, et la décision de Liquid de l’entraîner au sein de harnais d’agents plutôt que face à un ensemble statique d’appels d’outils se voit dans les lignes qu’il remporte. Ce qu’il n’est pas, c’est un analyste documentaire ou une base de connaissances, et le fournisseur le dit dans le même document qui publie le tableau de référence.

Si vous voulez trancher sur votre propre charge de travail plutôt que sur le tableau de l'un ou l'autre fournisseur, l'option hébergée est l'expérience à moindre coût : qwen/qwen3.8-27bfigure dans notre catalogue au prix public indiqué ci-dessus, avec 0 % de marge sur le tarif du fournisseur, et les tailles sœurs qwen/qwen3.8-flashet qwen/qwen3.8-maxse trouvent à ses côtés derrière la même clé — vous pouvez ainsi trouver le point de prix-performance dont votre tâche a réellement besoin avant de décider s'il vaut la peine de posséder une machine. LFM2.5-24B-A2B ne figure pas dans notre catalogue ; la Console de Liquid elle-même et les poids ouverts sont la voie pour l'obtenir, et rien ici ne devrait laisser entendre le contraire.

La question qui tranchera le débat dans six mois n'est pas de savoir quel modèle l'emporte. C'est de savoir si le palier d'exécution locale tient le coup à mesure que les longueurs de contexte augmentent — et sur ce point, la fenêtre deux fois plus longue de Qwen et celle, non mesurée, de Liquid sont les deux seuls points de données dont on dispose.

Suivez en temps réel les pannes et dégradations des modèles dans notre archive des incidents et voyez quelles routes ont basculé proprement.